Тип публикации: статья из журнала
Год издания: 2025
Ключевые слова: mining and processing complex, forecasting, time series, recurrent neural network, machine learning, production parameters, горно-обогатительный комплекс, прогнозирование, временные ряды, рекуррентная нейронная сеть, машинное обучение, производственные параметры
Аннотация: Рассматривается задача прогнозирования одного из ключевых производственных параметров горнообогатительного комплекса на основе ограниченного набора архивных данных. В качестве инструмента прогнозирования используется рекуррентная нейронная сеть с элементами долгой краткосрочной памяти, позволяющая учитывать временную зависимость и Показать полностьюнелинейную динамику производственного процесса. Описана методика подготовки исходных данных, обучения модели и оценки качества прогнозных результатов. Экспериментальные исследования показали, что предложенный подход обеспечивает высокую точность краткосрочного прогноза и устойчиво воспроизводит как общие тенденции изменения параметра, так и его краткосрочные колебания. Сравнение с авторегрессионной моделью первого порядка подтвердило преимущество нейросетевого метода по показателям ошибки прогноза. Полученные результаты свидетельствуют о практической применимости разработанной модели для задач оперативного планирования и поддержки принятия решений на уровне отдельного технологического передела. The article addresses the problem of forecasting one of the key production parameters of a mining and processing complex based on a limited set of historical data. A recurrent neural network with long short-term memory elements is used as the forecasting tool, enabling the consideration of temporal dependencies and nonlinear dynamics of the production process. The methodology for data preprocessing, model training, and evaluation of forecasting accuracy is presented. Experimental results demonstrate that the proposed approach provides high accuracy for short-term forecasting and reliably reproduces both general trends and short-term fluctuations of the studied parameter. A comparison with a first-order autoregressive model confirms the advantage of the neural network approach in terms of forecasting error metrics. The obtained results indicate the practical applicability of the developed model for operational planning and decision support at the level of an individual technological unit.
Журнал: Известия Тульского государственного университета. Науки о Земле
Выпуск журнала: № 4
Номера страниц: 366-372
ISSN журнала: 22185194
Место издания: Тула
Издатель: Тульский государственный университет