ARTIFICIAL INTELLIGENCE AND DECISION MAKINGARTIFICIAL INTELLIGENCE AND DECISION MAKINGИскусственный интеллект и принятие решений2071-859426975310.14357/20718594230409MJTSYBDecision Support SystemsСистемы поддержки принятия решенийResearch ArticleIntelligent System for Assessing the Quality of OreИнтеллектуальная система оценки качества рудыIvashchukOrest D.ИващукОрест Дмитриевич
Russian Federation

Candidate of Technical Sciences, Associate Professor

кандидат технических наук, доцент

ivaschuk_o@bsu.edu.ruNesterovaElena V.НестероваЕлена Викторовна
Russian Federation

Candidate of Technical Sciences, Associate Professor

кандидат технических наук, доцент

nesterova@bsu.edu.ruIgrunovaSvetlana V.ИгруноваСветлана Васильевна
Russian Federation

Candidate of Sociological Sciences, Associate Professor

кандидат социологических наук, доцент

igrunova@bsu.edu.ruIvashchukOleg O.ИващукОлег Орестович
Kazakhstan

Candidate of Physical and Mathematical Sciences, Associate Professor

кандидат физико-математических наук, доцент

ivaschuk@bsu.edu.ruFedorovVyacheslav I.ФедоровВячеслав Игоревич
Russian Federation

Candidate of Technical Sciences, Associate Professor

кандидат технических наук, доцент

fedorov_v@bsu.edu.ruRodionovAlexey Yu.РодионовАлексей Юрьевич
Russian Federation

Graduate Student

аспирант

1410495@bsu.edu.ruBelgorod National Research UniversityБелгородский государственный национальный исследовательский университетCaspian University of Technology and Engineering named after Sh.YessenovКаспийский университет технологий и инжиниринга им. Ш. Есенова151220234941021211202412112024Copyright ©; 2023, ФИЦ ИУ РАНCopyright ©; 2023,2023ФИЦ ИУ РАНhttps://journals.rcsi.science/2071-8594/article/view/269753

The paper proposes an integrated approach to the selection of technological solutions for ore preparation, which allows combining intellectual and quantitative methods to justify decisions on the management of mining and mineral processing. The intelligent system includes a database for making optimal decisions, models based on neural networks and classical mathematical methods, technical means, technological operations and organizational techniques that allow for ore quality management measures. A new approach to the classification of fragments of ore fractions is proposed, based on a neural network that has the functionality of finding ore mineral grains in an image with a subsequent assessment of the degree of its disclosure, which made it possible to increase the efficiency of image recognition of ore sections by at least 5% compared to the analytical method of ore analysis.

В работе предложен комплексный подход к выбору технологических решений по рудоподготовке, позволяющий объединить интеллектуальные и количественные методы для обоснования решений по управлению добычей и обогащением полезных ископаемых. Интеллектуальная система включает в себя базу данных для принятия оптимальных решений, модели, основанные на нейронных сетях и классических математических методах, технических средствах, технологических операций и организационных приемов, позволяющих осуществить мероприятия по управлению качеством руд. Предложен новый подход к классификации фрагментов фракций руды, на основе нейронной сети, имеющей функционал нахождения зерен минералов руды на изображении с последующей оценкой степени ее раскрытия, что позволило увеличить эффективность распознавания изображений срезов руды не менее чем на 5% по сравнению с аналитическим способом анализа руды.

integrated approachore beneficiationintelligent systemneural networkкомплексный подходобогащение рудыинтеллектуальная системанейронная сетьZakondyrin A.E. Nailuchshie dostupnye tekhnologii v gornodobyvayushchem sektore: aktual'nye problemy i puti ih resheniya [Best Available Techniques in mining Mining informational and analytical bulletin industry: topical issues and solution methods] // Gornyj informacionno-analiticheskij byulleten' [MIAB. Mining Inf. Anal. Bull.]. 2020 (6-1):55-64.Закондырин А. Е. Наилучшие доступные технологии в горнодобывающем секторе: актуальные проблемы и пути их решения // Горный информационно-аналитический бюллетень. 2020. C. 55-64.Kondratiev V.B. Gornaya promyshlennost', innovacii i ekonomicheskij rost: opyt razvivayushchihsya stran [Mining, innovation and economic growth: the experience of developing countries]// Gornaya promyshlennost' [Russian Mining Industry]. 2020. No 3. P. 98-104.Кондратьев В.Б. Горная промышленность, инновации и экономический рост: опыт развивающихся стран // Горная промышленность. 2020. № 3. С. 98-104.Vorobyov N.D. Uravnenie kinetiki izmel'cheniya po udel'noj poverhnosti [The equation of the kinetics of grinding by specific surface]. Vestnik BGTU imeni V. G. Shuhova [Bulletin of BSTU named after V.G. Shukhov]. 2013. No 1. P. 49-53.Воробьев Н. Д. Уравнение кинетики измельчения по удельной поверхности // Вестник БГТУ имени В. Г. Шухова. 2013. №1.URL: https://cyberleninka.ru/article/n/uravnenie-kinetiki-izmelcheniya-po-udelnoy-poverhnosti (дата обращения: 19.10.2023).Chanturia E.L., Gzogyan S.R., Ryazantseva M.V., Tomskaya E.S., Vishkova A.A., Novikova N.G., A.N. Krasnov. Sovremennoe sostoyanie i sposoby povysheniya effektivnosti obogashcheniya zhelezistyh kvarcitov [Current state and methods of increasing the efficiency of enrichment of ferruginous quartzites] // Gornyj informacionno-analiticheskij byulleten' [Mining informational and analytical bulletin (scientific and technical journal). Selected articles (special issue)]. 2012. No 12. 48 P.Чантурия Е.Л., Гзогян С.Р., Рязанцева М.В., Томская Е.С., Вишкова А.А., Новикова Н.Г., Краснов А.Н. Современное состояние и способы повышения эффективности обогащения железистых кварцитов // Горный информационно-аналитический бюллетень. 2012. № 12. 48 с.Ivashchuk O.D., Igrunova S.V., Nesterova E.V., SHtana A.I., Dunaeva V.A. Mnogokomponentnyj podhod k ocenke effektivnosti valkovyh mel'nic obogatitel'nyh fabrik [Multicomponent approach to assessing the efficiency of roller mills of concentrators] // Informacionnye tekhnologii v nauke, obrazovanii i proizvodstve (ITNOP-2023): sbornik trudov IX Mezhdunarodnoj nauchno-tekhnicheskoj konferencii [Information Technologies in Science, Education and Production: Collection of Works of the IX International Conference on Science and Technology]. Belgorod: Belgorod State National Research University. 2023. P. 164-170.Иващук О. Д., Игрунова С. В., Нестерова Е. В., Штана А. И., Дунаева В. А. Многокомпонентный подход к оценке эффективности валковых мельниц обогатительных фабрик // Информационные технологии в науке, образовании и производстве (ИТНОП-2023). 2023. Белгород: НИУ «БелГУ». С.164-170.Ivashchuk O.D., Ivashchuk O.A., Fedorov V.I., Shtana A.I., Rodionov A.U. Formation of a complex method for analyzing multidimensional production data of a processing plant // Economic Annals-XXI. 2021. No 194 (11-12). P. 36-48.Ivashchuk O.D., Ivashchuk O.A., Fedorov V.I., Shtana A.I, Rodionov A.U. Formation of a complex method for analyzing multidimensional pro-duction data of a processing plant // Economic Annals-XXI. 2021. 194 (11-12). P. 36-48.Shnayder D.A., Kalinina E.A. Povyshenie proizvoditel'nosti drobil'no-obogatitel'noj fabriki na osnove optimizacionnoj modeli [Productivity Increasing of the Crushing and Beneficiation Plant Based on the Optimization Model] // Bulletin of the South Ural State University. Ser. Computer Technologies, Automatic Control, Radio Electronics. 2019. V. 19. No 3. P. 156–164. Available at: https://core.ac.uk/download/pdf/480670796.pdf. (accessed October 25, 2023).Шнайдер Д.А., Калинина Е.А. Повышение производительности дробильно-обогатительной фабрики на основе оптимизационной модели // Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиоэлектроника». 2019. Т. 19. № 3. С. 156–164. URL: https://core.ac.uk/download/pdf/480670796.pdf (дата обращения: 25.10.2023).Salikhov Z.G., Topchaev V.P., Toporov V.I., Akselrod V.Yu., Demin A.V., Salikhov M.Z. Intellektual'naya sistema avtomaticheskogo monitoringa kachestva i kolichestva potoka rudy v processah podgotovki k obogashcheniyu [Intelligent system for automatic monitoring of quality and quantity of ore flow in process of preparation for concentration]. Patent RF No. 2014139902/03. 2016. Available at: https://patents.google.com/patent/RU2605861C2/ru (accessed October 25, 2023).Салихов З.Г., Топчаев В.П., Топоров В.И., Аксельрод В.Ю., Демин А.В., Салихов М.З. Интеллектуальная система автоматического мониторинга качества и количества потока руды в процессах подготовки к обогащению: пат. 2605861С2 Рос. Федерация. № 2014139902/03; опубл. 27.12.2016. Бюл. № 12. 14 с.Arsentyev V.A., Bilenko L.F., Panarin S.N., Pyzhik T.F. Upravlenie frakcionnym sostavom droblenogo shchebnya obogashchenie rud [Crushed stone fractional size analysis control] Obogashchenie rud [Ore and Metals]. 2010. No 5. P. 3-6.URL: https://patents.google.com/patent/RU2605861C2/ru (дата обращения: 25.10.2023).Malyarov P.V. Intensifikaciya processov izmel'cheniya v usloviyah Talnahskoj obogatitel'noj fabriki (TOF) [Intensification of grinding processes in the conditions of the Talnakh enrichment plant (TOF)] // Obogashchenie Rud [Ore and Metals]. 2008. No 6. P. 6-10.Арсентьев В.А., Биленко Л.Ф., Панарин С.Н., Пыжик Т.Ф. Управление фракционным составом дробленого щебня обогащение руд // Руда и металлы. Москва, 2010. № 5. С. 3-6.Pelevin A.E. Iron ore beneficiation technologies in Russia and ways to improve their efficiency. Journal of Mining Institute. 2022. V. 256. P. 579-592.Маляров П.В. Интенсификация процессов измельчения в условиях Талнахской обогатительной фабрики (ТОФ)Rylnikova M.V., Klebanov D.A., Makeev M.A., Kadochnikov// Обогащение руд. 2008. № 6. С. 6-10.M.V. Primenenie iskusstvennogo intellekta i perspektivy razvitiya analiticheskih sistem bol'shih dannyh v gornoj promyshlennosti [Conditions and principles for sustainable development of mining companies during a period of higher risks and global challenges] // Gornaya promyshlennost' [Russian Mining Industry]. 2022. No 3. P. 69–73.Pelevin A.E. Iron ore beneficiation technologies in Russia and ways to improve their efficiency // Journal of Mining Institute. 2022. V. 256. P. 579-592.Wentong W., Han L., Lingling L., Yilin L., Xiaodong W., Zhuohua W., Jinglun L., Yi C. Application of local fully Convolutional Neural Network combined with YOLO v5 algorithm in small target detection of remote sensing image. PloS ONE. 2021. No 16. P. 10. Available at: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0259283 (accessed October 25, 2023).Рыльникова М.В., Клебанов Д.А., Макеев М.А., Кадочников М. В. Применение искусственного интеллекта и перспективы развития аналитических систем больших данных в горной промышленности // Горная промышленность. 2022. № 3. С. 89–92.Guo Н. Big Earth data: A new frontier in Earth and information sciences. Big Earth Data. 2017. V. 1. No 1-2. P. 4- 20. Available at: https://www.tandfonline.com/doi/full/10.1080/20964471.2 017.1403062 (accessed October 25, 2023).Wentong W., Han L., Lingling L., Yilin L., Xiaodong W., Zhuohua L., Jinglun W., and Yi C. Application of local fully Convolutional Neural Network combined with YOLO v5 algorithm in small target detection of remote sensing image // PloS ONE. 16(10). URL: https:// https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0259283 (дата обращения 25.10.2023).Kuznetsov V.V., Chizhova I.A. Opyt razrabotki i primeneniya intellektual'no-graficheskih komp'yuternyh sistem [Experience in developing and using intelligent graphical computer systems]. // Rudy i metally [Ores and metals]. 2021. No 1. Available at: https://cyberleninka.ru/article/n/opyt-razrabotki-iprimeneniya-intellektualno-graficheskih-kompyuternyh-sistem (accessed October 25, 2023).Guo Н. Big Earth data: A new frontier in Earth and information sci-ences, Big Earth Data. 2017. V. 1. No 1-2. P. 4-20. URL: https://www.tandfonline.com/doi/full/10.1080/20964471.2 017.1403062 (дата обращения 25.10.2023).Silkina G.Yu., Shevchenko S.Yu., eds. Iskusstvennyj intellekt v modelyah funkcionirovaniya i innovacionnogo razvitiya promyshlennyh predpriyatij [Artificial intelligence in models of functioning and innovative development of industrial enterprises] // Strategicheskoe upravlenie razvitiem cifrovoj ekonomiki na osnove umnyh tekhnologij [Strategic management of digital economy development based on smart technologies]. SPb: Politekh-Press, 2021. P. 459-501.Кузнецов В.В., Чижова И.А. Опыт разработки и применения интеллектуально-графических компьютерных систем // Руды и металлы. 2021. № 1. URL: https://cyberleninka.ru/article/n/opyt-razrabotki-iprimeneniya-intellektualno-graficheskih-kompyuternyhsistem (дата обращения: 25.10.2023).Tuz A.A., Bogatikov V.N. Postroenie modeli processa izmel'cheniya v agregate nepreryvnogo dejstviya s zamknutym ciklom OAO «Kovdorskij GOK» s primeneniem nejrosetevyh modelej [Construction of a model of the grinding process in a continuous unit with a closed cycle of JSC "Kovdorsky GOK" using neural network models] // Trudy Kol'skogo nauchnogo centra RAN [Kola Scientific Center of the Russian Academy of Sciences]. 2013. No 5 (18). P. 189-198.Силкина Г.Ю., Шевченко С.Ю. Искусственный интеллект в моделях функционирования и инновационного развития промышленных предприятий // Стратегическое управление развитием цифровой экономики на основе умных технологий. СПб: ПолитехПресс. 2021. С. 459-501.Zhigalov A.A., Ivashchuk O.A., Ivashchuk O.O., Zhumadilova M.B. Podhody k biometricheskoj detekcii sel'skohozyajstvennyh zhivotnyh na osnove nejrosetevogo apparata [Approaches to biometric detection of farm animals based on neural network apparatus]. Informacionnye tekhnologii v nauke, obrazovanii i proizvodstve (ITNOP2023) // sbornik trudov IX Mezhdunarodnoj nauchnotekhnicheskoj konferencii [Information Technologies in Science, Education and Production: Collection of Works of the IX International Conference on Science and Technology]. Belgorod: Belgorod State National Research University. 2023. P. 153-156.Туз А.А., Богатиков В.Н. Построение модели процесса измельчения в агрегате непрерывного действия с замкнутым циклом ОАО «Ковдорский ГОК» с применением нейросетевых моделей // Труды Кольского научного центра РАН. 2013. № 5 (18). С. 189-198.Abramov N.S., Makarov D.A., Talalaev A.A., Fralenko V.P. Sovremennye metody intellektual'noj obrabotki dannyh DZZ [Modern methods for intelligent processing of Earth remote sensing data] // Programmnye sistemy: teoriya i prilozheniya [Program Systems: Theory and Applications (Design)]. 2018. V. 9. No 4 (39). P. 417-442.Жигалов А.А., Иващук О.А., Иващук О.О., Мереке Б.Ж. Подходы к биометрической детекции сельскохозяйственных животных на основе нейросетевого аппарата // Информационные технологии в науке, образовании и производстве (ИТНОП-2023). Белгород: НИУ «БелГУ». С. 153-56.Bashlykova T.V., Pakhomova G.A., Lagov B.S. Tekhnologicheskie aspekty racional'nogo nedropol'zovaniya: rol' tekhnologicheskoj ocenki v razvitii i upravlenii mineral'nosyr'evoj bazoj strany [Technological aspects of rational subsoil use: the role of technological assessment in the development and management of the country's mineral resource base]. 2005. M.: MISIS. 576 p.Абрамов Н.С., Макаров Д.А., Талалаев А.А., Фраленко В.П. Современные методы интеллектуальной обработки данных ДЗЗ // Программные системы: теория и приложения. 2018. 4 (39). С. 417-442.Ozhogina E.G., Kotova O.B., Chanturia E.L. Rol' tekhnologicheskoj mineralogii v prognoznoj ocenke kachestva mineral'nogo syr'ya i ego glubokoj i kompleksnoj pererabotke [The role of technological mineralogy in predictive assessment of the quality of mineral raw materials and its deep and complex processing]// Gornyi Zhurnal [Mining Magazine]. 2007. No 2. P. 15-22.Технологические аспекты рационального недропользования: роль технологической оценки в развитии и управлении минерально-сырьевой базой страны / Т.В. Башлыкова, Г.А. Пахомова, Б.С. Лагов и др.; под науч. ред. Ю.С. Карабасова. М.: МИСИС, 2005. 576 с.Petrosov D.A., Lomazov V.A., Petrosova N.V. Model of an artificial neural network for solving the problem of controlling a genetic algorithm using the mathematical apparatus of the theory of petri nets // Applied Sciences (Switzerland). 2021. V. 11. No 9. Available at: https://www.researchgate.net/publication/368002387_Model_of_an_Artificial_Neural_Network_for_Solving_the_Problem_of_Controlling_a_Genetic_Algorithm_Using_the_Mathematical_Apparatus_of_the_Theory_of_Petri_Nets (accessed October 25, 2023).Ожогина Е.Г., Котова О.Б., Чантурия Е.Л. Роль технологической минералогии в прогнозной оценке качества минерального сырья и его глубокой и комплексной переработке // Горный журнал. 2007. № 2. С. 15-22.Petrosov D.A., Lomazov V.A., Petrosova N.V. Model of an artificial neural network for solving the problem of controlling a genetic algorithm using the mathematical apparatus of the theory of petri nets // Applied Sciences (Switzerland). 2021. V. 11, No 9. URL: https://www.researchgate.net/publication/368002387_Model_of_an_Artificial_Neural_Network_for_Solving_the_Problem_of_Controlling_a_Genetic_Algorithm_Using_the_Mathematical_Apparatus_of_the_Theory_of_Petri_Nets (дата обращения 25.10.2023).