ابراهیم اله کرمی - دانشجوی دکتری فرآوری مواد معدنی، دانشگاه صنعتی امیرکبیر،
امید سلمانی نوری - دانشجوی دکتری فرآوری مواد معدنی، دانشگاه صنعتی امیرکبیر،
مهدی ایران نژاد - دانشیار دانشگاه صنعتی امیرکبیر،
علی اکبر عبداله زاده - استادیار دانشگاه صنعتی امیرکبیر و دانشگاه کاشان،

بهبود صحت پیشبینی پارامترهای متالورژیکی در کارخانه فلوتاسیون به منظور مدیریت کارآمد فرایند امری ضروری است. لذا در این مقاله، از الگوریتم ژنتیک برای بهبود تخمین عیار و بازیابی مس در کارخانه فلوتاسیون مس سرچشمه کرمانتوسط شبکه عصبی مصنوعی استفاده شد. پارامترهای اندازهگیری شده فرایند pH ، غلظت کلکتور و کفساز، درصد جامد و عیار مس در بار اولیه هستند، که بهعنوان متغیرهای ورودی برای شبکه عصبی درنظر گرفته شدند. ساختار بهینه شبکهعصبی با دو لایه مخفی ) 5:7:4:2 ( با استفاده از روش سعی و خطا تعیین گردید. با توجه به نقایص شبکه عصبی برایپیشبینی متغیرهای خروجی، از الگوریتم ژنتیک برای بهینهسازی وزنهای اولیه شبکه عصبی استفاده شد. عملکرد مدل با استفاده از معیار آماری میانگین مجموع مربعات خطا ) MSE ( ارزیابی شد. نتایج به دست آمده نشان داد، الگوریتم ژنتیک تأثیر مهمی در بهینه سازی وزنهای اولیه و بهبود عملکرد مدل شبکه عصبی مصنوعی دارد

الگوریتم ژنتیک، پیشبینی عیار و بازیابی، شبکه عصبی مصنوعی، فلوتاسیون مس