Utilizing a Novel Artificial Neural Network-Based Meta-heuristic Algorithm to Predict the Dust Concentration in Deo Nai Open-Pit Coal Mine (Vietnam)

Bui, Xuan‐Nam; Nguyen, Hoang; Drebenstedt, Carsten; Tran, Hai-Van Thi; Nguyen, Ngoc Binh; Cao, Xuan-Cuong; Le, Qui-Thao

doi:10.1007/978-3-030-60839-2_11

Cited by 2 publications

(1 citation statement)

References 75 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Để dự báo nồng độ bụi phát sinh trên mỏ nói chung và do các hoạt động nổ mìn nói riêng, nhiều mô hình trí tuệ nhân tạo (Artificial Intelligence) và học máy (Machine learning) đã được phát triển cho mục đích này với mức độ chính xác được cải thiện đáng kể so với các phương pháp truyền thống. [8] đã phát triển một mô hình trí tuệ nhân tạo lai (Hybrid model) dựa trên mạng nơ-ron nhân tạo (Artificial Neural Network -ANN) và giải thuật di truyền (Genetic Algorithm -GA), gọi tắt là GA-ANN để dự báo nồng độ bụi PM10 phát sinh do các hoạt động khoan trên mỏ với mức độ chính xác sai số bình quân phương gốc RMSE = 0,028, hệ số xác định R 2 = 0,979, sai số tuyệt đối bình quân MAE = 0,023 và tỉ lệ phần trăm lỗi tuyệt đối trung bình MAPE = 0,055. Trong một nghiên cứu khác, [9] đã sử dụng hệ thống mờ (fuzzy system) dựa trên các mô phỏng Monte Carlo kết hợp với lý thuyết xác suất và lập trình biểu hiện gen (Genetic Expression Programming -GEP) để dự báo nồng độ bụi phát sinh khi nổ mìn trên mỏ.…”

Section: đặT Vấn đềunclassified

Dự báo nồng độ bụi PM2.5 phát tán trong quá trình nổ mìn trên các mỏ lộ thiên sử dụng mạng nơ–ron nhân tạo và giải thuật tối ưu hóa bầy đàn cải tiến (APSO–MLP)

Hoàng¹,

Nam²,

Hiếu³

et al. 2022

VNJHM

View full text Add to dashboard Cite

Trong bài báo này, bụi mịn PM2.5 sinh ra do quá trình nổ mìn trên mỏ lộ thiên đã được dự báo bởi các mô hình trí tuệ nhân tạo dựa trên mạng nơ-ron truyền thẳng nhiều lớp (Multi-layer Perceptron Neural Network -MLP) và các giải thuật "tối ưu hóa bầy đàn" được cải tiến (Accelerated Particle Swarm Optimization -APSO), giải thuật di truyền (Genetic Algorithm -GA), có tên gọi APSO-MLP và GA-MLP. Các thông số nổ mìn và điều kiện khí tượng đã được xem xét trong nghiên cứu này. Một mạng MLP đã được thiết kế để dự báo nồng độ bụi mịn PM2.5. Các giải thuật tối ưu hóa APSO và GA đã được đưa vào để tối ưu hóa các trọng số của mô hình MLP nhằm cải thiện mức độ chính xác của mô hình MLP truyền thống trong quá trình dự báo. Các kết quả cho thấy cả hai mô hình được phát triển đều có khả năng dự báo nồng độ bụi mịn PM2.5 sinh ra do nổ mìn với mức độ chính xác tương đối cao. Trong đó, mô hình APSO-MLP cung cấp mức độ chính xác cao hơn so với mô hình GA-MLP (RMSE = 5,102; R 2 = 0,900 và MAPE = 0,063). Trong khi đó, mô hình GA-MLP chỉ cung cấp mức độ chính xác với RMSE = 5,331, R 2 = 0,890 và MAPE = 0,073.Từ khóa: Mỏ lộ thiên; Nổ mìn; PM2.5; Mạng nơ-ron nhân tạo; Giải thuật tối ưu; Phát triển bền vững.

show abstract

Section: đặT Vấn đềunclassified

Dự báo nồng độ bụi PM2.5 phát tán trong quá trình nổ mìn trên các mỏ lộ thiên sử dụng mạng nơ–ron nhân tạo và giải thuật tối ưu hóa bầy đàn cải tiến (APSO–MLP)

Hoàng¹,

Nam²,

Hiếu³

et al. 2022

VNJHM

View full text Add to dashboard Cite

show abstract

Deep learning implementations in mining applications: a compact critical review

et al. 2023

View full text Add to dashboard Cite

Deep learning is a sub-field of artificial intelligence that combines feature engineering and classification in one method. It is a data-driven technique that optimises a predictive model via learning from a large dataset. Digitisation in industry has included acquisition and storage of a variety of large datasets for interpretation and decision making. This has led to the adoption of deep learning in different industries, such as transportation, manufacturing, medicine and agriculture. However, in the mining industry, the adoption and development of new technologies, including deep learning methods, has not progressed at the same rate as in other industries. Nevertheless, in the past 5 years, applications of deep learning have been increasing in the mining research space. Deep learning has been implemented to solve a variety of problems related to mine exploration, ore and metal extraction and reclamation processes. The increased automation adoption in mining provides an avenue for wider application of deep learning as an element within a mine automation framework. This work provides a compact, comprehensive review of deep learning implementations in mining-related applications. The trends of these implementations in terms of years, venues, deep learning network types, tasks and general implementation, categorised by the value chain operations of exploration, extraction and reclamation are outlined. The review enables shortcomings regarding progress within the research context to be highlighted such as the proprietary nature of data, small datasets (tens to thousands of data points) limited to single operations with unique geology, mine design and equipment, lack of large scale publicly available mining related datasets and limited sensor types leading to the majority of applications being image-based analysis. Gaps identified for future research and application includes the usage of a wider range of sensor data, improved understanding of the outputs by mining practitioners, adversarial testing of the deep learning models, development of public datasets covering the extensive range of conditions experienced in mines.

show abstract

Utilizing a Novel Artificial Neural Network-Based Meta-heuristic Algorithm to Predict the Dust Concentration in Deo Nai Open-Pit Coal Mine (Vietnam)

Cited by 2 publications

References 75 publications

Dự báo nồng độ bụi PM2.5 phát tán trong quá trình nổ mìn trên các mỏ lộ thiên sử dụng mạng nơ–ron nhân tạo và giải thuật tối ưu hóa bầy đàn cải tiến (APSO–MLP)

Dự báo nồng độ bụi PM2.5 phát tán trong quá trình nổ mìn trên các mỏ lộ thiên sử dụng mạng nơ–ron nhân tạo và giải thuật tối ưu hóa bầy đàn cải tiến (APSO–MLP)

Deep learning implementations in mining applications: a compact critical review

Contact Info

Product

Resources

About