Development of a machine learning model for predicting liner wear in SAG mills
SAG değirmenlerde astar aşınmalarının tahmini için makine öğrenmesi modeli geliştirilmesi
- Tez No: 915343
- Danışmanlar: PROF. DR. FERİDUN BOYLU
- Tez Türü: Doktora
- Konular: Maden Mühendisliği ve Madencilik, Mining Engineering and Mining
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Cevher Hazırlama Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Cevher Hazırlama Mühendisliği Bilim Dalı
- Sayfa Sayısı: 109
Özet
Bu tez, Yarı Otojen Öğütme (SAG) değirmenlerindeki astar aşınmalarını incelemekte ve aşınma tahmininde kullanılmak üzere makine öğrenmesi modelleri geliştirmektedir. Madencilik endüstrisinde yaygın olarak kullanılan SAG değirmenleri, cevherin kendi iri parçaları ile çelik bilyaları öğütücü ortam olarak kullanmaktadır. Geleneksel devrelerde bulunan sekonder kırıcılar, çubuklu değirmenler ve bilyalı değirmenlerin yerini alan SAG değirmenleri, büyük ve değişken boyutlu besleme malzemesini işleyebilme ve diğer öğütme yöntemlerine göre nispeten düşük işletme maliyetlerine sahip olma avantajlarına sahiptir. Değirmen astarları, SAG değirmenlerinin işleyişinde kritik bir rol oynamaktadır. Astarlar, değirmen kabuğunu agresif öğütme ortamından korumak ve şarjı kaldırarak öğütme işlemini kolaylaştırmak üzere tasarlanmıştır. Değirmen astarlarının tasarımı yıllar içinde gelişmiş, farklı malzemeler ve profiller öğütme işlemini optimize etmek ve astar ömrünü uzatmak için kullanılmaya başlanmıştır. Ancak astarlar aşındıkça, şarjı kaldırma ve değirmeni koruma verimlilikleri azalmakta, bu da doğrudan değirmenin performansını etkilemektedir. Bu çalışmada, on farklı SAG değirmeninden elde edilen veriler kullanılarak kapsamlı bir araştırma gerçekleştirilmiştir. Araştırmanın temel hedefi, farklı ölçeklerdeki operasyonlara uygulanabilir genel bir astar aşınma tahmin modeli geliştirmektir. Bu amaçla, değirmen geometrisi, astar geometrisi ve saatlik işletme verilerini içeren geniş bir veri seti kullanılmıştır. Metodoloji üç ana aşamada geliştirilmiştir. İlk aşamada veri hazırlama ve ön işleme gerçekleştirilmiş, saatlik tesis bilgi verilerinin temizlenmesi ve analizi yapılmıştır. Astar ölçüm verilerinin standardizasyonu sağlanmış ve parçalı kübik hermit interpolasyonu kullanılarak astar ölçümleri saatlik verilere uyarlanmıştır. İkinci aşamada model geliştirme çalışmaları yürütülmüş, her değirmen için bireysel modeller oluşturulmuş ve test edilmiştir. Son aşamada ise teorik analiz çalışmaları gerçekleştirilmiş, Powell'ın Birinci Prensip Modeli'ne dayalı bir simülasyon aracı geliştirilmiştir. Veri analizi sonucunda, astar aşınma trendlerinin bir değirmenin farklı döngülerinde benzer paternler gösterdiği, ancak bazı uygulamalarda döngüler arası değişken aşınma hızları gözlemlendiği tespit edilmiştir. Özellikle kaldırıcı yüksekliği orijinal yüksekliğinin %40-50'sinin altına düştüğünde aşınma hızlarının arttığı belirlenmiştir. Bu değişkenlik ve doğrusal olmayan davranış, gürbüz tahmin modellerinin geliştirilmesinin önemini vurgulamaktadır. Bireysel model değerlendirmelerinde, en uzun astar döngüsü eğitim seti olarak kullanılmış, diğer döngüler test seti olarak ayrılmıştır. Basit doğrusal regresyon, gelecek dönem astar aşınmalarının tahmininde yeterli doğruluk gösterirken, birinci derece kinetik model gerçek değerlerden önemli sapmalar göstermiştir. Bu sonuç, aşınma paternlerinin sadece zamana bağlı olmadığını ve işletme koşullarının modele dahil edilmesi gerektiğini göstermiştir. Genel model geliştirme aşamasında, kümülatif tonaja dayalı tahminlerin farklı uygulamalar arasında önemli değişkenlik gösterdiği tespit edilmiştir. Temel Bileşen Analizi uygulanarak veri boyutu azaltılmış, ardından çeşitli makine öğrenmesi modelleri denenmiştir. Ağaç tabanlı yöntemler arasında XGBoost en başarılı sonuçları vermiş, kaldırıcı yüksekliği için %3.86, plaka kalınlığı için %6.68 Ortalama Mutlak Yüzde Hata değerlerine ulaşılmıştır. SHAP analizi, işletme koşullarının aşınma tahminlerinde baskın etkiye sahip olduğunu göstermiştir. Tasarım parametrelerinin etkileri ise daha karmaşık ve birbiriyle ilişkili bulunmuştur. Bu sonuç, özellikle değirmen doluluk metrikleri ve malzeme özellikleri konusunda daha kapsamlı veri toplama ihtiyacını ortaya koymuştur. Teorik analizler kapsamında, Powell'ın Birinci Prensip Modeli temel alınarak bir simülasyon aracı geliştirilmiştir. Bu araç, astar geometrisini temsil eden kaldırıcı yüksekliği ve yüz açısı parametrelerini kullanarak öğütücü ortamın yörüngesini hesaplamaktadır. Hipotetik bir 8 metre çapındaki SAG değirmeni üzerinde yapılan simülasyonlar, astar aşınmasının bilya yörüngesi üzerindeki etkilerini göstermiştir. Başlangıçta 200 mm yükseklik ve 24 derece yüz açısına sahip kaldırıcılar, 6 aylık süre içinde kademeli olarak aşınarak 70 mm yükseklik ve 40 derece yüz açısına ulaşmıştır. Bu değişim sonucunda bilyaların şarj ayak noktasından daha yüksek noktalara kaydığı gözlemlenmiş, bunun da çarpma enerjisinde azalmaya ve değirmeni döndürmek için kullanılan enerjinin bir kısmının israfına yol açtığı belirlenmiştir. Çalışmanın sonuçları, SAG değirmeni astar aşınmasının tahmin edilmesi için genel bir makine öğrenmesi modeli geliştirmenin mümkün olduğunu göstermiştir. Geliştirilen model, özellikle eğitim veri setindeki değirmenlere benzer özellikler gösteren değirmenler için yüksek tahmin başarısı göstermiştir. Ancak, astar malzeme kalitesi ve bilya sertliği gibi kritik parametrelerin veri setine dahil edilmemiş olması, modelin genelleştirme kabiliyetini sınırlamaktadır. Gelecek çalışmalarda veri setinin genişletilmesi ve değirmen doluluk oranı gibi ek işletme parametrelerinin modele dahil edilmesi önerilmektedir. Ayrıca, gerçek zamanlı astar aşınma ölçüm sistemlerinin geliştirilmesi ve hibrit modelleme yaklaşımlarının araştırılması, tahmin doğruluğunu artırabilir. Geliştirilen model ve simülasyon aracı, endüstriyel uygulamalarda astar bakım planlamasının optimizasyonu için kullanılabilir. Bu sayede, plansız duruşların azaltılması ve değirmen performansının artırılması mümkün olacaktır.
Özet (Çeviri)
This thesis investigates liner wear in Semi-Autogenous Grinding (SAG) mills and develops machine learning models for predicting wear patterns. The study leverages data from ten industrial SAG mills of varying sizes and configurations to create both individual and generic predictive models. The research begins by analyzing the current limitations in liner wear prediction methods and the economic implications of wear management. Traditional approaches based on direct tonnage measurements or simple regression models often fail to capture the complex relationships between operational parameters and wear patterns. Additionally, while Discrete Element Method (DEM) simulations provide valuable insights, they require significant computational resources and site-specific calibration. A comprehensive methodology was developed that combines operational data analysis with machine learning techniques. The study utilized hourly plant information data including throughput, mill speed, feed percent solids, and power draw, alongside periodic liner measurements from mill inspections. Various machine learning models were evaluated, including Multiple Linear Regression (MLR), Decision Trees, Random Forests, XGBoost, and Multilayer Perceptron (MLP). To understand the theoretical foundations of liner wear, a simulation tool was developed based on Powell's First Principle Model and Morrell's C-Model. This tool enables visualization of charge motion and ball trajectory changes as liners wear, providing insights into the mechanical aspects of the wear process. The results demonstrate that XGBoost outperformed other methods in developing a generic prediction model, achieving Mean Absolute Percentage Error (MAPE) values as low as 3.86% for lifter height and 6.68% for plate thickness predictions under optimal conditions. The model's performance varied based on mill specifications, performing better when predicting wear patterns for mills similar to those in the training dataset. SHAP (SHapley Additive exPlanations) analysis revealed that operational conditions predominantly influence wear predictions, while design parameters showed more complex, interrelated effects. This finding suggests the need for more comprehensive data collection, particularly regarding mill filling metrics and material properties. This research contributes to the field by demonstrating the feasibility of developing generic machine learning models for SAG mill liner wear prediction, while also highlighting the current limitations and areas for future improvement. The developed models and insights can help optimize liner maintenance schedules and mill performance across various operational contexts.
Benzer Tezler
- Esnek üstyapılarda makine öğrenmesi yöntemleri ile pürüzlülük tahmini
Roughness estimation in flexible pavements using machine learning methods
HÜSEYİN ÇUHA
Yüksek Lisans
Türkçe
2025
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULLAH HİLMİ LAV
- Makine öğrenmesi yöntemleri ile hibrit ve kompozit ZA-27 alaşımlarının aşınma davranışlarının karşılaştırmalı analizi
Comparative analysis of wear behavior of hybrid and composite ZA-27 alloys using machine learning methods
SENA NUR ADIYAMAN
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜLTEKİN ÇAĞIL
- Veri güdümlü dijital ikiz modeli ile freze takım tezgahı takım aşınma tahminlemesi ve kesme parametreleri optimizasyonu
Prediction of tool wear and cutting parameter optimization of milling machine tool with data-driven digital twin model
GİZEM BURUN
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- Test verilerine dayalı, makine öğrenmesi ve derin öğrenme yöntemleri ile batarya sağlık durumu tahmini
Battery state of health estimation based on test data using machine learning and deep learning methods
MEHMET ALİ ARSLANTAŞ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. FİKRET ÇALIŞKAN
- Rüzgar türbinlerinde kestirimci bakım stratejisi için arıza modları ve etkilerinin analizi
Analysis of failure modes and effects for predictive maintenance strategy in wind turbines
MERT ÖZHAN
Yüksek Lisans
Türkçe
2024
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
PROF. DR. ÖNDER GÜLER