Hybrid Surrogate Approach for Modelling a Flotation Process - Combining Machine Learning and Physics
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2024-01-22
Department
Major/Subject
Machine Learning, Data Science and Artificial Intelligence
Mcode
SCI3044
Degree programme
Master’s Programme in Computer, Communication and Information Sciences
Language
en
Pages
56 +1
Series
Abstract
The large computational resources required and the slowness to model and simulate complex real-world processes have led to the need for faster and lighter surrogate models. These accelerated computational representations of complex models, for example, in the field of mineral processing, can help predict and optimise the productivity of industrial systems. A hybrid surrogate modelling methodology integrates numerous surrogate modelling methodologies in order to combine their benefits while minimising their flaws. This thesis investigates different approaches to develop machine learning and physics-based hybrid surrogate models. The aim is to create a hybrid surrogate model for the flotation cell in a gold mine, combining historical process data and process dynamics-related information. The goal is to enhance the machine learning model's capability to describe process dynamics, thereby improving its performance in different process scenarios. The main approaches to combine machine learning and physics information are physics-informed features and labels, physics-guided loss functions, physics-guided initialization, physics-guided architectures, and residual modelling. The physics-informed features and physics-guided loss function approaches were selected to be investigated further in the experimental part, where future concentrate grades of the flotation cell are predicted. The physics-informed features were generated from a data set collected from the real-world process and using a physics-based simulator, used as a digital twin. The experiments with features included feature ranking and selection based on the model’s performance. Two different physics-guided loss functions using the information on how the mass of gold flows in the flotation cell were implemented, and their performance was compared to a purely data-driven approach. The best-observed model employs a physics-guided loss function, targeting actual gold flow balance values to align the predicted concentrate grade's gold flow balance with the process physical realities. As an input, the model used a combination of physics-informed features and features taken directly from the data set. When compared to the best-performing data-driven model, the physics-guided model performed slightly better, showing to be a potential approach to this surrogate modelling problem.Monimutkaisten reaalimaailman prosessien mallintamisen ja simuloimisen hitaus sekä niihin tarvittavat suuret prosessointiresurssit ovat luoneet tarpeen käyttää korvikemalleja. Nämä monimutkaisten mallien nopeutetut laskennalliset esitykset voivat esimerkiksi mineraalien prosessoinnissa auttaa ennustamaan sekä optimoimaan prosessien tuottavuutta. Hybridikorvikemallinnusmenetelmä yhdistää erilaisia korvikemallinnustapoja yhdistäen näiden vahvuudet, samalla vähentäen niiden heikkouksia. Tässä diplomityössä tutkitaan erilaisia lähestymistapoja koneoppimiseen ja fysiikkaan perustuvien hybridikorvikemallien kehittämiseen tavoitteena kehittää korvikemalli kultakaivoksen vaahdotuskennosta, joka yhdistää koneoppimista sekä fysiikkapohjaista tietoa. Tämän lähestymistavan tarkoitus on luoda malli, joka kuvaisi paremmin prosessin dynamiikkaa ja siten parantaisi mallin suorituskykyä eri prosessiskenaarioissa. Aikaisemmassa tutkimuksessa löydetyt lähestymistavat koneoppimisen ja fysiikkapohjaisen tiedon yhdistämiseen olivat fysiikkatietoon perustuvat piirteet ja tunnisteet, fysiikkaohjattu häviöfunktio, fysiikkaan perustuva mallin alustaminen, fysiikkaohjattu arkkitehtuuri sekä jäännösmallinnus. Näistä menetelmistä fysiikkatietoon perustuvat piirteet ja fysiikkaohjattu häviöfunktio valittiin tutkittaviksi työn kokeelliseen osioon, jossa ennustettiin kultakaivoksen vaahdotuskennon erotettujen mineraalien kultapitoisuusarvoja. Fysiikkatietoon perustuvat piirteet luotiin käyttämällä tietoa fysiikkapohjaisesta simulointimallista, jolla mallien tekemiseen käytetty data oli luotu. Luotuja piirteitä tutkittiin asettamalla ne paremmuusjärjestykseen sekä suorittamalla piirteiden valinta eri malleille. Luotiin kaksi erilaista fysiikkaohjattua häviöfunktiota, jotka käyttävät tietoa kullan massan liikkumisesta vaahdotuskennossa. Näiden avulla luotuja malleja verrattiin pelkästään dataan perustuvaan malliin. Parhaaksi havaittu malli käytti fysiikkaohjattua häviöfunktiota, joka käytti tietoa oikeista kullan massan virtaustaseen arvoista, jotta ennustetut erotettujen mineraalien kultapitoisuusarvot vastaisivat prosessin fysikaalisia realiteetteja. Sisääntulona malli käytti fysiikkatietoon perustuvia piirteitä sekä piirteitä, jotka olivat otettu suoraan datasta. Tämä fysiikkaohjattu malli suoriutui hieman paremmin kuin parhaiten suoriutunut dataan perustuva malli, osoittaen fysiikkaohjatun mallin potentiaalin mahdollisena lähestymistapana korvikemallin rakentamiseksi.Description
Supervisor
Solin, ArnoThesis advisor
Linnosmaa, JoonasSaarela, Olli
Keywords
surrogate modelling, hybrid modelling, physics-informed machine learning, flotation process