การจำแนกแร่ด้วยเสียงตกกระทบโดยโครงข่ายประสาทเทียมThe Mineral Classification with Sound Impacting by Artificial Neural Network

Abstract

การใช้คนที่มีทักษะและประสบการณ์สูงเพื่อคัดแยกแร่พลอยออกจากหินแร่ด้อยค่าจากโบราณถึงปัจจุบันถูกศึกษาเพื่อพัฒนาในการใช้สัญญาณเสียงจากการตกอิสระของแร่พลอยดิบและแร่มลทินที่ความสูงประมาณ 1 ฟุต สัญญาณเสียงตกกระทบในช่วง 200 มิลลิวินาที ถูกนำมาวิเคราะห์พบว่า ความถี่ของเสียงในช่วง 500–5,000 เฮิรตซ์ ไม่สามารถพบความแตกต่างของรูปแบบสัญญาณเสียงจากแร่มีค่าและแร่ด้อยค่าได้ ผลการศึกษาพบว่า ระดับความเข้มของเสียง เกิดจากการตกกระทบของเม็ดแร่กับแผ่นแสตนเลส โดยแร่พลอยให้ค่าระดับความเข้มเสียงสูงที่สุด เมื่อเทียบกับแร่อื่น ๆ ส่วนแร่เหล็กเมื่อเดินทางผ่านขดลวดทองแดงสามารถเกิดระดับสัญญาณรบกวนสนามไฟฟ้าได้ การใช้ข้อมูลทั้งสองนี้ จึงถูกนำมาเข้ากระบวนการฝึกอบรมข้อมูล เพื่อให้โครงข่ายประสาทเทียมแบบ Backpropagation Neural Network (BPNN) ได้เรียนรู้ในการคัดแยกแร่พลอยออกจากแร่ด้อยค่า ผลการวิจัยพบว่า สามารถแยกแร่ได้ชัดเจน ตามผลลัพธ์ 4 กลุ่ม โดยผลรวมของความสัมพันธ์ระหว่างตัวแปรตามและตัวแปรอิสระที่สร้างมาจาก BPNN มีการใช้ค่าทวีคูณด้วยน้ำหนักสองตัวแปร และค่าอคติคงที่หนึ่งตัวแปร ความสำเร็จในครั้งนี้จะนำไปออกแบบฮาร์ดแวร์ใช้ในการแยกแร่ และการประยุกต์เซ็นเซอร์อื่น ๆ ที่เกี่ยวข้องกับคุณสมบัติของแร่เพื่อใช้ในการแยกแร่อื่น ๆ ต่อไป

The highly skilled and experienced worker has been used to separate the raw corundum mineral from gangues since ancient times until the present day. This process has been studied to develop sound signals from free-falling corundum and other impurity minerals. At a height of 1 foot, impact sound signals in the time range of 200 ms were analyzed. It was found that frequencies from 500 to 5,000 Hz could not differentiate the waveforms. The study results revealed that the sound intensity level caused by the impact of mineral particles on a stainless steel bar was highest for corundum compared to other minerals. Iron ore falling through copper coils can cause electric field noise. Two input data were brought into the data training process by the Backpropagation Neural Network (BPNN), which learned to separate corundum from invaluable minerals. The results showed that the four groups of minerals can be separated by the sum of relationships between dependent and independent variables generated from BPNN using two variable weight parameters and a bias constant parameter. This successful research will be used to design hardware for mineral separation and other sensor applications related to mineral properties in the future.