Estimating Ore Grade Using Evolutionary Machine Learning Models

این کتاب به بررسی توانایی‌های مدل‌های جدید یادگیری ماشین برای پیش‌بینی عیار سنگ معدن در مهندسی معدن می‌پردازد. انواع مطالعات موردی در این کتاب مورد بررسی قرار گرفته است. یکی از انگیزه های تهیه این کتاب نبود مدل های قوی برای تخمین عیار سنگ معدن بود. از مدل های کتاب های فعلی می توان برای علوم مختلف نیز استفاده کرد زیرا دارای قابلیت های بالایی برای تخمین متغیرهای مختلف هستند. مهندسان معدن می توانند از این کتاب برای تعیین دقیق عیار سنگ استفاده کنند. این کتاب به شناسایی مناطق غنی از مواد معدنی برای اکتشاف و بهره برداری کمک می کند. هزینه های اکتشاف را می توان با استفاده از مدل های موجود در کتاب فعلی کاهش داد. در این کتاب، نویسنده به مفاهیم جدید در مهندسی معدن، مانند عدم قطعیت در مدل‌سازی عیار سنگ معدن می‌پردازد. مدل های مجموعه ای برای تخمین عیار سنگ معدن در این کتاب ارائه شده است. در این کتاب، خوانندگان یاد می‌گیرند که چگونه مدل‌های یادگیری ماشینی پیشرفته برای تخمین عیار سنگ بسازند. نویسندگان این کتاب مدل‌های پیشرفته و ترکیبی مورد استفاده برای تخمین عیار سنگ معدن را به جای روش‌های کلاسیک مانند کریجینگ ارائه می‌کنند. کتاب حاضر می تواند به عنوان یک کتاب راهنمای جامع برای تخمین عیار سنگ معدن مورد استفاده قرار گیرد. مدیران صنعتی و مدل سازان می توانند از مدل های کتاب های فعلی استفاده کنند. هر سطح از مدل سازی عیار سنگ معدن در کتاب توضیح داده شده است. در این کتاب بهینه سازهای پیشرفته برای آموزش مدل های یادگیری ماشین ارائه شده است. بنابراین، کتاب می تواند مورد استفاده مدل سازان در زمینه های دیگر نیز قرار گیرد. انگیزه اصلی این کتاب رفع کاستی های قبلی در فرآیند مدل سازی عیار سنگ معدن است. دامنه این کتاب شامل مهندسی معدن، مدل های محاسبات نرم و هوش مصنوعی است.

This book examines the abilities of new machine learning models for predicting ore grade in mining engineering. A variety of case studies are examined in this book. A motivation for preparing this book was the absence of robust models for estimating ore grade. Models of current books can also be used for the different sciences because they have high capabilities for estimating different variables. Mining engineers can use the book to determine the ore grade accurately. This book helps identify mineral-rich regions for exploration and exploitation. Exploration costs can be decreased by using the models in the current book. In this book, the author discusses the new concepts in mining engineering, such as uncertainty in ore grade modeling. Ensemble models are presented in this book to estimate ore grade. In the book, readers learn how to construct advanced machine learning models for estimating ore grade. The authors of this book present advanced and hybrid models used to estimate ore grade instead of the classic methods such as kriging. The current book can be used as a comprehensive handbook for estimating ore grades. Industrial managers and modelers can use the models of the current books. Each level of ore grade modeling is explained in the book. In this book, advanced optimizers are presented to train machine learning models. Therefore, the book can also be used by modelers in other fields. The main motivation of this book is to address previous shortcomings in the modeling process of ore grades. The scope of this book includes mining engineering, soft computing models, and artificial intelligence.