Optimizing Extreme Learning Machine Algorithm using Particle Swarm Optimization to Estimate Iron Ore Grade
Publish place: Journal of Mining and Environment، Vol: 12، Issue: 2
Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: English
View: 373
This Paper With 15 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JMAE-12-2_008
تاریخ نمایه سازی: 20 تیر 1400
Abstract:
Scientific uncertainties make the grade estimation very complicated and important in the metallic ore deposits. This paper introduces a new hybrid method for estimating the iron ore grade using a combination of two artificial intelligence methods; it is based on the single layer-extreme learning machine and the particle swarm optimization approaches, and is designed based on the location of the boreholes, depth of the boreholes, and drill hole information from an orebody, and applied for the ore grade estimation on the basis of a block model. In this work, the two algorithms of optimization clustering and neural networks are used for the iron grade estimation in the Choghart iron ore north anomaly in the central Iran. The results of the training and testing the algorithms indicate a significant ability of the optimized neural network system in the ore grade estimation.
Keywords:
ore grade estimation , Artificial intelligence , Particle Swarm Optimization , single layer extreme learning machine , drill hole information
Authors
M. Fathi
Department of Mining Engineering, Faculty of Engineering, Imam Khomeini International University, Qazvin, Iran
A. Alimoradi
Department of Mining Engineering, Faculty of Engineering, Imam Khomeini International University, Qazvin, Iran
H.R. Hemati Ahooi
Department of Mining Engineering, Faculty of Engineering, Imam Khomeini International University, Qazvin, Iran
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :