DISESOR - decision support system for mining industry

Kozielski, Michał; Sikora, Marek; Wróbel, Łukasz

doi:10.15439/2015f168

Cited by 20 publications

(9 citation statements)

References 13 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Os autores dão ênfase maior à arquitetura de rede e apresentam as dificuldades do uso de inteligência computacional quando há escassez ou dificuldade para obtenção dos dados de aprendizado. Eles reforçam a relevância do uso de sistemas de despachos como aliados na implantação de ferramentas de aprendizado de máquina no setor mineral, uma vez que estes já possuem um longo histórico de uso na indústria de mineração conforme também apontado por Kozielski et al (2015).…”

Section: Trabalhos Relacionadosunclassified

“…A aplicação permite o controle de novos parâmetros de forma contínua, como o tamanho de bolhas no processo de flotação para melhora da recuperação do beneficiamento, isto é, da relação entre o produto e a característica visual do material durante a flotação. Kozielski et al (2015) desenvolvem um módulo de um sistema de despacho capaz de realizar predições por meio de técnicas de aprendizado de máquina. Entretanto, para tornar o trabalho mais abrangente, os autores não mencionam a etapa de seleção de atributos para o aprendizado de máquina supervisionado, uma vez que esta etapa apresenta particularidades que tornam difícil sua generalização.…”

Section: Trabalhos Relacionadosunclassified

“…Porém, são acrescentados parâmetros ambientais referentes ao perfil de lavra, expresso por "Distância Média de Transporte (DMT)", e pluviometria, expresso pelo parâmetro "Milímetros de chuva", devido à interferência destes atributos na performance de frotas que operam em lavra a céu-aberto. No viés de aplicabilidade, o presente trabalho assemelha-se ao de Kozielski et al (2015) por também utilizar a base de dados de despacho; porém, difere-se dele ao realizar a etapa de seleção de atributos para otimização do modelo e redução de esforço computacional.…”

Section: Trabalhos Relacionadosunclassified

See 2 more Smart Citations

Previsão de Falta de Equipamento de Carga para Frota de Transporte com base em Aprendizado de Máquina e Cenários de Despacho

Cordeiro

Souza

Guimarães

2021

Procedings Do XV Simpósio Brasileiro De Automação Inteligente

View full text Add to dashboard Cite

A current challenge in fleet management in the mining industry is the prediction of process failure events, due to the high number of internal influence parameters (such as equipment breakage), external to the process (such as bad weather) and interface (such as shutdown of crushing). This paper deals with the development of a machine learning approach to predict the Lack of Load Equipment event for the transport fleet using dispatch data. The model applied was the Random Forest varying the number of trees between 20, 50, and 100. Backward Elimination was performed to reduce the number of attributes from 20 to 5. The metric used to evaluate the models was the correlation factor (R). Real operation data was used to build the model containing 860,000 records gathered for four months. Through the Shapiro-Wilk and T-Welch tests, it was verified that the models of 20, 50, and 100 trees were equivalent. The mean correlation coefficients of these models were 0.768, 0.773, and 0.773, respectively, which are better than the value of 0.35 obtained with the linear regression method currently used by the company's decision-maker. Thus, machine learning through Random Forest showed good results and applicability for predictions and classifications of events in fleet management in the mining industry. Resumo: Um desafio vigente na gestão de frota do setor de mineração é a predição de eventos de falhas de processo, devido à alta quantidade de parâmetros de influência interna (como quebra de equipamentos), externa ao processo (como intempéries) e de interface (como parada de britagem). Este artigo trata do desenvolvimento de uma abordagem de aprendizado de máquina para previsão do evento Falta de Equipamento de Carga para a frota de transporte utilizando dados de despacho. O modelo aplicado foi o Random Forest variando-se o número de árvores entre 20, 50 e 100. Realizou-se a seleção de atributos por meio de Backward Elimination para a redução de 20 para 5 parâmetros. A métrica utilizada para avaliação dos modelos foi o fator de correlação (R). Dados de operação real foram utilizados para construção do modelo contendo 860 mil registros em quatro meses de coleta. Verificou-se, através dos testes de Shapiro-Wilk e T-Welch, que os modelos de 20, 50 e 100 árvores eram equivalentes. Os resultados das médias dos coeficientes de correlação desses modelos foram 0,768, 0,773 e 0,773, respectivamente, os quais são melhores do que o valor de 0,35 obtido com o método de regressão linear, atualmente utilizado pelo tomador de decisão da empresa. Assim, o uso do aprendizado de máquina através do Random Forest apresentou bons resultados e aplicabilidade para predições e classificações de eventos da gestão de frota na indústria de mineração.

show abstract

Section: Trabalhos Relacionadosunclassified

See 1 more Smart Citation

Previsão de Falta de Equipamento de Carga para Frota de Transporte com base em Aprendizado de Máquina e Cenários de Despacho

Cordeiro

Souza

Guimarães

2021

Procedings Do XV Simpósio Brasileiro De Automação Inteligente

View full text Add to dashboard Cite

show abstract

“…There are techniques to collect [17], convert and send this data stream to the proper server application. One of the areas where this technique will be applicable is the medicine.…”

Section: Big Datamentioning

confidence: 99%

Secure gateway for Internet of Things with internal AAA mechanism

Samociuk

Adamczyk

2017

Theor. Appl. Inform.

View full text Add to dashboard Cite

In this paper, we describe secure gateway for Internet of Things (IoT) devices with internal AAA mechanism, implemented to connect IoT sensors with Internet users. Secure gateway described in this paper allows to (1) authenticate each connected device, (2) authorise connection or reconfiguration performed by the device and (3) account each action. The same applies to Internet users who want to connect, download data from or upload data to an IoT device. Secure Gateway with internal AAA mechanism could be used in Smart Cities environments and in other IoT deployments where security is a critical concern. The mechanism presented in this paper is a new concept and has been practically validated in Polish national research network PL-LAB2020.

show abstract

“…One of very few research initiatives in that field is DIS-ESOR -a Polish national R&D project aimed at creation of an integrated decision support system for monitoring of the mining process and early detection of viable threats to people and equipment working underground [4]. The system developed in the frame of DISESOR project integrates data from different monitoring tools.…”

Section: Introductionmentioning

confidence: 99%

Predicting Dangerous Seismic Events: AAIA'16 Data Mining Challenge

Janusz

Ślęzak

Sikora

et al. 2016

Annals of Computer Science and Information Systems

Self Cite

View full text Add to dashboard Cite

Abstract-This paper summarizes AAIA'16 Data Mining Challenge: Predicting Dangerous Seismic Events in Active Coal Mines which was held between October 5, 2015 and March 4, 2016 at the Knowledge Pit platform. It describes the scope and background of this competition and explains our research objectives which motivated the specific design of the competition rules. The paper also briefly overviews the results of this challenge, showing the way in which those results can help in solving practical problems related to the safety of miners working underground. In particular, our analysis focuses on applications of prediction models in order to facilitate the assessment of seismic hazards, in a situation when the exploration of a given working site has just started and there is very little historical data available.

show abstract

DISESOR - decision support system for mining industry

Cited by 20 publications

References 13 publications

Previsão de Falta de Equipamento de Carga para Frota de Transporte com base em Aprendizado de Máquina e Cenários de Despacho

Previsão de Falta de Equipamento de Carga para Frota de Transporte com base em Aprendizado de Máquina e Cenários de Despacho

Secure gateway for Internet of Things with internal AAA mechanism

Predicting Dangerous Seismic Events: AAIA'16 Data Mining Challenge

Contact Info

Product

Resources

About