論文の概要: An improved genetic programming for predicting semi autogenous grinding
mill throughput
- arxiv url: http://arxiv.org/abs/2401.05382v1
- Date: Mon, 18 Dec 2023 03:50:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 08:43:59.056692
- Title: An improved genetic programming for predicting semi autogenous grinding
mill throughput
- Title(参考訳): 半自家研削ミルスループット予測のための遺伝的プログラムの改良
- Authors: Zahra Ghasemi, Frank Neumann, Max Zanin, John Karageorgos, Lei Chen
- Abstract要約: 遺伝的プログラミング(GP)は、正確なミルスループット予測のための透明な方程式を提供することの利点を提供する機械学習(ML)技術の1つである。
本研究では,SAGミルのスループットを予測するためのGPの適用について検討し,予測性能を向上させるため,新しいGP変種を5つ導入する。
開発したGP変異体は、鉱物処理プラントにおけるSAGミルスループットをモデル化するための正確で透明で費用対効果の高いアプローチを示す。
- 参考スコア(独自算出の注目度): 13.030555867827527
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Semi-autogenous grinding (SAG) mills play a pivotal role in the grinding
circuit of mineral processing plants. Accurate prediction of SAG mill
throughput as a crucial performance metric is of utmost importance. While
empirical models have been developed in previous studies for SAG mill
throughput prediction, the potential of applying machine learning (ML)
techniques for this purpose remains underexplored. Unlike empirical modelling,
which relies on expensive and time-consuming experimental data, ML techniques
can utilize data collected during regular operations. Genetic programming (GP)
is one of ML techniques that offers the advantage of providing a transparent
equation for precise mill throughput prediction. This study explores the
application of GP to predict SAG mill throughput and introduces five new GP
variants to enhance prediction performance. These variants extract multiple
equations, each accurately predicting mill throughput for specific clusters of
training data. These equations are then employed to predict mill throughput for
test data using various approaches. To assess the effect of distance measures
on the new GP variants, four different distance measures are employed.
Comparative analysis reveals that the new GP variants achieve an average
improvement of 12.49% in prediction accuracy. Further investigation of distance
measures indicates that the Euclidean distance measure yields the most accurate
results for the majority of data splits. Additionally, the most precise new GP
variant considers all equations and incorporates both the number of data points
in each data cluster and the distance to clusters when calculating the final
prediction. The developed GP variants in this study present a precise,
transparent, and cost-effective approach for modelling SAG mill throughput in
mineral processing plants.
- Abstract(参考訳): 半自動研削(SAG)ミルは、鉱物加工プラントの研削回路において重要な役割を担っている。
重要な性能指標として, SAGミルスループットの正確な予測が重要である。
従来,SAGミルスループット予測のための実験モデルが開発されてきたが,機械学習(ML)技術の適用の可能性はまだ未検討である。
高価で時間を要する実験データに依存する経験的モデリングとは異なり、ML技術は通常の操作中に収集されたデータを利用することができる。
遺伝的プログラミング(GP)は、正確なミルスループット予測のための透明な方程式を提供することの利点を提供するML手法の1つである。
本研究は,sagミルのスループット予測へのgpの適用を考察し,予測性能を向上させるために5つの新しいgp変種を導入する。
これらの変種は、トレーニングデータの特定のクラスタのミルスループットを正確に予測する複数の方程式を抽出する。
これらの方程式は、様々な手法でテストデータのミルスループットを予測するために用いられる。
新しいGP変種に対する距離測定の効果を評価するために、4つの異なる距離測度を用いる。
比較分析の結果、新しいgp変種は予測精度が平均12.49%向上した。
距離測定のさらなる調査は、ユークリッド距離測定がデータ分割の大多数に対して最も正確な結果をもたらすことを示している。
さらに、最も正確な新しいGP変種は全ての方程式を考慮し、最終予測を計算する際に、各データクラスタ内のデータポイントの数とクラスタ間距離の両方を組み込む。
本研究で開発されたGP変種は, 鉱物処理プラントにおけるSAGミルスループットをモデル化するための精度, 透明性, 費用対効果を示す。
関連論文リスト
- Minimally Supervised Learning using Topological Projections in
Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。
提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。
提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文 参考訳(メタデータ) (2024-01-12T22:51:48Z) - Leveraging Locality and Robustness to Achieve Massively Scalable
Gaussian Process Regression [1.3518297878940662]
GPN(Nest-Nighbour)予測の強靭性特性と制限挙動を探索することによって,新しい視点を導入する。
データサイズnが大きくなるにつれて、推定パラメータとGPモデル仮定の精度は、GPnn予測精度とますます無関係になる。
この不正確さの源泉を補正することができ、高い計算コストで精度の高い不確実性対策と正確な予測を両立できることを示す。
論文 参考訳(メタデータ) (2023-06-26T14:32:46Z) - Provably Efficient Bayesian Optimization with Unbiased Gaussian Process
Hyperparameter Estimation [52.035894372374756]
目的関数の大域的最適値にサブ線形収束できる新しいBO法を提案する。
本手法では,BOプロセスにランダムなデータポイントを追加するために,マルチアームバンディット法 (EXP3) を用いる。
提案手法は, 様々な合成および実世界の問題に対して, 既存の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-06-12T03:35:45Z) - Exogenous Data in Forecasting: FARM -- A New Measure for Relevance
Evaluation [62.997667081978825]
FARM - Forward Relevance Aligned Metricという新しいアプローチを導入する。
我々のフォワード法は、その後のデータポイントの変化を時系列に合わせるために比較する角測度に依存する。
第1の検証ステップとして、FARMアプローチの合成信号・代表信号への適用について述べる。
論文 参考訳(メタデータ) (2023-04-21T15:22:33Z) - Heterogeneous Ensemble Learning for Enhanced Crash Forecasts -- A
Frequentest and Machine Learning based Stacking Framework [0.803552105641624]
本研究では,都市および郊外の5車線未分割セグメント(5T)の衝突頻度をモデル化するために,重要なHEM手法の1つ,スタックリングを適用した。
Stackingの予測性能は、パラメトリック統計モデル(Poissonと負二項法)と機械学習技術の3つの状態(決定木、ランダム森林、勾配上昇)と比較される。
論文 参考訳(メタデータ) (2022-07-21T19:15:53Z) - Gaussian Processes for Missing Value Imputation [0.0]
各次元における欠落値を他の次元のすべての変数を用いて予測するために用いられるスパースGPの階層的構成を示す。
GPを欠くアプローチ(MGP)は同時に訓練され、観測された全ての値が失われることを意味する。
MGPを1つのプライベート臨床データセットと4つのUCIデータセットで評価した。
論文 参考訳(メタデータ) (2022-04-10T10:46:26Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳(メタデータ) (2022-01-11T23:01:12Z) - MuyGPs: Scalable Gaussian Process Hyperparameter Estimation Using Local
Cross-Validation [1.2233362977312945]
本稿では,新しいGPハイパーパラメータ推定法であるMuyGPを提案する。
MuyGPsは、データの最も近い隣人構造を利用する事前のメソッドの上に構築される。
提案手法は, 解法と予測値の平均二乗誤差の両方において, 既知の競合よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-04-29T18:10:21Z) - Surface Warping Incorporating Machine Learning Assisted Domain
Likelihood Estimation: A New Paradigm in Mine Geology Modelling and
Automation [68.8204255655161]
新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。
本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。
その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
論文 参考訳(メタデータ) (2021-02-15T10:37:52Z) - Machine learning for causal inference: on the use of cross-fit
estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。
平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。
機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文 参考訳(メタデータ) (2020-04-21T23:09:55Z) - Improved prediction of soil properties with Multi-target Stacked
Generalisation on EDXRF spectra [1.2599533416395765]
エネルギー分散X線蛍光(EDXRF)は、より迅速で環境に優しい分析手法の一つである。
EDXRFスペクトル分析におけるいくつかの課題は、正確な結果を提供するためのより効率的な方法を必要とする。
MTR(Multi-target Regression)手法を用いることで,複数のパラメータの予測が可能となり,相関パラメータの活用により,全体的な予測性能が向上する。
論文 参考訳(メタデータ) (2020-02-11T11:05:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。