مقایسه روش های طبقه بندی، شبکه عصبی مصنوعی و رگرسیون چندمتغیره در برآورد بازیابی فلز از بلوک کانسنگ

با توجه به نقش بازیابی در محاسبه ارزش اقتصادی بلوک کانسنگ و تاثیر مقدار این ارزش بر محاسبات طراحی و برنامه ریزی تولید معدن، تعیین بازیابی فلز از بلوک کانسنگ ارسالی به کارخانه فرآوری، از اهمیت بالایی برخوردار است. هدف از این پژوهش، بررسی قابلیت برآورد بازیابی بلوک کانسنگ به صورت کیفی و با روش های مبتنی بر طبقه بندی داده ها از مجموعه روش های داده کاوی و به صورت کمی، با دو روش رگرسیون چندمتغیره و مدل هوشمند شبکه عصبی، بر اساس داده های آنالیز خوراک ورودی کارخانه است. برای نیل به این هدف، معدن مس میدوک مورد مطالعه قرار گرفت و با استفاده از 58 نمونه آنالیزشده عیار خوراک کارخانه،  شامل عیارهای Cu، CuOو CuS و میزان بازیابی عنصر Cu در محصول نهایی، فرآیند پیش بینی بازیابی کل ذخیره به صورت کیفی با روش های طبقه بندی درخت تصمیم، قانون بیز و  الگوریتم نزدیک ترین همسایه انجام شد. برای برآورد کمی میزان بازیابی ذخیره، مدل رگرسیون چندمتغیره و شبکه عصبی مصنوعی برای شاخص های عیاری مذکور و میزان بازیابی بین 47 نمونه از 58 نمونه برقرار شد و توسط 11 نمونه آنالیزشده آزمایشی، مدل های به دست آمده اعتبارسنجی شدند. معیارهای میانگین خطا و جذر میانگین مربعات خطا در مدل رگرسیونی به ترتیب 021702/0 و 024972/0 و در مدل شبکه عصبی مصنوعی به ترتیب 015753/0 و 021404/0 محاسبه شدند. بنابراین مدل شبکه عصبی مصنوعی به عنوان ابزار دقیق تری در پیش بینی بازیابی نسبت به مدل رگرسیون چندمتغیره عمل می کند. نتایج آنالیز حساسیت این مدل نشان داد، عیار Cu مهم ترین عامل و عیار CuO و CuS نیز به ترتیب، دیگر عوامل تاثیرگذار بر تغییرات بازیابی هستند.