Machine Learning Approach to Simulation of Continuous Seeded Crystallization of Gibbsite
View/ Open:
URI (for links/citations):
https://elib.sfu-kras.ru/handle/2311/145049Author:
Golubev, Vladimir O.
Blednykh, Iliya V.
Filinkov, Matvey V.
Zharkov, Oleg G.
Shchelkonogova, Tatiyana N.
Голубев, В. О.
Бледных, И. В.
Филинков, М. В.
Жарков, О. Г.
Щелконогова, Т. Н.
Date:
2021-12Journal Name:
Journal of Siberian Federal University. Engineering & Technologies 2021; Журнал Сибирского федерального университета 2021 14 (8)Abstract:
Continuous seeded crystallization is characterized by oscillations of particle size distribution (PSD) and liquor productivity. To describe these oscillations using analytical methods is a complicated task due to non-linearity and slow response of the process. This paper uses a statistical approach to the preparation of initial data, determination of the significant factors and arrangement of the said factors by their impact on the dynamics of crystal population development. Various methods of machine learning were analyzed to develop a model capable of forecasting the time series of particle size distribution and composition of the final solution. The paper proposes to use deep learning methods for predicting the distribution of crystals by grades and liquor productivity. Such approach has never been used for these purposes before. The study shows that models based on long short-term memory (LSTM) cells provide for better accuracy with less trainable parameters as compared with other multilayer neural networks. Training of the models and the assessment of their quality are performed using the historical data collected in the hydrate crystallization area at the operating alumina refinery Непрерывной затравочной кристаллизации характерны осцилляции фракционного
состава и продуктивности раствора, которые трудно описать аналитическими методами из-за
существенной нелинейности и высокой инерционности процесса. В работе использован
статистический подход к подготовке исходных данных, определению значимых факторов и их
ранжированию по степени влияния на динамику развития популяции кристаллов. Выполнен анализ
эффективности различных методов машинного обучения для построения модели, прогнозирующей
временные ряды классов крупности частиц и состав конечного раствора. Предложен способ
прогнозирования распределения популяции кристаллов по размерам и продуктивности раствора
с использованием методов глубокого обучения, который для решения этой задачи в мировой
практике еще не применялся. Показано, что модели на основе ячеек с долгой краткосрочной
памятью (LSTM) обеспечивают более высокую точность при меньшем числе обучаемых параметров
в сравнении с другими архитектурами многослойных нейронных сетей. Обучение моделей
и оценка их качества выполнены на основе архива исторических данных, собранных на участках
кристаллизации гидроксида алюминия на действующем глиноземном заводе