MMIJ Annual Meeting

鉱山開発プロジェクトの選鉱プロセス設計支援ツールとして，少量の鉱石試料から取得できる電子顕微鏡情報（MLAデータ）を活用して浮選成績を予測する機械学習モデルを開発してきた．このモデルは単一粒子の鉱物/元素組成，サイズ，比重，形状などのMLAデータ（個別特徴量）を用いて，浮選フィードに含まれる個々の粒子のフロス/テールへの分配確率を予測する．しかし，このモデルは単一粒子の特徴量しか入力できないので，浮選セルに存在する複数の粒子の相互作用（凝集など）の効果は扱えなかった．また，モデルパラメータ最適化のための教師データとして特定の鉱石を特定の操作/化学条件で浮選した結果を用いるので，異なる鉱石/操作/化学条件に対する予測能力に限りがあった．本研究では，これらの課題を解決するため，単一粒子の性質を表す個別特徴量の他に，粒子群全体の統計的性質を表す集団特徴量，浮選時間などの条件を表す操作特徴量，選別のKEY特徴量として疎水度を用いることを検討した．これらの特徴量を入力に組み込んだモデルは，粒子間相互作用の効果を扱うことができ，異なる鉱石/操作/化学条件に対応する汎用性も備えている．