Prédiction de la consommation totale d’acide par tonne de cuivre produit en extraction minière à l’aide d’un modèle de réseau de neurones multicouches

Abstract

L'objectif de cette étude est de révolutionner l'extraction du cuivre cathodique à partir de minerais comme l'azurite, la cuprite et la malachite, grâce à un modèle prédictif innovant basé sur un réseau de neurones multicouches (RNM). Ce modèle vise à déterminer avec précision la quantité d'acide nécessaire pour produire une tonne de cuivre, en intégrant des variables critiques telles que le rendement du processus, la consommation d'acide spécifique au minerai et sa teneur en cuivre. L'impact attendu est majeur : optimiser l'efficacité industrielle, réduire drastiquement les coûts et améliorer la qualité du cuivre extrait. Notre approche repose sur un perceptron multicouche, riche de 2373 paramètres d'apprentissage, et exploitant les fonctions d'activation ReLU et tanh. L'évaluation rigoureuse via le MAE et le MSE a confirmé une acquisition de connaissances remarquable par le modèle. Les résultats des prédictions en phase de test sont éloquents : les valeurs générées sont extrêmement proches des valeurs réelles, offrant une capacité d'anticipation des écarts sans précédent. Cette recherche n'est pas seulement une avancée technique ; elle est une démonstration concrète de la puissance de l'intelligence artificielle pour transformer l'industrie minière. Elle ouvre la voie à une augmentation significative de la productivité et de la qualité, tout en assurant une maîtrise des coûts