AI system predicts iron ore purity in real time, cutting mining waste
Researchers have developed an AI model that forecasts silica contamination in iron ore minutes—or even hours—before it reaches processing plants. The advance could help mining operators prevent costly quality failures and reduce the amount of unusable material sent to steel mills, directly improving operational efficiency and margins.
Originaltitel: An LSTM Approach for Quality Prediction in a Mining Process Using Ensemble Data Interpolation
LSTM-nätverk möjliggör sekund-för-sekund-övervakning av järnmalmskvalitet under malmbrytning, vilket minskar produktionsstörningar och slöseriet på energi i stålframställning. Höghaltig kiseldioxid i järnmalmskoncentrat skadar både processeffektivitet och slutproduktens kvalitet — ett problem som tidigare krävde långsamma laboratorieanalyser. Forskarna utvecklade en LSTM-modell kombinerad med ensemblebaserad datainterpoleering för flotationsprocessen. Systemet levererar två nivåer av prediktiv förmåga: minutvisnormal övervakning och prognoser flera timmar framåt, vilket ger operatörer tid att justera driftparametrar. Studien utgår från Luleå tekniska universitet tillsammans med institutioner i USA och Mexico. För gruvdriftsföretag och stålproducenter blir tidiga varningar om malmbrist kritiska för leveranskedjans planering och profilmarginalerna. Närmaste implementeringshorisonten verkar vara under 12 månader.
<p>The presence of silica in iron ore concentrate can have significant negative impacts on the efficiency and quality of steel production. As such, providing engineers with early and reliable information about the purity of iron ore concentrate is crucial for smooth mining operations. This paper reports on the development of a long short-term memory (LSTM) network and an ensemble data interpolation technique to enhance quality prediction in the froth flotation process of an iron ore mine. Our results demonstrate the ability of our model to accurately predict the silica content of iron ore concentrate on a minute-by-minute basis, as well as the ability to forecast hours in advance.</p>