Optimisation du processus de déshydratation du filtrage sous pression du concentrat par régression du vecteur support

Rapports scientifiques volume 12, Numéro d'article : 7135 (2022) Citer cet article

1122 accès

3 Citations

Détails des métriques

Ce travail étudie le mécanisme et les méthodes d'optimisation du procédé de déshydratation du filtre-presse pour améliorer au mieux l'efficacité de l'opération de déshydratation du concentré par filtre-presse. Des modèles d'apprentissage automatique (ML) de la fonction de base radiale (RBF)-OLS, du réseau neuronal de régression généralisée RBF et de la régression vectorielle de support (SVR) sont construits, et des simulations de laboratoire et industrielles sont effectuées séparément, enfin, des méthodes d'optimisation pour la déshydratation par filtration processus sont conçus et appliqués. En laboratoire, tous les modèles d'apprentissage automatique ont des erreurs évidentes, mais on peut voir que SVR a le meilleur effet de simulation. Afin de parvenir à l'optimisation de l'ensemble du processus de filtration et de déshydratation, nous avons obtenu suffisamment de données du système industriel de filtration et de déshydratation, et dans les résultats de simulation industrielle, tous les modèles d'apprentissage automatique ont été considérablement exécutés, SVR atteint la meilleure précision en simulation industrielle, et l'erreur relative moyenne simulée de l'humidité et de la capacité de traitement sont de 1,57 % et 3,81 %, le modèle a été testé avec des données industrielles nouvellement collectées pour vérifier la crédibilité. Les résultats de simulation optimaux sont obtenus par une méthode d'optimisation basée sur des variables de contrôle. Les résultats montrent que la méthode ML de SVR et les méthodes d'optimisation des variables de contrôle appliquées à l'industrie peuvent non seulement réduire la consommation d'énergie et les coûts, mais peuvent également améliorer fondamentalement l'efficacité du fonctionnement du filtre-presse, ce qui fournira certaines options pour le processus de déshydratation intelligent et d'autres processus industriels. optimisation de la production.

L'épuisement progressif des ressources minérales faciles à valoriser a augmenté la quantité de minerais complexes et à faible teneur et a rendu la granulométrie de broyage plus fine. Ainsi, la déshydratation et la filtration du concentré deviennent de plus en plus difficiles. Un filtre sous pression à haute efficacité a été développé et progressivement appliqué à la déshydratation du concentré par filtre-presse. En raison de la technologie de contrôle automatique du filtre à pression, ce type de filtre à pression à haut rendement est généralement appelé filtre à pression automatique1. Le processus de déshydratation forcée de "pressage mécanique" et de "séchage à l'air" sur la base de la "pression d'alimentation" du filtre-presse conventionnel est appliqué dans le filtre à pression automatique2. Ainsi, non seulement il peut obtenir un gâteau de filtration avec une humidité plus faible, mais il a également une efficacité de fonctionnement plus élevée3.

De nombreux types de filtres-presses automatiques ont été utilisés avec succès dans l'industrie du traitement des minerais, tels que le filtre-presse automatique Larox-PF développé par Larox en Finlande4,5 et le filtre-presse automatique BPF en Chine6. Le processus de déshydratation du filtre à pression automatique est relativement compliqué, et la stabilité de l'indice et l'efficacité du processus de déshydratation sont affectées par le caractère raisonnable du réglage des paramètres de contrôle du processus de déshydratation7. Ainsi, la recherche d'optimisation du contrôle du processus de déshydratation des filtres-presses a reçu une attention accrue8.

À l'heure actuelle, il existe de nombreuses recherches sur l'optimisation de la déshydratation, telles que la conception d'un circuit de déshydratation9, l'optimisation du média filtrant10,11, le pilotage de la déshydratation électrique par pression12,13. Bien que la déshydratation électrique soit très efficace, elle consomme de l'énergie et présente de faibles performances de stabilité. Et il est fortement limité par la recherche en science des matériaux. Cependant, c'est une idée nouvelle de construire des modèles d'optimisation coordonnés en collectant des données de production pour résoudre les problèmes rencontrés dans l'industrie de la déshydratation14. Certaines optimisations de déshydratation sont utilisées par des méthodes chimiques, des aides à la déshydratation et des floculants pour optimiser la déshydratation des particules minérales15,16,17,18, voire par une combinaison de méthodes physiques et chimiques avec une double optimisation pour optimiser la déshydratation19,20, ce qui est indéniable que ce sont en effet des découvertes passionnantes, mais d'un point de vue macro, ce sont toutes des optimisations de déshydratation axées sur les problèmes et l'efficacité de l'opération de déshydratation du concentré par filtre-presse est limitée. L'optimisation globale multiparamètre saute-mouton est la réalisation de l'ajustement adaptatif commun du système de déshydratation du filtre-presse, qui est une étape importante dans l'intelligentisation du système de déshydratation à l'avenir.

Ainsi, la méthode d'optimisation du processus de déshydratation par ML (Machine learning) et pilotée par les données présente les meilleurs avantages et la plus grande signification à long terme. Des données expérimentales sont utilisées21 pour caractériser les performances de déshydratation industrielle. Un modèle de mécanisme du processus de filtre-presse est établi22 pour obtenir les meilleurs paramètres de contrôle de fonctionnement du processus de filtre-presse afin d'optimiser le processus. La filtration sous pression industrielle avec des données de processus est analysée et modélisée23. Bien que l'application de ML à l'optimisation des paramètres du processus de déshydratation ait été étudiée, il y a relativement peu de paramètres optimisés dans le système, et les données pour la modélisation sont toutes obtenues en une seule fois, ce qui conduira finalement à aucune authenticité du processus de déshydratation. modèle en raison de l'absence de vérification, plus important encore, étant donné que ces modèles d'apprentissage automatique construits ne sont pas combinés avec les méthodes d'optimisation correspondantes, une optimisation continue ne peut pas être effectuée, ce qui entraîne des résultats d'optimisation limités, ce qui n'améliore pas fondamentalement l'efficacité du processus de déshydratation du filtre-presse.

Dans l'étude, grâce à une combinaison d'expériences de déshydratation en laboratoire et industrielles, plusieurs ensembles de données de production industrielle sont utilisés pour établir des modèles ML de contrôle du processus de déshydratation des filtres à pression. La comparaison de la précision de la simulation et de la prédiction des trois modèles ML de réseau neuronal orthogonal des moindres carrés (OLS) et de régression généralisée (GRNN) avec les réseaux de fonction de base radiale (RBF) et la régression vectorielle de support (SVR) montre que le SVR a la plus grande précision. Simultanément, nous obtenons à plusieurs reprises des données du système de déshydratation du filtre-presse industriel pour construire un modèle multiparamètre et effectuer des tests sur modèle. Nous étudions une méthode d'optimisation des variables de contrôle pour obtenir les paramètres de contrôle optimaux dans le modèle de contrôle. Cette méthode vise à optimiser un autre paramètre tout en s'assurant qu'un paramètre de contrôle est qualifié. De cette façon, les paramètres de contrôle optimaux dans l'industrie sont obtenus. Au final, nous avons vérifié la rationalité de notre processus et de notre méthode d'optimisation, et l'optimisation continue du processus de déshydratation du filtre-presse industriel est réalisée.

Un processus de travail complet du filtre à pression automatique comprend la fermeture de l'alimentation et du filtrage de la plaque filtrante, le pressage mécanique, le séchage à l'air, l'ouverture de la plaque filtrante, le déchargement du gâteau et le nettoyage du tissu filtrant. La capacité de traitement et l'humidité sont principalement incluses dans l'indice de déshydratation, qui est déterminé par les trois principaux processus de déshydratation du "filtre-presse d'alimentation", du "pressage mécanique" et du "séchage à l'air". Seule une bonne compréhension du processus de déshydratation du filtre-presse et du but de l'optimisation peut mieux mettre en avant la méthode d'optimisation des paramètres de contrôle du processus de déshydratation du filtre-presse proprement dit. Par conséquent, dans ce chapitre, nous introduisons d'abord le processus en trois étapes de déshydratation par filtre-presse. Ensuite, nous proposons une méthode d'optimisation basée sur la variable de contrôle en fonction de l'objectif d'optimisation du procédé.

Le processus d'alimentation du filtre-presse consiste à presser la boue dans la chambre du filtre. Ce processus démarre l'opération de filtration lorsque la boue est insérée hydrauliquement dans la chambre du filtre. Il s'agit d'un processus de filtration sur gâteau de filtration et suit l'équation de filtration de base suivante proposée dans l'équation. (1)24.

où Q est le débit du filtrat ; A est la zone de filtration ; t est le temps de filtration ; V est le volume du filtrat accumulé au temps t ; L est l'épaisseur de la couche filtrante ; K est le coefficient de perméabilité de la couche filtrante ; ΔP est la couche de filtration croisée de la perte de charge (la force motrice de la filtration) ; μ est la viscosité du filtrat.

Dans le cas d'une concentration et d'une pression d'alimentation constantes, la durée d'alimentation détermine directement l'épaisseur du gâteau de filtration. Avec l'allongement du temps d'alimentation, le gâteau de filtration s'épaissit progressivement, mais la vitesse d'épaississement diminue rapidement. La prolongation du temps d'alimentation peut augmenter l'épaisseur du gâteau de filtration et le rendement du gâteau de filtration par cycle de filtre-presse. Cependant, si le temps d'alimentation est prolongé, cela augmentera considérablement le cycle du filtre-presse, ce qui réduira à son tour la production de gâteau par unité de temps. Par conséquent, le "temps d'alimentation" est un facteur important qui affecte l'indice et l'efficacité de la déshydratation. Selon la nature du matériau (épaisseur du gâteau de filtration), l'obtention d'un temps d'alimentation raisonnable est le but de cette optimisation du procédé.

La déshydratation par presse peut être effectuée de plusieurs manières, et les plus largement utilisées sont principalement deux méthodes : l'une est la déshydratation par presse mécanique avec un mécanisme de pressage, et l'autre est la déshydratation par presse hydraulique. La comparaison des effets des deux méthodes de pressage est illustrée à la Fig. 1 selon les recherches existantes25. Comme observé, la courbe de pressage mécanique est évidemment plus raide, ce qui signifie que le temps pour atteindre la même porosité du gâteau de filtration après le pressage mécanique du gâteau de filtration est nettement plus court. Le pressage mécanique peut raccourcir considérablement le temps de déshydratation du gâteau de filtration.

Courbe d'essai de pressage mécanique et hydraulique.

Une fois l'"alimentation du filtre-presse" terminée, l'étape de "presse mécanique" commence. Le filtre à pression automatique utilise une presse à membrane, qui est un type de presse mécanique. Si le temps de pressage est insuffisant, l'eau dans les pores du gâteau de filtration n'est pas complètement évacuée et le pressage est arrêté, l'humidité finale du gâteau de filtration augmentera, ce qui affectera l'efficacité du pressage. Au contraire, après un certain temps de pressage du gâteau de filtration, la porosité du gâteau de filtration ne diminue plus, et la teneur en eau ne diminue plus. Si le temps de pressage continue à être prolongé, le cycle de travail du filtre-presse sera prolongé et la puissance de pressage sera consommée.

Une fois le processus de pressage terminé, il reste encore de l'humidité dans les pores du gâteau de filtration. À ce moment, si de l'air comprimé est passé dans la chambre de filtration, à travers le gâteau de filtration, et que l'humidité résiduelle dans le gâteau de filtration est encore éliminée, alors le séchage de l'air et la déshydratation peuvent être réalisés. Selon les recherches existantes26, le séchage à l'air peut être divisé en trois étapes : les étapes de pénétration, de remplacement et d'évaporation. L'effet de chaque étape est illustré à la Fig. 2.

Trois étapes de séchage à l'air et de déshydratation.

La figure 2 montre que la décharge liquide est la plus importante dans la phase de pénétration, puis, les phases de déplacement et d'évaporation commencent. Une fois la phase de pénétration terminée, la saturation du gâteau de filtration chute légèrement et l'humidité du gâteau de filtration est proche de l'humidité finale. Si le soufflage et le séchage se poursuivent, seule la consommation d'air comprimé sera augmentée. Par conséquent, dans certaines conditions de pression de séchage à l'air, un contrôle raisonnable du temps de séchage à l'air et l'arrêt opportun du séchage à l'air après l'achèvement de l'étape de pénétration sont les objectifs de l'optimisation du processus de séchage à l'air.

Pour un système de déshydratation à filtre-presse de concentré fixe, la "pression d'alimentation" est liée à la pompe d'alimentation et est relativement fixe, par conséquent, elle ne sera pas prise en compte. La taille de la bouillie concentrée est relativement fixe et la viscosité est directement liée à la concentration. Par conséquent, le processus d'optimisation du filtre-presse considère les deux conditions de "concentration d'alimentation" et de "pression de compression". « Temps d'alimentation », « salle de presse » et « temps de séchage à l'air » sont également les principaux paramètres d'optimisation du processus de filtre-presse27.

L'ensemble du processus de déshydratation est contrôlé par le système de contrôle automatique du filtre-presse. D'une part, le système de contrôle automatique du filtre-presse réalise le contrôle précis de l'action mécanique du filtre-presse lui-même. D'autre part, il réalise le contrôle du programme et le processus de déshydratation auxiliaire de "l'alimentation, le pressage, le séchage à l'air, le déchargement du gâteau et le lavage des tissus". Il ajuste également les paramètres de contrôle.

Pendant le fonctionnement de l'équipement, l'opérateur doit modifier les principaux paramètres de contrôle dans le temps via l'interface homme-machine lorsque les conditions de lisier telles que la "concentration d'alimentation" ou les exigences d'indice de filtration changent pour assurer l'indice de déshydratation du filtre-presse et l'efficacité du travail. Cependant, le réglage actuel et la modification des paramètres de contrôle du processus de déshydratation du filtre-presse sont principalement effectués par les opérateurs sur la base de leur propre expérience et de leurs connaissances. La différence d'expérience des différents opérateurs entraîne des fluctuations de l'indice et de l'efficacité de l'opération de déshydratation du filtre-presse. L'obtention de la valeur optimale des principaux paramètres de contrôle du processus de déshydratation du filtre-presse est la clé pour assurer le bon fonctionnement de l'opération de déshydratation. Évidemment, la valeur optimale ne peut être obtenue en se fiant uniquement à l'expérience de l'opérateur. Les paramètres optimaux peuvent être prédits par ML28,29. Par conséquent, nous proposons un modèle ML précis du processus de déshydratation du filtre-presse qui utilise des échantillons de données existants. Ensuite, nous utilisons les résultats de la prédiction du modèle ML pour concevoir une méthode d'optimisation fiable pour obtenir la valeur optimale des paramètres de contrôle. De cette façon, on obtient l'optimisation du contrôle du processus de déshydratation du filtre-presse. A travers l'étude de la situation réelle, nous proposons le principe d'optimisation raisonnable suivant (méthodes d'optimisation basées sur le principe des variables contrôlées) :

Sous la prémisse d'assurer que le gâteau de filtration avec une teneur en eau qualifiée est obtenu, le contrôle optimisé des paramètres est utilisé pour obtenir la capacité de traitement maximale par unité de surface de filtre.

Sous le principe d'assurer la capacité de traitement par unité de surface de filtre, le gâteau de filtration avec le plus faible taux d'humidité peut être obtenu grâce à un contrôle optimisé des paramètres.

Comme le montre la figure 3, le principe de cette méthode d'optimisation basée sur la variable commandée est le suivant. Dans certaines conditions externes, chaque paramètre de commande est séquentiellement sélectionné de petit à grand dans la plage de valeurs raisonnables de chaque paramètre de commande, et la valeur est sélectionnée de manière cyclique à de petits intervalles. Les valeurs obtenues par les paramètres de contrôle sont agencées et combinées pour obtenir une combinaison de paramètres de contrôle dans diverses conditions. Pour chaque combinaison, le modèle ML établi est utilisé pour obtenir des résultats de simulation, et les résultats de simulation sont comparés séquentiellement selon différents principes d'optimisation et objectifs d'optimisation pour trouver l'optimum. Par conséquent, le groupe de paramètres de contrôle correspondant au résultat optimal est le paramètre de contrôle optimal.

Optimisation du procédé de déshydratation par filtre-presse.

Les techniques d'apprentissage automatique et d'intelligence artificielle favorisent de plus en plus le développement du traitement des minerais30,31,32. Selon le principe d'optimisation et le processus de déshydratation du filtre-presse introduits précédemment, nous devons créer un modèle ML précis pour optimiser le processus de déshydratation du filtre-presse. Pour de meilleures applications industrielles, cette étude utilise la méthode OLS et la méthode GRNN basée sur le réseau de neurones RBF et SVR pour construire un modèle de contrôle optimal pour le processus de déshydratation du filtre-presse.

Le réseau de neurones artificiels est un système de réseau complexe composé de nombreux neurones interconnectés. De nombreux types de modèles de réseaux neuronaux sont disponibles. Cependant, nous utilisons le modèle de réseau de neurones RBF basé sur OLS et GRNN pour établir un modèle de simulation du processus de déshydratation du filtre-presse.

La structure du modèle de réseau neuronal RBF du processus de déshydratation du filtre-presse que nous avons établi est illustrée à la Fig. 4. Le réseau RBF est un réseau à deux couches avec une seule couche cachée en plus des couches d'entrée et de sortie. La fonction de transfert dans la couche cachée est une fonction gaussienne de la réponse locale, tandis que la fonction de transfert pour les autres réseaux aller est généralement une fonction de réponse globale. RBF a besoin de plus de neurones pour réaliser la même fonction en raison de cette différence. Ainsi, le réseau RBF ne peut pas remplacer le réseau de transfert standard. Cependant, le temps de formation de RBF est plus court. Il est optimal pour l'approximation de fonction et peut approximer n'importe quelle fonction continue avec une précision arbitraire. L'approximation est plus précise lorsque la couche cachée a plus de neurones.

Structure du modèle de réseau neuronal RBF du processus de déshydratation du filtre-presse.

Comme le montre la figure 5, GRNN est une amélioration de RBF avec une structure similaire33,34. La différence est qu'une couche supplémentaire de sommation est prise en compte et que la connexion de poids entre les couches cachée et de sortie (superposition des moindres carrés des poids gaussiens) est supprimée. GRNN converge rapidement car il n'a pas de paramètres de modèle à former. Basé sur le réseau à base radiale, il présente également de bonnes performances d'approximation non linéaire. Cependant, chaque échantillon de test de GRNN doit être calculé avec tous les échantillons d'apprentissage. Ainsi, sa complexité de calcul est élevée. De plus, tous les échantillons d'apprentissage doivent être stockés. En conséquence, la complexité spatiale est également élevée.

Structure du modèle GRNN du processus de déshydratation par filtre-presse.

Nous construisons également un modèle de réseau de neurones RBF basé sur OLS. Ce modèle est établi sur la base de la construction de la structure du modèle RBF par la méthode des moindres carrés. La méthode d'optimisation de la somme résiduelle des carrés consiste à optimiser les paramètres de la structure du réseau RBF pour minimiser la somme des carrés de la différence entre la fonction de régression et la valeur réelle. La méthode OLS régresse la variable de réponse prédite à travers une série de variables prédictives.

Comme le montre l'éq. (2), la régression linéaire MCO vise à obtenir les paramètres du modèle en réduisant l'écart entre la vraie valeur de la variable réponse et la valeur prédite. Dans cette équation, Yt est appelée la variable dépendante, Xt est appelée la variable indépendante, \(\alpha\), \(\beta\) sont appelés coefficients de régression, t = 1, 2, 3, 4, représente le nombre de observations, et \(\mu_{t}\) représente l'erreur.

Comme le montre l'éq. (3), la régression linéaire OLS vise à ajuster au mieux la courbe pour s'assurer que la somme des carrés des distances de chaque point à la droite (c'est-à-dire la somme des carrés résiduelle, RSS en abrégé) est la plus petite.

La machine à vecteurs de support (SVM) a été proposée par Vapnik et al. dans les années 1990, et il est basé sur la théorie de l'apprentissage statistique35,36. La méthode SVM est une méthode ML basée sur la théorie de la dimension VC de la théorie de l'apprentissage statistique et le principe de minimisation des risques structurels36. Elle s'appuie sur la complexité du modèle d'échantillons limités pour obtenir le meilleur compromis entre les capacités d'apprentissage pour obtenir la meilleure capacité de généralisation. Le nombre d'échantillons doit être élevé dans les réseaux de neurones car ils sont basés sur le principe de minimisation empirique des risques. Cependant, la méthode SVM repose sur le principe de minimisation du risque structurel. Ainsi, sous condition de petits échantillons, le modèle établi par la méthode SVM a de meilleures performances de généralisation et de promotion37.

SVM est développé à partir de la surface de classification optimale dans le cas de la séparabilité linéaire. L'idée de base peut être illustrée par la situation bidimensionnelle de la Fig. 6. Les points pleins et creux représentent deux types d'échantillons. H est la ligne de classement. H1 et H2 sont les lignes qui passent les échantillons les plus proches de la ligne de classification et sont parallèles à la ligne de classification. La distance qui les sépare s'appelle l'intervalle de classification (marge). La ligne de classification dite optimale exige que la ligne de classification non seulement sépare correctement les deux catégories mais maximise également l'intervalle de classification. Ce type d'équation de ligne de classification peut être défini comme Eq. (4).

Méthode de SVM (à gauche) et SVR (à droite).

Lorsque SVM normalise les données, l'échantillon linéairement séparable doit satisfaire à l'équation. (5).

A ce moment, l'intervalle de classification est égal à 2/‖w‖, de sorte que l'intervalle maximum est équivalent au minimum ‖w‖2. La surface de classification qui satisfait la condition (7) et minimise la fonction objectif comme indiqué dans l'équation. (6). 2/‖w‖2 est appelée la surface de classification optimale.

Un plan avec la distance la plus éloignée du point sur la frontière au plan est trouvé par classification, et \(\varsigma\) d'une fonction de perte insensible lorsque la fonction de perte est introduite dans le SVR pour minimiser la distance de chaque point au la ligne de régression, qui est utilisée pour contrôler la distance entre les valeurs réelles et les valeurs limites, et la fonction de perte est utilisée pour déterminer si la valeur de \(w^{T} \Phi \left( {x_{i} } \right) \) est situé dans la plage de y \(\pm\) ε, alors la perte de calcul peut être ignorée38,39

Après la construction de trois modèles ML pour le contrôle et l'optimisation du processus de déshydratation du filtre-presse, nous menons l'expérience de déshydratation du filtre-presse en laboratoire. Les données recueillies à partir du système de déshydratation du laboratoire sont également utilisées pour explorer la méthode de construction du modèle de simulation du processus de déshydratation du filtre-presse.

Certains minerais de terres rares sont configurés avec une concentration de 30 % et une taille de particule de 0,02 à 0,07 mm, la procédure expérimentale est illustrée à la Fig. 7 et le filtre-presse micro-automatique auto-développé est utilisé comme équipement expérimental. Les paramètres de condition et de contrôle sont ajustés séparément pour effectuer le test de déshydratation du filtre-presse du matériau. Après chaque essai, le gâteau de filtration est tamisé et échantillonné, puis séché après broyage. La surface du gâteau de filtration et la masse de l'échantillon avant et après séchage sont calculées, et les données d'humidité et de capacité de traitement de chaque échantillon sont calculées tour à tour. Avant d'obtenir les données, nous modifierons et ajusterons les variables d'entrée en fonction de la situation réelle, afin que l'humidité du gâteau de filtration et la capacité de traitement répondent aux exigences réelles de l'industrie avant l'échantillonnage. Les plages de fluctuation normales des variables d'entrée, de l'humidité du gâteau de filtre de sortie et de la capacité de traitement de l'unité de surface sont indiquées dans le tableau 1.

Procédure d'expérimentation.

Au total, 163 ensembles de tests sont effectués et des données sont recueillies. Comme le montre la Fig. 8, afin d'analyser si les données acquises sont anormales, nous avons adopté la méthode d'analyse du diagramme en boîte et avons constaté que la valeur la plus raisonnable de l'humidité du gâteau de filtration se situe entre 12,1 et 14,5 %. Où MAX, MIN sont les valeurs limites d'humidité, M est la médiane de toutes les données de valeur d'humidité, Q1 est le premier quantile, Q3 est le tertile, W est la valeur des moustaches et O est les données anormales. On peut voir à partir de la boîte à moustaches qu'il existe trois ensembles de données en dehors de la boîte, qui peuvent être des données anormales, mais en considérant que l'un des ensembles de données correspond à la plage normale des variables de recherche présentées dans le tableau 1.

Analyse anormale des données.

À l'exception de 2 ensembles de données anormales, 100 ensembles des 161 ensembles de données restants sont utilisés comme échantillons d'apprentissage, et les 61 ensembles restants sont utilisés comme échantillons de test pour vérifier la précision de la simulation du modèle construit. La "concentration d'alimentation", le "temps d'alimentation", le "temps de pressage" et le "temps de séchage à l'air" sont pris comme entrée et "l'humidité du gâteau de filtration" et la "capacité de traitement par unité de surface" comme sortie dans l'OLS et le GRNN et Méthode SVR pour la construction de modèles de simulation. Le programme de modélisation et de simulation est conçu en langage MATLAB. Après avoir exécuté le programme, le diagramme de simulation et les résultats de précision du modèle et des échantillons de test sont obtenus.

Lorsqu'un modèle de régression est utilisé pour la prédiction, les indicateurs communs utilisés pour analyser et évaluer les erreurs et la précision du modèle, à savoir l'erreur quadratique moyenne (MSE), l'erreur absolue moyenne (RMAE) et l'erreur relative moyenne (MRE), sont inclus. L'EQM fait référence à la valeur attendue du carré de la différence entre la valeur estimée du paramètre et la valeur réelle du paramètre. Le MSE peut évaluer le degré de fluctuations des données. La précision du modèle de prédiction pour décrire les données expérimentales est meilleure lorsque la valeur de l'EQM est plus petite. Cependant, la moyenne est généralement utilisée. L'erreur absolue est la différence entre la valeur mesurée (une seule valeur mesurée ou la moyenne de plusieurs valeurs mesurées) et la vraie valeur, et l'erreur relative est le rapport de l'erreur absolue à la vraie valeur. En d'autres termes, la crédibilité de la mesure peut être mieux reflétée par le MRE. Les formules de calcul de ces indicateurs d'évaluation sont présentées dans les Eqs. (8)–(10).

où \(y_{i}\) est la vraie valeur, \(\hat{y}_{i}\) est la valeur estimée ou la valeur de simulation, et \(m\) est le nombre d'échantillons de test.

Le tableau 2 montre que la méthode SVR a le MRE le plus bas pour la simulation de l'humidité et de la capacité de traitement. En général, les erreurs de simulation sont relativement importantes. Nous considérons principalement la complexité et la difficulté de la collecte de données, ainsi que le petit nombre d'échantillons que nous avons temporairement obtenus. Ainsi, une grande erreur est générée dans l'ensemble de la simulation expérimentale, ce qui conduit inévitablement à des résultats de simulation peu fiables. Par conséquent, une fois l'exploration de la méthode de modélisation du processus de déshydratation du filtre-presse en laboratoire terminée, les données de production directement collectées auprès de l'industrie sont utilisées pour mener la recherche de modélisation et d'optimisation du processus de déshydratation du filtre-presse industriel.

Les résultats de la simulation expérimentale du modèle de contrôle du processus de déshydratation du filtre-presse en laboratoire montrent que la précision des résultats de simulation des trois modèles ML avec un petit échantillon de données expérimentales est trop faible. Considérant que les échantillons de données de simulation expérimentale sont moins nombreux et que le modèle de simulation de laboratoire utilise un dispositif de déshydratation de filtre-presse micro-automatique auto-développé, le modèle établi est très différent du modèle de contrôle de déshydratation de filtre-presse industriel, la précision globale de la simulation expérimentale est faible . Par conséquent, nous aimerions construire un meilleur modèle ML en ajoutant de manière appropriée des échantillons de données de production industrielle réelle. De cette façon, nous pouvons également obtenir de bons résultats dans le contrôle du processus de déshydratation des filtres-presses industriels, ce qui est notre objectif.

Les recherches sont menées en modélisant et en optimisant le système industriel de déshydratation par filtre-presse du concentré d'or par flottation de la mine d'or de Miaoling. Le filtre-presse automatique BPF est utilisé dans le système. Le système de déshydratation est illustré à la Fig. 9.

Système de déshydratation pour filtre-presse industriel.

Nous collectons des échantillons de données du concentré d'or de flottation de la mine d'or de Miaoling dans le Henan, en Chine, pendant 7 jours ouvrables et collectons 161 ensembles de données industrielles. La taille du concentré d'or utilisé est < 0,074 mm, ce qui représente 75 % du total, et la teneur est de 30 g/t (AU). Les 100 premiers ensembles de données sont utilisés comme échantillons d'apprentissage pour construire le modèle de simulation du processus de déshydratation du filtre-presse. Ensuite, les 61 derniers ensembles de données sont utilisés comme échantillons de test pour vérifier le résultat de la simulation du modèle construit.

Dans la modélisation et la simulation utilisant la méthode OLS et GRNN et SVR, nous prenons la "concentration d'alimentation", le "temps d'alimentation", le "temps de pressage" et le "temps de séchage à l'air" comme entrée et "l'humidité du gâteau de filtre" et "le traitement capacité par unité de surface" comme sortie. Le langage MATLAB est utilisé pour la programmation. Les valeurs MRE des trois méthodes pour la simulation des échantillons d'essai sont présentées dans le tableau 3.

Le tableau 3 montre que le modèle construit par la méthode SVR a la précision de simulation et les performances de généralisation les plus élevées. Les résultats de la simulation du modèle SVR sur l'échantillon d'essai sont présentés à la Fig. 10. La valeur a une bonne approximation de la valeur réelle des données industrielles. La précision de simulation du modèle SVR pour le processus de déshydratation du filtre-presse industriel est de 98,43 %, et la précision de simulation du processus de déshydratation du filtre-presse industriel est de 96,19 %. Par conséquent, la combinaison du modèle SVR et de la méthode d'optimisation basée sur les paramètres de contrôle du processus de déshydratation du filtre-presse est utilisée dans l'analyse suivante. Comme le montre l'éq. (11), la précision que nous appelons est relative au MRE.

Résultats de simulation d'échantillons d'essais industriels.

En raison du potentiel GIGO (garbage in, garbage out) des techniques ML, même le meilleur algorithme ne sera pas utile si la qualité des données est médiocre. Par conséquent, avant d'examiner la fiabilité du modèle, davantage de données doivent être obtenues pour effectuer de nouveaux tests. Nous réacquérons 30 ensembles de données du système de déshydratation du filtre-presse de la Fig. 9. Avant l'obtention de chaque gâteau de filtration, nous enregistrons les paramètres correspondants du système, tels que la concentration d'alimentation, le temps de séchage à l'air, le temps d'alimentation et le temps de pressage. . Nous utilisons ces paramètres comme nouvelles entrées, les importons dans le modèle industriel entraîné et obtenons la sortie prédite par le modèle : l'humidité (%) du gâteau de filtration et la capacité de traitement (kg/m2/h) unité de surface par heure.

Pour assurer la stabilité et la fiabilité des données, les 30 groupes de données sont répartis sur 15 jours, et seuls 2 groupes sont obtenus chaque jour. Nous criblons, échantillonnons et séchez à l'air le gâteau de filtration obtenu. La teneur en eau et la valeur de la capacité de traitement par unité de surface par heure du gâteau de filtration sont calculées et utilisées comme valeur réelle de la sortie. La valeur de sortie prédite par les nouvelles données est comparée à la valeur réelle de la sortie, comme le montre la Fig. 11. Les erreurs entre les valeurs de sortie prédites et réelles sont faibles, ce qui montre que les modèles et les tendances de prédiction des données que nous avons obtenus à partir de la formation de données précédente ont un accord considérable.

Résultats de la prédiction de nouvelles données.

La section "Méthode d'optimisation de la déshydratation du filtre-presse" présente la méthode d'optimisation du processus de déshydratation du filtre-presse et adopte la méthode d'optimisation basée sur les variables de contrôle. Dans le chapitre 3, nous introduisons des simulations en laboratoire de trois modèles ML. Dans la section "Résultats de la simulation industrielle de trois modèles ML", nous introduisons les trois modèles de machine dans la simulation d'expérience industrielle. Nous adoptons le modèle de simulation SVR comme modèle d'optimisation pour le contrôle final du processus de déshydratation du filtre-presse. Une fois le modèle construit, nous pouvons optimiser en conséquence les paramètres de contrôle du processus de déshydratation du filtre-presse industriel. Par conséquent, dans cette section, nous nous concentrons sur les résultats réels de la méthode d'optimisation basée sur le principe des variables contrôlées dans l'industrie. Le programme d'optimisation est conçu en langage MATLAB. Après avoir exécuté le programme, le tableau des paramètres de contrôle optimal de chaque condition et valeur prédite est obtenu.

Considérant que la valeur d'humidité et la capacité de traitement sont une paire d'indicateurs contradictoires, les deux indicateurs ne peuvent pas être optimaux en même temps. Nous contrôlons d'abord la valeur d'humidité attendue à 12 %, c'est-à-dire que la valeur d'humidité dans le processus de déshydratation du filtre-presse industriel doit être de 12 % ou moins pour être qualifiée. Ensuite, la valeur (12 % d'humidité) est contrôlée et contrainte dans la simulation du modèle expérimental industriel spécifique. Enfin, nous pouvons obtenir une autre valeur de sortie de simulation correspondante (capacité de traitement). Une fois la valeur de la capacité de traitement triée par ordre croissant, nous obtenons les quatre premières valeurs de capacité de traitement. Les données de groupe sont présentées dans le tableau 4. Nous constatons, grâce à la méthode d'optimisation basée sur les variables de contrôle, que le groupe de paramètres de contrôle optimal dans le processus de déshydratation du filtre-presse industriel est le groupe de données n ° 4.

Afin de vérifier la condition optimisée en comparant les résultats montrant le filtre fonctionnant sous le réglage précédent et avec le réglage optimisé, nous avons obtenu quatre ensembles de valeur d'humidité et de capacité de traitement du système de filtre-presse avant et après l'optimisation, comme illustré à la Fig. 12 et Tableau 5. L'optimisation de l'humidité et de la capacité de traitement a obtenu un meilleur effet d'optimisation que le réglage précédent de l'humidité et de la capacité de traitement, ce qui est suffisant pour prouver que cette méthode d'optimisation peut continuellement optimiser et améliorer l'indice de déshydratation.

Validation de la condition optimisée.

Une fois les résultats d'optimisation des paramètres de contrôle obtenus, les paramètres de contrôle optimaux peuvent être obtenus directement en fonction des paramètres de condition et des objectifs d'optimisation. Cette manière guide le réglage et l'ajustement des paramètres de contrôle du processus de déshydratation et réalise l'optimisation du processus. Simultanément, les résultats d'optimisation obtenus dans cette étude sont utilisés comme échantillons d'apprentissage, et un modèle de simulation SVR avec des paramètres optimisés est construit. Ce modèle peut être utilisé pour obtenir un contrôle d'optimisation adaptatif du processus de déshydratation du filtre-presse. La configuration du système est illustrée à la Fig. 13. Dans les applications industrielles réelles, nous avons d'abord défini l'indice attendu du processus de déshydratation du filtre-presse via l'ordinateur. Ensuite, nous collectons les paramètres des conditions de travail via l'ordinateur en temps réel pour obtenir l'indice de travail correspondant. Enfin, un ordinateur est utilisé pour comparer le degré d'écart entre le travail et les indicateurs attendus. Les différents paramètres du filtre-presse sont ajustés en temps réel jusqu'à ce qu'ils soient les plus proches de l'indice attendu. De cette manière, un contrôle adaptatif du processus de déshydratation du filtre-presse peut être réalisé.

Système de contrôle adaptatif du processus de déshydratation du filtre-presse.

La pratique industrielle a prouvé que la méthode d'optimisation proposée non seulement peut assurer la stabilité de la teneur en humidité du gâteau de filtration, mais peut également raccourcir le cycle de fonctionnement du filtre-presse à moins de 85 % de l'original. De cette manière, le temps de fonctionnement en une seule équipe du système de filtre-presse est réduit, la consommation d'énergie et les coûts de production sont ainsi réduits, et l'efficacité du fonctionnement du filtre-presse est améliorée.

Un grand nombre d'études d'optimisation des processus de déshydratation nous ont donné de nombreuses idées passionnantes et ont apporté certaines contributions aux pratiques de production industrielle. Dans cette étude, nous résumons les recherches existantes sur l'optimisation du processus de déshydratation et reconnaissons l'insuffisance d'intelligence dans le processus de déshydratation et l'effet d'optimisation limité. Par conséquent, un système de déshydratation par filtre-presse de laboratoire et un système de déshydratation par filtre-presse industriel ont été construits et plusieurs ensembles de données ont été collectés. Trois modèles d'apprentissage automatique de RBF-OLS, RBF-GRNN et SVR ont été construits, combinés à une méthode d'optimisation basée sur des variables de contrôle. Concrètement, les travaux suivants ont été réalisés :

Des expériences en laboratoire et des expériences industrielles ont fait. En laboratoire, un filtre-presse micro-automatique auto-développé pour l'échantillonnage des données est utilisé, dans l'industrie, les données sont obtenues directement à partir de l'équipement de déshydratation du filtre-presse à grande échelle du système de déshydratation industriel. On constate que les résultats de simulation du SVR en laboratoire sont relativement médiocres, mais le SVR montre d'excellentes performances dans les résultats de simulation industrielle.

Afin de vérifier davantage la fiabilité du modèle industriel de déshydratation du filtre-presse concentré, nous avons à nouveau obtenu les données correspondantes du système de déshydratation du filtre-presse industriel pour prédire les indicateurs. En comparant les indicateurs prédits par le modèle avec les indicateurs réels, on constate que le pourcentage d'erreur entre eux est considérable, la combinaison optimale des paramètres de contrôle du processus de déshydratation du filtre-presse industriel est obtenue avec succès en utilisant la méthode d'optimisation des paramètres de contrôle du processus de déshydratation du filtre-presse par les variables de contrôle. La pratique a prouvé que guider la production avec la combinaison de paramètres de contrôle optimale obtenue peut non seulement assurer la stabilité de l'indice de production du filtre-presse, mais peut également réduire la consommation d'énergie et améliorer considérablement l'efficacité des opérations du filtre-presse.

Afin de vérifier la rationalité de la méthode d'optimisation basée sur la méthode des variables de contrôle, sous le réglage précédent et avec le réglage optimisé, les indicateurs de l'humidité du gâteau de filtration et de la capacité de traitement de surface unitaire par heure dans le système de déshydratation du filtre-presse industriel sont respectivement comparés. Des expériences ont prouvé que grâce au modèle d'apprentissage automatique combiné à la méthode d'optimisation basée sur des variables de contrôle, l'optimisation continue du processus de déshydratation peut être obtenue, la capacité d'optimisation peut être garantie, les indicateurs de production peuvent être optimisés en continu, le processus de production peut être guidé, et la difficulté de l'ajustement continu des paramètres par les techniciens peut être atténuée, le prototype initial de l'intelligence est formé.

Townsend, I. Filtration automatique sous pression dans les mines et la métallurgie. Mineur. Ing. 16(2), 165–173. https://doi.org/10.1016/s0892-6875(02)00266-2 (2003).

Article CAS Google Scholar

Leifson, E. Un régulateur de pression automatique simple pour la filtration. Sciences 73 (1904), 707–709. https://doi.org/10.1126/science.73.1904.707 (1931).

Article ADS CAS PubMed Google Scholar

Wu, ZH et al. Déshydratation et séchage dans l'industrie de traitement des minerais : Potentiel d'innovation. Sec. Technol. Int. J. 28(7), 834–842. https://doi.org/10.1080/07373937.2010.490485 (2010).

Article CAS Google Scholar

Outotec. et coll. Filtre à pression Larox PF-DS dans des applications plus larges. Filtr. Septembre https://doi.org/10.1016/S0015-1882(20)30172-5 (2019).

Article Google Scholar

Jämsä-Jounela, S.-L. et coll. Système d'aide à l'opérateur pour le filtre à pression Larox. IFAC Proc. https://doi.org/10.1016/S1474-6670(17)37637-1 (2003).

Article Google Scholar

Liu, HZ & Wang, QF La recherche et le développement du filtre à pression à contrôle automatique BPF. Non ferreux Met. Mineur. Processus 6, 30–35 (2003).

Google Scholar

Kamizela, T. & Kowalczyk, M. Impact des substances de conditionnement et de la pression de filtration sur l'efficacité de la déshydratation des boues d'épuration. Énergies 14, 361 (2021).

Article CAS Google Scholar

Chaedir, BA et al. Progrès dans la déshydratation et le séchage dans le traitement des minerais. Sec. Technol. 39, 1–18 (2021).

Article Google Scholar

Tripathie, SK et al. Conception et analyse de circuits d'assèchement pour une boue de résidus d'usine de traitement de chromite. Mineur. Processus. Extra. Métall. Rév. 42(2), 102–114 (2021).

Article CAS Google Scholar

Rezaei, A., Abdollahi, H. & Gharabaghi, M. Études sur les effets des paramètres physiques du processus de filtration sur les caractéristiques d'écoulement du fluide et l'efficacité de déshydratation du concentré de cuivre. Int. J. Mining Geo-Eng. 55(2), 109–116 (2021).

Google Scholar

Aramaki, T. et al. Déshydratation des suspensions de microalgues par filtration sur gâteau avec des toiles filtrantes. J. Appl. Phycol. 33, 1–9 (2021).

Article Google Scholar

Ramadan, BS et al. Progrès récents sur l'électro-déshydratation sous pression (PED) des boues contaminées. Dans Electrokinetic Remediation for Environmental Security and Sustainability (eds Ribeiro, AB et al.) 629–652 (Wiley, 2021).

Chapitre Google Scholar

Shafaei, F. et al. Déshydratation mécano-électrique (EDW) des résidus miniers : Influence du niveau de tension sur la récupération d'eau et la réduction d'humidité. Mineur. Ing. 175, 107303 (2022).

Article CAS Google Scholar

Zhang, H. et al. Un modèle d'optimisation coordonnée en deux étapes pour un processus de déshydratation. Peut. J. Chem. Ing. 99(3), 742–754 (2021).

Article CAS Google Scholar

Eremeev, DN et al. Essais en usine de l'auxiliaire de filtration AS-43124M pour la déshydratation des boues du système d'épuration des gaz. Acier Trad. 51(6), 416–421 (2021).

Article Google Scholar

Burat, F. et al. Amélioration de la déshydratation du charbon fin par un prétraitement aux ultrasons et des aides à la déshydratation. Mineur. Processus. Extra. Métall. Rev. https://doi.org/10.1080/08827508.2014.898637 (2015).

Article Google Scholar

Besra, L. et al. Déshydratation assistée par des floculants et des tensioactifs des suspensions de particules fines : une revue. Mineur. Processus. Extra. Métall. Rév. https://doi.org/10.1080/08827509808914153 (1998).

Article Google Scholar

Mamghaderi, H. et al. Enquête sur les effets du prétraitement chimique sur la déshydratation des résidus de minerai de fer. Colloïdes Surf. Un Physicochem. Ing. Aspic. 625, 126855 (2021).

Article CAS Google Scholar

Patil, DP & Parekh, BK Séparation thermo-adhésive : une nouvelle technique d'enrichissement du charbon sec. Mines de métal. Explorateur. 39, 23. https://doi.org/10.1007/s42461-021-00519-3 (2022).

Article CAS Google Scholar

Bień, B. & Bień, JD Conditionnement des boues d'épuration avec des méthodes physiques, chimiques et doubles pour améliorer la déshydratation des boues d'épuration. Énergies 14(16), 5079 (2021).

Article Google Scholar

Usher, SP et al. Caractérisation de la déshydratation à partir des données des tests d'équilibre et de centrifugation transitoire. Chim. Ing. Sci. 93, 277. https://doi.org/10.1016/j.ces.2013.02.026 (2013).

Article CAS Google Scholar

Jämsä-Jounela, S.-L. et coll. Système d'aide à l'opérateur pour filtres sous pression. contrôle. Ing. pratique https://doi.org/10.1016/j.conengprac.2004.11.019 (2004).

Article Google Scholar

Bahner, FD et al. Analyse et modélisation d'une filtration sous pression industrielle à partir de données de procédé. IFACPapersOnLine. https://doi.org/10.1016/j.ifacol.2017.08.2152 (2017).

Article Google Scholar

Heertjes, PM & Haas, HV Études en filtration. Rec. Trav. Chim. 68, 361–383 (1949).

Article CAS Google Scholar

Li-xin, J. et al. Analyse de l'efficacité de la déshydratation par compression hydraulique et de la déshydratation par compression. Rencontré. Mine 10, 44–47 (2002).

Google Scholar

Carleton, AJ & Salway, AG Déshydratation des gâteaux. Filtr. 30 septembre 641–647 (1993).

Article CAS Google Scholar

Qisheng, D. & Weiyi, W. Nouvelle technologie de filtration pratique 120–126 (Presse de l'industrie métallurgique, 2000).

Google Scholar

Morari, M. & Lee, JH Modèle de contrôle prédictif : Passé, présent et futur. Calcul. Chim. Ing. 23(4–5), 667–682 (1999).

Article CAS Google Scholar

Bogojeski, M., Sauer, S., Horn, F. & Müller, K.-R. Prévoir les processus de vieillissement industriel avec des méthodes d'apprentissage automatique. Calcul. Chim. Ing. 144, 107123 (2021).

Article CAS Google Scholar

McCoy, JT & Auret, L. Applications d'apprentissage automatique dans le traitement des minéraux : une revue. Mineur. Ing. 132, 95. https://doi.org/10.1016/j.mineng.2018.12.004 (2019).

Article CAS Google Scholar

Xue, Y. et al. Une approche évolutive multi-objectifs basée sur le graphe dans le graphe pour la recherche d'architecture neuronale de réseaux de neurones convolutifs. Int. J. Neural Syst. https://doi.org/10.1142/S0129065721500350 (2021).

Article PubMed Google Scholar

Xue, Y. et al. Un algorithme de recherche d'architecture neuronale à mutation auto-adaptative basé sur des blocs. Calcul IEEE. Renseignement. Mag. 16(3), 67–78 (2021).

Article Google Scholar

Wang, L. et al. Prédiction du rayonnement GongSolar à l'aide de différentes techniques : évaluation et comparaison de modèles. Renouveler. Soutenir. Énergie Rev. 61, 384–397 (2016).

Article Google Scholar

Ghritlahre, HK & Prasad, RK Prédiction des performances exergétiques du réchauffeur d'air solaire à l'aide des modèles MLP, GRNN et RBF de la technique des réseaux de neurones artificiels. J. Environ. Gérer. 223, 566-575 (2018).

Article PubMed Google Scholar

Cortes, C. & Vapnik, V. Réseaux vectoriels de soutien. Mach. Apprendre. https://doi.org/10.1007/BF00994018VladimirN (1995).

Article MATH Google Scholar

Vapnik, V. La nature de la théorie de l'apprentissage statistique (Springer, 2000).

Réserver Google Scholar

Jia, CL, Wu, HS & Gong, DW Prévision de la demande de charbon basée sur un modèle de machine à vecteur de support. J. Université de Chine. Min. Technol. 36(1), 107-110 (2007).

Google Scholar

Li, E. et al. Développement d'un modèle hybride de machine vectorielle de support basée sur un algorithme d'essaim de salpes pour prédire la résistance du remblai en pâte cimentée renforcée de fibres. Ing. Calcul. 37(4), 3519–3540 (2021).

Article Google Scholar

Li, E. et al. Prédiction de la taille moyenne des fragments de dynamitage à l'aide de la régression du vecteur de support combinée à cinq algorithmes d'optimisation. J. Rock Mech. Géotechnique. Ing. 13(6), 1380–1397 (2021).

Article Google Scholar

Télécharger les références

L'auteur apprécie sincèrement les données et le soutien technique fournis par les entreprises et les chercheurs associés, et en particulier grâce au projet de fonds de Talent Project : Jiangxi Province "Double Thousand Plan" Innovative Talent Project (JXSQ2018101046).

Le financement a également été fourni par le projet de talents "Double Thousand" de la province du Jiangxi (jxsq2018101046).

Keshun vous

Adresse actuelle : School of Mechanical and Electrical Engineering, Jiangxi University of Science and Technology, Ganzhou, 341000, Chine

École de génie mécanique et électrique, Université des sciences et technologies du Jiangxi, Ganzhou, 341000, Chine

Huizhong Liu

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

KY et HL ont conçu l'idée présentée. KY a développé la théorie et effectué les calculs. HL et KY ont vérifié les méthodes analytiques. HL a encouragé KY à enquêter sur la situation actuelle du développement et les besoins de développement de la table vibrante d'enrichissement et a supervisé les résultats de ce travail. Tous les auteurs ont discuté des résultats et contribué au manuscrit final. HL a réalisé l'expérience. KY a écrit le manuscrit avec le soutien de HLKY, a modélisé les données de déshydratation industrielle et effectué une analyse des erreurs, a finalement sélectionné la régression vectorielle de support comme modèle de déshydratation du filtre-presse industriel. KY a développé le formalisme théorique. Les modèles d'apprentissage automatique de RBF-OLS, RBF-GRNN et de régression vectorielle de support (SVR) sont construits respectivement par KY Les deux auteurs ont contribué à la version finale du manuscrit. HL a supervisé le projet. HL a élaboré presque tous les détails techniques et effectué les calculs numériques pour l'expérience suggérée. HL a élaboré le développement et l'application du système de déshydratation automatique des filtres-presses et le développement et la promotion du filtre-presse automatique BPF, avec l'aide de KY Ils ont proposé une expérience de déshydratation des filtres-presses industriels et collecté des données de déshydratation des filtres-presses industriels. KY et HL ont contribué à la conception et à la mise en œuvre de la recherche, à l'analyse des résultats et à la rédaction du manuscrit. Ils travaillent ensemble pour développer un système de déshydratation de filtre-presse industriel plus pratique et optimisé.

Correspondance à Huizhong Liu.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Liu, H., You, K. Optimisation du processus de déshydratation du filtrage sous pression du concentré par régression du vecteur de support. Sci Rep 12, 7135 (2022). https://doi.org/10.1038/s41598-022-11259-9

Télécharger la citation

Reçu : 24 septembre 2021

Accepté : 04 avril 2022

Publié: 17 mai 2022

DOI : https://doi.org/10.1038/s41598-022-11259-9

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

Rapports scientifiques (2023)

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.