ਖਣਿਜ ਪ੍ਰੋਸੈਸਿੰਗ, ਲਾਭਕਾਰੀ ਅਤੇ ਪ੍ਰਕਿਰਿਆ ਅਨੁਕੂਲਨ

ਲਾਭ:

• ਏਆਈ ਦੇ ਨਾਲ ਪ੍ਰੋਸੈਸ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਦੀ ਯੋਗਤਾ ਜਿਵੇਂ ਕਿ ਕੁਚਲਣ-ਪੀਸਣ, ਫਲੋਟੇਸ਼ਨ ਅਤੇ ਲੀਚਿੰਗ।
• AI ਸਮਰਥਨ ਨਾਲ ਰਿਕਵਰੀ, ਗ੍ਰੇਡ-ਯੀਲਡ ਕਰਵ ਅਤੇ ਰੀਐਜੈਂਟ ਖਪਤ ਵਿਚਕਾਰ ਸੰਤੁਲਨ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਮੈਟਲਰਜੀਕਲ ਟੈਸਟਿੰਗ, ਪੁੰਜ ਸੰਤੁਲਨ, ਅਤੇ ਪ੍ਰਕਿਰਿਆ ਇੰਜੀਨੀਅਰ ਨਿਰਣੇ ਦੁਆਰਾ AI ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਪ੍ਰਕਿਰਿਆ ਸੈਟਿੰਗ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਸਮਰੱਥਾ

ਖਾਣ ਤੋਂ ਧਾਤੂ ਵਿਕਣਯੋਗ ਉਤਪਾਦ ਬਣਨ ਲਈ ਇੱਕ ਪ੍ਰੋਸੈਸਿੰਗ ਪਲਾਂਟ ਵਿੱਚੋਂ ਲੰਘਦਾ ਹੈ: ਕੁਚਲਣਾ, ਪੀਸਣਾ (ਧਾਤੂ ਨੂੰ ਪਾਊਡਰ ਵਿੱਚ ਬਦਲਣਾ), ਵਰਗੀਕਰਨ, ਅਤੇ ਫਿਰ ਲਾਭਕਾਰੀ (ਅਸਲ ਪ੍ਰਕਿਰਿਆ ਜੋ ਧਾਤ ਨੂੰ ਮੁੜ ਪ੍ਰਾਪਤ ਕਰਦੀ ਹੈ; ਜਿਵੇਂ ਕਿ ਫਲੋਟੇਸ਼ਨ, ਲੀਚਿੰਗ, ਗ੍ਰੈਵਿਟੀ, ਅਤੇ ਚੁੰਬਕੀ ਵਿਭਾਜਨ)। ਇਹ ਸਹੂਲਤ ਖਾਣ ਦਾ ਉਹ ਹਿੱਸਾ ਹੈ ਜੋ ਸਭ ਤੋਂ ਵੱਧ ਊਰਜਾ ਦੀ ਖਪਤ ਕਰਦੀ ਹੈ ਅਤੇ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਕੁਸ਼ਲਤਾ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੀ ਹੈ (ਰਿਕਵਰੀ: ਧਾਤੂ ਵਿੱਚ ਕਿੰਨੀ ਧਾਤ ਉਤਪਾਦ ਵਿੱਚ ਜਾਂਦੀ ਹੈ)। ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਇੱਕ ਛੋਟਾ ਜਿਹਾ ਵਾਧਾ ਸਾਲਾਨਾ ਆਮਦਨ ਵਿੱਚ ਇੱਕ ਵੱਡਾ ਫਰਕ ਲਿਆਉਂਦਾ ਹੈ; ਇੱਕ ਛੋਟੀ ਪੀਸਣ ਦੇ ਆਕਾਰ ਦੀ ਗਲਤੀ ਜਾਂ ਤਾਂ ਧਾਤ ਨੂੰ ਲੀਕ ਕਰਦੀ ਹੈ ਜਾਂ ਊਰਜਾ ਦੀ ਬਰਬਾਦੀ ਕਰਦੀ ਹੈ। ਪ੍ਰੋਸੈਸ ਪਲਾਂਟ ਸੈਕਿੰਡ ਦੇ ਹਿਸਾਬ ਨਾਲ ਡਾਟਾ ਤਿਆਰ ਕਰਦਾ ਹੈ: ਫੀਡ ਗ੍ਰੇਡ, ਆਕਾਰ ਦੀ ਵੰਡ, ਰੀਐਜੈਂਟ ਖੁਰਾਕ, ਮਿੱਝ ਦੀ ਘਣਤਾ, pH, ਤਾਪਮਾਨ। AI ਇਸ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ, ਸਬੰਧ ਬਣਾਉਣ ਅਤੇ ਰਿਪੋਰਟ ਕਰਨ ਵਿੱਚ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ; ਪਰ ਪ੍ਰਕਿਰਿਆ ਟਿਊਨਿੰਗ ਫੈਸਲੇ ਧਾਤੂ ਜਾਂਚ, ਪੁੰਜ ਸੰਤੁਲਨ, ਅਤੇ ਪ੍ਰਕਿਰਿਆ ਇੰਜੀਨੀਅਰ ਦੇ ਨਿਰਣੇ ਦੁਆਰਾ ਕੀਤੇ ਜਾਂਦੇ ਹਨ।

ਸੰਸ਼ੋਧਨ ਦੇ ਬੁਨਿਆਦੀ ਕਦਮ

• ਪਿੜਾਈ-ਪੀਸਣਾ (ਕਮੀਨਿਊਸ਼ਨ): ਧਾਤੂ ਨੂੰ ਅਨਾਜ ਦੇ ਆਕਾਰ ਤੱਕ ਘਟਾਉਣਾ ਜਿਸ ਤੋਂ ਧਾਤ ਨੂੰ ਬਰਾਮਦ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਜ਼ਿਆਦਾਤਰ ਊਰਜਾ ਇੱਥੇ ਖਰਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ; ਟੀਚਾ ਆਕਾਰ ਮੁਕਤੀ ਦੀ ਡਿਗਰੀ (ਗੈਂਗੂ ਖਣਿਜ ਤੋਂ ਧਾਤ ਦੇ ਅਨਾਜ ਨੂੰ ਵੱਖ ਕਰਨਾ) 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ।
• ਫਲੋਟੇਸ਼ਨ: ਪਾਣੀ-ਖਣਿਜ-ਹਵਾ ਵਾਤਾਵਰਨ ਵਿੱਚ ਰੀਐਜੈਂਟਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਫੋਮ ਤੋਂ ਲੋੜੀਂਦੇ ਖਣਿਜ ਨੂੰ ਵੱਖ ਕਰਨਾ। pH, ਰੀਐਜੈਂਟ ਦੀ ਖੁਰਾਕ ਅਤੇ ਹਵਾ ਦੇ ਵਹਾਅ ਦੀ ਦਰ ਮਹੱਤਵਪੂਰਨ ਹਨ।
• ਲੀਚਿੰਗ: ਇੱਕ ਰਸਾਇਣਕ ਘੋਲ (ਜਿਵੇਂ ਸਾਇਨਾਈਡ, ਐਸਿਡ) ਨਾਲ ਧਾਤ ਨੂੰ ਘੁਲਣਾ ਅਤੇ ਇਸਨੂੰ ਮੁੜ ਪ੍ਰਾਪਤ ਕਰਨਾ। ਰੀਐਜੈਂਟ ਦੀ ਖਪਤ, ਸਮਾਂ ਅਤੇ ਕਣਾਂ ਦਾ ਆਕਾਰ ਨਿਰਣਾਇਕ ਹੈ।
• ਗਰੈਵਿਟੀ/ਚੁੰਬਕੀ ਵਿਭਾਜਨ: ਘਣਤਾ ਜਾਂ ਚੁੰਬਕੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਿੱਚ ਅੰਤਰ ਦੁਆਰਾ ਵੱਖ ਹੋਣਾ।

ਹਰ ਪੜਾਅ 'ਤੇ ਦੋ ਮੁੱਖ ਮਾਪਦੰਡ ਹਨ: ਉਪਜ (ਰਿਕਵਰੀ) ਅਤੇ ਧਿਆਨ ਗ੍ਰੇਡ (ਗ੍ਰੇਡ)। ਆਮ ਤੌਰ 'ਤੇ ਦੋਵੇਂ ਉਲਟ ਸੰਤੁਲਨ ਵਿੱਚ ਹੁੰਦੇ ਹਨ: ਜੇਕਰ ਤੁਸੀਂ ਉੱਚ ਦਰਜੇ ਦਾ ਧਿਆਨ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਉਪਜ ਘੱਟ ਜਾਂਦੀ ਹੈ। AI ਇਸ ਗ੍ਰੇਡ-ਯੀਲਡ ਬੈਲੇਂਸ ਦੀ ਵਿਆਖਿਆ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਤੁਹਾਡੇ ਡੇਟਾ ਤੋਂ ਦਿਖਾ ਸਕਦਾ ਹੈ; ਪਰ ਅਸਲ ਓਪਰੇਟਿੰਗ ਮੁੱਲਾਂ ਨੂੰ ਮੈਟਲਰਜੀਕਲ ਟੈਸਟਿੰਗ ਅਤੇ ਪੁੰਜ ਸੰਤੁਲਨ ਦੁਆਰਾ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।

ਕਦਮ ਦਰ ਕਦਮ: ਏਆਈ ਪ੍ਰਕਿਰਿਆ ਡੇਟਾ ਦੇ ਨਾਲ ਕੰਮ ਕਰਦਾ ਹੈ

1. ਪੁੰਜ ਸੰਤੁਲਨ ਸਥਾਪਿਤ ਕਰੋ. ਅੰਦਰ = ਬਾਹਰ (ਕੇਂਦਰਿਤ + ਰਹਿੰਦ) ਨਿਯਮ; ਜੇਕਰ ਧਾਤੂ ਸੰਤੁਲਨ ਨਹੀਂ ਰੱਖਦਾ ਹੈ, ਤਾਂ ਇੱਕ ਡਾਟਾ ਗਲਤੀ ਹੈ। AI: ਪੁੰਜ ਸੰਤੁਲਨ ਗਣਨਾ ਫਰੇਮਵਰਕ।
2. ਮੁੱਖ ਰਿਸ਼ਤੇ ਲੱਭੋ. ਪੀਹ ਦਾ ਆਕਾਰ ↔ ਉਪਜ, pH ↔ ਫਲੋਟੇਸ਼ਨ ਕੁਸ਼ਲਤਾ, ਰੀਐਜੈਂਟ ↔ ਗ੍ਰੇਡ। AI: ਸਬੰਧ ਅਤੇ ਰੁਝਾਨ ਵਿਸ਼ਲੇਸ਼ਣ।
3. ਅਸੰਗਤਤਾ/ਸ਼ਿਫਟ ਕੈਪਚਰ ਕਰੋ। ਮਿਆਦ ਜਦੋਂ ਕੁਸ਼ਲਤਾ ਘਟਦੀ ਹੈ ਅਤੇ ਰੀਐਜੈਂਟ ਦੀ ਖਪਤ ਵਧ ਜਾਂਦੀ ਹੈ। AI: ਸਮਾਂ ਲੜੀ ਅਸੰਗਤਤਾ ਮਾਰਕਿੰਗ।
4. ਉਹ ਸਕ੍ਰਿਪਟ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ। ਕਲਪਨਾ ਜਿਵੇਂ ਕਿ "ਜੇਕਰ ਅਸੀਂ pH ਨੂੰ 0.3 ਨਾਲ ਵਧਾਉਂਦੇ ਹਾਂ ਤਾਂ ਮਾਡਲ ਦੇ ਅਨੁਸਾਰ ਕੀ ਹੋਵੇਗਾ?" AI: ਦ੍ਰਿਸ਼ ਬਣਾਉਂਦਾ ਹੈ, ਪਰ ਹਕੀਕਤ ਦੀ ਜਾਂਚ ਦੁਆਰਾ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
5. ਧਾਤੂ ਜਾਂਚ ਦੁਆਰਾ ਪੁਸ਼ਟੀ ਕਰੋ। ਨਾਜ਼ੁਕ ਸੈਟਿੰਗ ਤਬਦੀਲੀਆਂ ਦੀ ਜਾਂਚ ਪ੍ਰਯੋਗਸ਼ਾਲਾ/ਪਾਇਲਟ ਟੈਸਟਿੰਗ ਦੁਆਰਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
6. ਲਾਗੂ ਕਰੋ ਅਤੇ ਨਿਗਰਾਨੀ ਕਰੋ. ਪ੍ਰਕਿਰਿਆ ਇੰਜੀਨੀਅਰ ਫੈਸਲਾ ਕਰਦਾ ਹੈ; AI ਫਾਲੋ-ਅੱਪ ਰਿਪੋਰਟ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰਦਾ ਹੈ।

ਸੰਕੇਤ: ਪ੍ਰਕਿਰਿਆ ਡੇਟਾ ਵਿੱਚ "ਰਿਸ਼ਤੇ" ਨੂੰ ਵੇਖਣਾ ਇਸ ਗੱਲ ਦੀ ਗਰੰਟੀ ਨਹੀਂ ਦਿੰਦਾ ਹੈ ਕਿ ਇਸਨੂੰ ਬਦਲਣ ਨਾਲ ਉਹੀ ਨਤੀਜਾ ਮਿਲੇਗਾ। ਸਬੰਧ ਕਾਰਨ ਨਹੀਂ ਹੈ; ਸੈਟਿੰਗ ਬਦਲਣ ਤੋਂ ਪਹਿਲਾਂ ਧਾਤੂ ਜਾਂਚ ਜਾਂ ਨਿਯੰਤਰਿਤ ਟ੍ਰਾਇਲ ਦੁਆਰਾ ਪੁਸ਼ਟੀ ਕਰੋ।

ਮਾਸ ਸੰਤੁਲਨ: ਚੁੱਪ ਬੱਗ ਸ਼ਿਕਾਰੀ

ਪੁੰਜ ਸੰਤੁਲਨ ਪੌਦੇ ਦਾ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਇਕਸਾਰਤਾ ਨਿਯੰਤਰਣ ਹੈ। ਧਾਤ ਦੇ ਅੰਦਰ ਦਾਖਲ ਹੋਣ ਦੀ ਮਾਤਰਾ ਬਾਹਰ ਆਉਣ ਵਾਲੇ ਗਾੜ੍ਹਾਪਣ ਅਤੇ ਕੂੜੇ ਵਿੱਚ ਧਾਤ ਦੇ ਜੋੜ ਦੇ ਬਰਾਬਰ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ; ਜੇਕਰ ਉਹ ਬਰਾਬਰ ਨਹੀਂ ਹਨ, ਜਾਂ ਤਾਂ ਮਾਪ, ਨਮੂਨਾ, ਜਾਂ ਗਣਨਾ ਗਲਤ ਹੈ। AI ਫੈਲੇ ਹੋਏ ਪ੍ਰਵਾਹ ਡੇਟਾ ਅਤੇ ਫਲੈਗਿੰਗ ਅਸੰਤੁਲਨ ਤੋਂ ਪੁੰਜ ਸੰਤੁਲਨ ਸਾਰਣੀ ਬਣਾਉਣ ਵਿੱਚ ਬਹੁਤ ਉਪਯੋਗੀ ਹੈ। ਪਰ ਅਸੰਤੁਲਨ ਦੇ ਕਾਰਨ (ਨਮੂਨਾ ਬਿੰਦੂ, ਫਲੋਮੀਟਰ, ਗ੍ਰੇਡ ਵਿਸ਼ਲੇਸ਼ਣ) ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ ਖੇਤਰ ਅਤੇ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਦੀ ਪੁਸ਼ਟੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

ਪੁੰਜ ਸੰਤੁਲਨ ਨੂੰ "ਸੁੱਕੇ" ਟਨੇਜ ਅਤੇ ਧਾਤ ਦੋਵਾਂ ਲਈ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਰੱਖਣਾ ਚਾਹੀਦਾ ਹੈ: ਜਦੋਂ ਕਿਸੇ ਸਹੂਲਤ 'ਤੇ ਟਨੇਜ ਰੱਖਦੇ ਹੋ ਤਾਂ ਧਾਤ ਦਾ ਸੰਤੁਲਨ ਘਾਟੇ ਵਿੱਚ ਹੋ ਸਕਦਾ ਹੈ ਕਿਉਂਕਿ ਗ੍ਰੇਡ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਇੱਕ ਗਲਤੀ ਹੈ। ਇੱਕ ਤਜਰਬੇਕਾਰ ਪ੍ਰਕਿਰਿਆ ਇੰਜੀਨੀਅਰ ਇੱਕ ਕੁਸ਼ਲਤਾ ਅੰਕੜੇ 'ਤੇ ਭਰੋਸਾ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਹਮੇਸ਼ਾ ਪੁੱਛਦਾ ਹੈ ਕਿ "ਕੀ ਸੰਤੁਲਨ ਬੰਦ ਹੋ ਰਿਹਾ ਹੈ"; ਕਿਉਂਕਿ ਇੱਕ ਗੈਰ-ਬੰਦ ਹੋਣ ਵਾਲੇ ਸੰਤੁਲਨ ਤੋਂ ਗਣਨਾ ਕੀਤੀ ਗਈ ਕੁਸ਼ਲਤਾ ਅਰਥਹੀਣ ਹੈ, ਭਾਵੇਂ ਇਹ ਕਿੰਨੀ ਚੰਗੀ ਕਿਉਂ ਨਾ ਹੋਵੇ। ਅਭਿਆਸ ਵਿੱਚ, ਮਾਪਾਂ ਵਿੱਚ ਲਾਜ਼ਮੀ ਤੌਰ 'ਤੇ ਕੁਝ ਗਲਤੀ ਹੁੰਦੀ ਹੈ; ਇਸ ਲਈ, ਸੰਤੁਲਨ ਨੂੰ ਬਿਲਕੁਲ ਜ਼ੀਰੋ 'ਤੇ ਲਿਆਉਣ ਦੀ ਬਜਾਏ, ਇੱਕ ਡੇਟਾ ਮੇਲ-ਮਿਲਾਪ ਬਣਾਇਆ ਜਾਂਦਾ ਹੈ ਜੋ ਮਾਪਾਂ ਦੀ ਭਰੋਸੇਯੋਗਤਾ ਦੇ ਅਨੁਸਾਰ ਸਭ ਤੋਂ ਇਕਸਾਰ ਮੁੱਲ ਦਿੰਦਾ ਹੈ। AI ਇਸ ਮੇਲ-ਮਿਲਾਪ ਦੇ ਅੰਕਗਣਿਤ ਨੂੰ ਦਰਸਾਉਣ ਵਿੱਚ ਮਦਦਗਾਰ ਹੈ ਅਤੇ ਕਿਹੜਾ ਮਾਪ ਦੂਜਿਆਂ ਨਾਲੋਂ ਵਧੇਰੇ ਪ੍ਰਸ਼ਨਾਤਮਕ ਹੈ; ਹਾਲਾਂਕਿ, ਉਸ ਸਹੂਲਤ ਤੋਂ ਜਾਣੂ ਇੰਜੀਨੀਅਰ ਦੁਆਰਾ ਕਿਸ ਮਾਪ ਬਿੰਦੂ ਨੂੰ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਇਸ 'ਤੇ ਕਿੰਨਾ ਭਰੋਸਾ ਦਿੱਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਸੰਖੇਪ ਵਿੱਚ, ਪੁੰਜ ਸੰਤੁਲਨ ਇਹ ਪ੍ਰਗਟ ਕਰਨ ਲਈ ਪਹਿਲਾ ਅਤੇ ਸਸਤਾ ਟੈਸਟ ਹੈ ਕਿ ਕੀ ਪ੍ਰਕਿਰਿਆ ਡੇਟਾ "ਝੂਠ" ਹੈ; ਇਹ ਟੈਸਟ ਹਰ ਝਾੜ ਅਤੇ ਗ੍ਰੇਡ ਵਿਸ਼ਲੇਸ਼ਣ ਤੋਂ ਪਹਿਲਾਂ ਪਾਸ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 - ਪੀਹ ਆਕਾਰ-ਉਪਜ ਸਬੰਧ। ਇੱਕ ਤਾਂਬੇ ਦੀ ਸਹੂਲਤ ਵਿੱਚ, ਫਲੋਟੇਸ਼ਨ ਕੁਸ਼ਲਤਾ ਪਿਛਲੇ ਦੋ ਮਹੀਨਿਆਂ ਵਿੱਚ 88% ਤੋਂ ਘਟ ਕੇ 84% ਹੋ ਗਈ ਹੈ। ਟੀਮ ਕੋਲ ਏਆਈ ਵਿਸ਼ਲੇਸ਼ਣ ਪ੍ਰਕਿਰਿਆ ਡੇਟਾ ਹੈ; ਉਹਨਾਂ ਨੇ ਪਾਇਆ ਕਿ ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਕਮੀ ਉਸ ਸਮੇਂ ਦੇ ਨਾਲ ਮੇਲ ਖਾਂਦੀ ਹੈ ਜਦੋਂ ਪੀਸਣ ਦਾ ਆਕਾਰ (P80) 150 µm ਤੋਂ 190 µm ਤੱਕ ਵਧਦਾ ਹੈ। ਚੱਕੀ ਦੀ ਲਾਈਨਿੰਗ ਖਰਾਬ ਹੋ ਗਈ ਸੀ ਅਤੇ ਪੀਸਣਾ ਮੋਟਾ ਹੋ ਗਿਆ ਸੀ। ਲਾਈਨਰ ਪਰਿਵਰਤਨ ਅਤੇ ਸਾਈਜ਼ ਰੀਟਰੀਟ ਨਾਲ ਉਪਜ ਠੀਕ ਹੋ ਜਾਂਦੀ ਹੈ। ਏਆਈ ਨੇ ਰਿਸ਼ਤਾ ਦਿਖਾਇਆ; ਫੀਲਡ ਇੰਸਪੈਕਸ਼ਨ (ਪ੍ਰਾਈਮਰ) ਦੁਆਰਾ ਕਾਰਨ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਗਈ ਸੀ.

ਕੇਸ 2 — ਰੀਐਜੈਂਟ ਵੇਸਟ। ਇੱਕ ਸਹੂਲਤ AI ਨੂੰ ਰੀਐਜੈਂਟ ਖੁਰਾਕ ਅਤੇ ਉਪਜ ਡੇਟਾ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ। ਵਿਸ਼ਲੇਸ਼ਣ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਇੱਕ ਨਿਸ਼ਚਿਤ ਖੁਰਾਕ ਤੋਂ ਉੱਪਰ ਕੁਸ਼ਲਤਾ ਨਹੀਂ ਵਧਦੀ, ਸਿਰਫ ਲਾਗਤ ਵਧਦੀ ਹੈ (ਸੰਤ੍ਰਿਪਤਾ). ਟੀਮ ਇਸ ਥ੍ਰੈਸ਼ਹੋਲਡ ਤੱਕ ਖੁਰਾਕ ਨੂੰ ਘਟਾਉਂਦੀ ਹੈ; ਮੈਟਲਰਜੀਕਲ ਟੈਸਟਿੰਗ ਉਸੇ ਉਪਜ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦੀ ਹੈ ਅਤੇ ਰੀਐਜੈਂਟ ਦੀ ਲਾਗਤ 11% ਘੱਟ ਜਾਂਦੀ ਹੈ। AI ਰੁਝਾਨ ਪਾਇਆ; ਟੈਸਟਿੰਗ ਨੇ ਫੈਸਲੇ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ.

ਕੇਸ 3 - ਪੁੰਜ ਸੰਤੁਲਨ ਨਹੀਂ ਰੱਖਦਾ (ਚੇਤਾਵਨੀ)। ਇੱਕ ਇੰਟਰਨ ਨੂੰ ਉਸਦੀ ਰੋਜ਼ਾਨਾ ਕੁਸ਼ਲਤਾ 94% ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ AI ਮਿਲਦਾ ਹੈ ਅਤੇ ਉਹ ਖੁਸ਼ ਹੁੰਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਜਦੋਂ AI ਵਿੱਚ ਪੁੰਜ ਸੰਤੁਲਨ ਸਥਾਪਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਇਹ ਦੇਖਿਆ ਜਾਂਦਾ ਹੈ ਕਿ ਧਾਤ ਵਿੱਚ ਦਾਖਲ ਹੋਣ ਵਾਲੀ ਧਾਤ ਧਾਤ ਛੱਡਣ ਤੋਂ ਵੱਧ ਜਾਂਦੀ ਹੈ, ਅਤੇ ਸੰਤੁਲਨ ਇੱਕ 7% ਘਾਟਾ ਦਿੰਦਾ ਹੈ; ਇਸ ਲਈ ਕੁਸ਼ਲਤਾ ਦਾ ਅੰਕੜਾ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹੈ। ਸਮੱਸਿਆ ਇਹ ਸੀ ਕਿ ਰਹਿੰਦ-ਖੂੰਹਦ ਦਾ ਨਮੂਨਾ ਗੈਰ-ਪ੍ਰਤੀਨਿਧੀ ਪੁਆਇੰਟ ਤੋਂ ਲਿਆ ਗਿਆ ਸੀ। ਪਾਠ: ਪੁੰਜ ਸੰਤੁਲਨ ਰੱਖੇ ਬਿਨਾਂ ਉਪਜ ਵਰਗੀ ਸੰਖਿਆ ਦੀ ਰਿਪੋਰਟ ਨਹੀਂ ਕੀਤੀ ਜਾਂਦੀ; ਭਾਵੇਂ AI ਤੇਜ਼ੀ ਨਾਲ ਸੰਤੁਲਨ ਸਥਾਪਤ ਕਰਦਾ ਹੈ, ਇਹ ਕਾਰਨ ਲੱਭਦਾ ਹੈ।

ਕਾਪੀ ਕਰਨ ਯੋਗ ਪ੍ਰੋਂਪਟ ਟੈਂਪਲੇਟਸ

ਪੁੰਜ ਸੰਤੁਲਨ ਨਿਯੰਤਰਣ"ਭੂਮਿਕਾ: ਤੁਸੀਂ ਇੱਕ ਸਹਾਇਕ ਖਣਿਜ ਪ੍ਰੋਸੈਸਿੰਗ ਇੰਜੀਨੀਅਰ ਹੋ। ਹੇਠਾਂ ਫੀਡ, ਕੰਨਸੈਂਟਰੇਟ ਅਤੇ ਟੇਲਿੰਗ ਸਟ੍ਰੀਮ ਲਈ ਟਨੇਜ ਅਤੇ ਗ੍ਰੇਡ ਡੇਟਾ ਹੈ। ਧਾਤੂ ਸੰਤੁਲਨ (ਪ੍ਰਭਾਵ = ਧਿਆਨ + ਟੇਲਿੰਗ) ਸਥਾਪਤ ਕਰੋ ਅਤੇ ਪ੍ਰਤੀਸ਼ਤ ਅਸੰਤੁਲਨ ਦੀ ਗਣਨਾ ਕਰੋ। ਜੇਕਰ ਸੰਤੁਲਨ ਘਾਟਾ ਹੈ], ਤਾਂ ਸੰਦੇਹ ਦੇ ਅੰਕੜੇ ਨੂੰ ਮਾਪਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਯੂਨਿਟ ਧਾਰਨਾ 'ਤੇ: [ਪੇਸਟ]।"

ਗ੍ਰੇਡ-ਯੀਲਡ ਰਿਲੇਸ਼ਨਸ਼ਿਪ "ਹੇਠਾਂ ਕੇਂਦਰਿਤ ਗ੍ਰੇਡ ਅਤੇ ਉਪਜ ਮਾਪ ਹਨ। ਇੱਕ ਕੋਡ ਪਿੰਜਰ ਲਿਖੋ ਜੋ ਗ੍ਰੇਡ-ਰਿਕਵਰੀ ਦੀ ਕਲਪਨਾ ਕਰਦਾ ਹੈ ਅਤੇ ਰੁਝਾਨ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ। ਨਿਸ਼ਾਨ ਲਗਾਓ ਕਿ ਕਿਹੜਾ ਸੰਚਾਲਨ ਬਿੰਦੂ ਵਿਅਰਥ/ਨੁਕਸਾਨ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ; ਸਹੀ ਸੈਟਿੰਗ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰੋ, ਧਾਤੂ ਵਿਗਿਆਨ ਦੁਆਰਾ ਪ੍ਰਮਾਣਿਤ ਹੋਣ ਲਈ ਅਨੁਮਾਨ ਦਿਓ।

ਪ੍ਰਕਿਰਿਆ ਦੀ ਅਨੌਮਾਲੀ ਨਿਗਰਾਨੀ "ਹੇਠਾਂ ਫਲੋਟੇਸ਼ਨ ਸਰਕਟ ਦੀ ਸਮਾਂ ਲੜੀ ਹੈ (pH, ਰੀਐਜੈਂਟ ਖੁਰਾਕ, ਉਪਜ, ਫੀਡ ਗ੍ਰੇਡ)। ਪੀਰੀਅਡਸ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰੋ ਜਦੋਂ ਉਪਜ ਆਮ ਨਾਲੋਂ ਭਟਕ ਜਾਂਦੀ ਹੈ ਅਤੇ ਹਰੇਕ ਵੇਰੀਏਬਲ ਲਈ ਦਿਖਾਓ ਕਿ ਇਹ ਕਿਸ ਵੇਰੀਏਬਲ ਨਾਲ ਚਲਿਆ ਗਿਆ ਹੈ। ਸਹੀ ਕਾਰਨ ਨਾ ਕਹੋ; ਸੰਭਾਵਿਤ ਕਾਰਨਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ।

ਪ੍ਰਯੋਗ ਮੈਟ੍ਰਿਕਸ ਡਿਜ਼ਾਇਨ "ਮੈਂ ਇੱਕ ਧਾਤੂ ਜਾਂਚ ਨਾਲ ਉਪਜ 'ਤੇ ਪੀਸਣ ਦੇ ਆਕਾਰ ਅਤੇ ਰੀਐਜੈਂਟ ਖੁਰਾਕ ਦੇ ਪ੍ਰਭਾਵ ਦੀ ਜਾਂਚ ਕਰਨਾ ਚਾਹੁੰਦਾ ਹਾਂ। ਮੈਨੂੰ ਇੱਕ ਪ੍ਰਯੋਗ ਮੈਟ੍ਰਿਕਸ (ਕਾਰਕ-ਪੱਧਰ ਦੀ ਸਾਰਣੀ) ਦਾ ਸੁਝਾਅ ਦਿਓ ਅਤੇ ਲਿਖੋ ਕਿ ਮੈਨੂੰ ਹਰੇਕ ਸਥਿਤੀ ਦੇ ਤਹਿਤ ਕੀ ਮਾਪਣਾ ਚਾਹੀਦਾ ਹੈ। ਅਸਲ ਸਰਵੋਤਮ ਮੁੱਲ ਨਾ ਦਿਓ; ਵਰਣਨ ਕਰੋ ਕਿ ਟੈਸਟ ਨੂੰ ਕਿਵੇਂ ਸੈੱਟ ਕਰਨਾ ਹੈ।"

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ: "ਮੈਂ ਉਪਜ ਨੂੰ ਕਿਵੇਂ ਵਧਾ ਸਕਦਾ ਹਾਂ? pH ਕੀ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ?"

ਮਜ਼ਬੂਤ ਸੰਕੇਤ: "ਭੂਮਿਕਾ: ਤੁਸੀਂ ਇੱਕ ਧਾਤੂ/ਪ੍ਰਕਿਰਿਆ ਸਹਾਇਕ ਹੋ। ਹੇਠਾਂ ਫਲੋਟੇਸ਼ਨ ਡੇਟਾ ਵਿੱਚ ਉਪਜ ਅਤੇ pH, ਰੀਐਜੈਂਟ ਖੁਰਾਕ, ਅਤੇ ਪੀਸਣ ਦੇ ਆਕਾਰ ਦੇ ਵਿਚਕਾਰ ਰੁਝਾਨ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ। ਨਿਸ਼ਾਨ ਲਗਾਓ ਕਿ ਉਪਜ ਵਿੱਚ ਕਮੀ ਦੇ ਨਾਲ ਕਿਹੜਾ ਵੇਰੀਏਬਲ ਸ਼ਿਫਟ ਹੁੰਦਾ ਹੈ। ਇੱਕ ਸਹੀ pH ਮੁੱਲ ਦਾ ਸੁਝਾਅ ਨਾ ਦਿਓ; ਇਸਦੀ ਬਜਾਏ 2-3 ਪ੍ਰਯੋਗਾਤਮਕ ਪਰੀਖਿਆ ਲਈ ਧਾਤੂ ਪਰੀਖਿਆ ਅਤੇ ਮੈਟਲਰਿਜ਼ਲ ਪਰੀਖਣ ਲਈ ਸੁਝਾਅ ਦਿਓ। ਡੇਟਾ: [ਪੇਸਟ]।"

ਤੁਲਨਾ ਸਾਰਣੀ: ਪ੍ਰਕਿਰਿਆ ਬੈਂਚਮਾਰਕ ਅਤੇ ਏਆਈ ਰੋਲ

ਮਾਪਦੰਡ

ਭਾਵ

AI ਭੂਮਿਕਾ

ਤਸਦੀਕ

ਉਪਜ (ਰਿਕਵਰੀ)

ਕਮਾਈ ਕੀਤੀ ਧਾਤ ਦੀ ਦਰ

ਰਿਸ਼ਤਾ/ਅਸੰਗਤ ਵਿਸ਼ਲੇਸ਼ਣ

ਪੁੰਜ ਸੰਤੁਲਨ + ਟੈਸਟਿੰਗ

ਕੇਂਦ੍ਰਤ ਗ੍ਰੇਡ

ਉਤਪਾਦ ਦੀ ਗੁਣਵੱਤਾ

ਰੁਝਾਨ

ਵਿਸ਼ਲੇਸ਼ਣ + ਟੈਸਟਿੰਗ

ਪੀਹਣਾ P80

ਉਦਾਰੀਕਰਨ ਦਾ ਮਾਪ

ਪੈਦਾਵਾਰ ਦਾ ਰਿਸ਼ਤਾ

ਆਕਾਰ ਮਾਪ

ਰੀਏਜੈਂਟ ਖੁਰਾਕ

ਰਸਾਇਣਕ ਖਪਤ

ਸੰਤ੍ਰਿਪਤਾ ਵਿਸ਼ਲੇਸ਼ਣ

ਧਾਤੂ ਜਾਂਚ

ਪੁੰਜ ਸੰਤੁਲਨ

ਡਾਟਾ ਇਕਸਾਰਤਾ

ਬਕਾਇਆ ਖਾਤਾ

ਖੇਤਰ/ਨਮੂਨਾ ਪੁਸ਼ਟੀ

ਆਮ ਗਲਤੀਆਂ

• ਪੁੰਜ ਸੰਤੁਲਨ ਰੱਖੇ ਬਿਨਾਂ ਪੈਦਾਵਾਰ ਦੀ ਰਿਪੋਰਟ ਕਰਨਾ। ਸੰਤੁਲਨ ਘਾਟਾ ਕੁਸ਼ਲਤਾ ਨੂੰ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਬਣਾਉਂਦਾ।
• ਕਾਰਣ ਲਈ ਗਲਤ ਸੰਬੰਧ. ਸੈਟਿੰਗ ਨੂੰ ਸਿਰਫ਼ ਇਸ ਲਈ ਬਦਲਣਾ ਕਿਉਂਕਿ ਤੁਸੀਂ ਕਿਸੇ ਰਿਸ਼ਤੇ ਨੂੰ ਦੇਖਦੇ ਹੋ ਜੋ ਖ਼ਤਰਨਾਕ ਹੈ; ਟੈਸਟਿੰਗ ਨਾਲ ਪੁਸ਼ਟੀ ਕਰੋ.
• ਸਮੁੱਚੇ "ਅਨੁਕੂਲ pH" ਮੁੱਲ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ। ਸਰਵੋਤਮ ਧਾਤੂ ਅਤੇ ਰੀਐਜੈਂਟ ਲਈ ਖਾਸ ਹੈ।
• ਨਮੂਨਾ ਪ੍ਰਤੀਨਿਧਤਾ ਨੂੰ ਛੱਡਣਾ। ਗਲਤ ਬਿੰਦੂ ਤੋਂ ਨਮੂਨਾ ਸਾਰਾ ਹਿਸਾਬ ਵਿਗਾੜ ਦਿੰਦਾ ਹੈ।
• ਊਰਜਾ ਅਤੇ ਰੀਐਜੈਂਟ ਦੀ ਲਾਗਤ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ। ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਵਾਧਾ ਲਾਗਤ ਵਿੱਚ ਵਾਧੇ ਨੂੰ ਜਾਇਜ਼ ਨਹੀਂ ਠਹਿਰਾ ਸਕਦਾ ਹੈ।

ਸਾਵਧਾਨ: ਪ੍ਰਕਿਰਿਆ ਸੈਟਿੰਗਾਂ ਆਪਸ ਵਿੱਚ ਨਿਰਭਰ ਹਨ; ਇੱਕ ਨੂੰ ਬਦਲਣ ਨਾਲ ਦੂਜੇ ਵਿੱਚ ਵਿਘਨ ਪੈ ਸਕਦਾ ਹੈ। AI ਦੁਆਰਾ ਦਰਸਾਏ ਗਏ ਸੁਧਾਰ ਨੂੰ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜੇਕਰ ਇਹ ਕਿਸੇ ਹੋਰ ਮੈਟ੍ਰਿਕ (ਗ੍ਰੇਡ, ਲਾਗਤ, ਵਾਤਾਵਰਣ) ਨੂੰ ਖਰਾਬ ਨਹੀਂ ਕਰਦਾ ਅਤੇ ਟੈਸਟਿੰਗ ਦੁਆਰਾ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਸਾਰੰਸ਼ ਵਿੱਚ

ਖਣਿਜ ਪ੍ਰੋਸੈਸਿੰਗ ਧਾਤੂ ਨੂੰ ਵਿਕਰੀਯੋਗ ਉਤਪਾਦ ਵਿੱਚ ਬਦਲਣ ਦਾ ਊਰਜਾ- ਅਤੇ ਕੁਸ਼ਲਤਾ-ਸਹਿਤ ਹਿੱਸਾ ਹੈ; ਉਪਜ ਅਤੇ ਕੇਂਦਰਿਤ ਗ੍ਰੇਡ ਆਮ ਤੌਰ 'ਤੇ ਉਲਟ ਸੰਤੁਲਨ ਵਿੱਚ ਹੁੰਦੇ ਹਨ। AI ਪੁੰਜ ਸੰਤੁਲਨ ਸਥਾਪਨਾ, ਗ੍ਰੇਡ-ਯੀਲਡ ਵਿਸ਼ਲੇਸ਼ਣ, ਅਸੰਗਤ ਨਿਗਰਾਨੀ ਅਤੇ ਪ੍ਰਯੋਗ ਮੈਟ੍ਰਿਕਸ ਡਿਜ਼ਾਈਨ ਵਿੱਚ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ। ਪਰ ਪ੍ਰਕਿਰਿਆ ਟਿਊਨਿੰਗ ਫੈਸਲਿਆਂ ਦੀ ਪੁਸ਼ਟੀ ਧਾਤੂ ਜਾਂਚ ਅਤੇ ਪੁੰਜ ਸੰਤੁਲਨ ਦੁਆਰਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਨਾ ਕਿ ਸਬੰਧਾਂ ਦੁਆਰਾ। ਪੁੰਜ ਸੰਤੁਲਨ ਬਣਾਏ ਰੱਖਣ ਅਤੇ ਨਮੂਨੇ ਦੀ ਪ੍ਰਤੀਨਿਧਤਾ ਨੂੰ ਯਕੀਨੀ ਬਣਾਏ ਬਿਨਾਂ ਇੱਕ ਸੰਖਿਆ ਜਿਵੇਂ ਕਿ ਉਪਜ ਦੀ ਰਿਪੋਰਟ ਨਹੀਂ ਕੀਤੀ ਜਾਂਦੀ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਇਹ ਪਤਾ ਲਗਾਉਣ ਲਈ ਕਿ ਸੰਤੁਲਨ ਕਿੰਨਾ ਖੁੱਲ੍ਹਾ ਹੈ ਅਤੇ ਕਿਸੇ ਵੀ ਸ਼ੱਕੀ ਮਾਪ ਪੁਆਇੰਟਾਂ ਨੂੰ ਸੂਚੀਬੱਧ ਕਰਨ ਲਈ ਆਪਣੇ ਨਮੂਨੇ (ਜਾਂ ਤੁਹਾਡੇ ਆਪਣੇ) ਪ੍ਰਵਾਹ ਡੇਟਾ ਦੇ ਨਾਲ "ਪੁੰਜ ਬੈਲੇਂਸ ਜਾਂਚ" ਟੈਮਪਲੇਟ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਫਿਰ, "ਗਰੇਡ-ਯੀਲਡ ਰਿਲੇਸ਼ਨਸ਼ਿਪ" ਟੈਮਪਲੇਟ ਨਾਲ ਆਪਣੇ ਕੰਮਕਾਜੀ ਬਿੰਦੂਆਂ ਦੀ ਵਿਆਖਿਆ ਕਰੋ ਅਤੇ ਵਿਅਰਥ/ਨੁਕਸਾਨ ਨੂੰ ਦਰਸਾਉਣ ਵਾਲੇ ਬਿੰਦੂਆਂ 'ਤੇ ਨਿਸ਼ਾਨ ਲਗਾਓ। ਅੰਤ ਵਿੱਚ, ਇੱਕ ਸੁਧਾਰ ਪਰਿਕਲਪਨਾ ਲਈ "ਪ੍ਰਯੋਗਾਤਮਕ ਮੈਟ੍ਰਿਕਸ ਡਿਜ਼ਾਈਨ" ਟੈਂਪਲੇਟ ਤੋਂ ਧਾਤੂ ਜਾਂਚ ਯੋਜਨਾ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰੋ।

ਚੈੱਕਲਿਸਟ

• [ ] ਡੇਟਾ ਦੀ ਰਿਪੋਰਟ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਮੈਂ ਪੁੰਜ ਸੰਤੁਲਨ ਸਥਾਪਿਤ ਕੀਤਾ ਅਤੇ ਘਾਟੇ ਦੀ ਜਾਂਚ ਕੀਤੀ।
• ਮੈਂ ਉਹਨਾਂ ਸਬੰਧਾਂ ਨੂੰ ਕਾਰਣ ਨਹੀਂ ਸਮਝਿਆ, ਮੈਂ ਉਹਨਾਂ ਦੀ ਜਾਂਚ ਨਾਲ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਯੋਜਨਾ ਬਣਾਈ।
• [ ] ਮੈਂ ਨਮੂਨਾ ਬਿੰਦੂਆਂ ਦੀ ਪ੍ਰਤੀਨਿਧਤਾ 'ਤੇ ਸਵਾਲ ਕੀਤਾ।
• [ ] ਮੈਂ ਪ੍ਰਕਿਰਿਆ ਨਿਰਧਾਰਨ ਦਾ ਫੈਸਲਾ ਮੈਟਲਰਜੀਕਲ ਟੈਸਟਿੰਗ ਅਤੇ ਪ੍ਰਕਿਰਿਆ ਇੰਜੀਨੀਅਰ 'ਤੇ ਛੱਡ ਦਿੱਤਾ ਹੈ।
• [ ] ਮੈਂ ਉਪਚਾਰ ਦੀ ਲਾਗਤ/ਵਾਤਾਵਰਣ ਪ੍ਰਭਾਵ ਦਾ ਮੁਲਾਂਕਣ ਵੀ ਕੀਤਾ।
• [ ] ਮੈਂ ਧਾਤੂ ਲਈ ਖਾਸ "ਉੱਤਮ" ਮੁੱਲਾਂ ਨੂੰ ਮੰਨਿਆ ਅਤੇ ਆਮ ਮੁੱਲਾਂ 'ਤੇ ਭਰੋਸਾ ਨਹੀਂ ਕੀਤਾ।