ХЭВЛҮҮЛСЭН МАТЕРИАЛЫН ЖАГСААЛТ

1. С.Давааням, Г.Даваацэрэн, Я.Пүрвээ, Зэс-молибдены хүдрийн баяжуулалт, Хүдэр бэлдэх процесс, Эрдэнэт үйлдвэрийн ажилчид, техникумын оюутнуудад зориулсан сурах бичиг,1987, Эрдэнэт

2. Ц.Эрдэнэжав, Г. Даваацэрэн, Некоторые результаты исследования гидроциклонов в цикле рудного измельчения. Эрдэм шинжилгээний бичиг, Улаанбаатар №1 (9),1989, с 68-77

3. Г.Даваацэрэн, Гидроциклоны элсний хошууны диаметрийг тээрмийн бүтээмжээр үнэлэх. ПТДС -ийн Эрдэм шинжилгээний бичиг,I/II ,1990, х. 190-194.

4. Ш.Отгонбилэг, Г.Даваацэрэн, Влияние вкрапленности медных сульфидов руд месторождений Эрдэнэтийн  Овоо на технологические показатели., Монгол Улсын Их Сургууль, Эрдэм шинжилгээний бичиг №2(118), 1996, Улаанбаатар, х. 55-59.

5. Ж.Баатархуу, Бортников А. В., Г.Даваацэрэн, и др. Совершенствование технологии рудоподготовки  в корпусе самоизмельчения ОФ, СП” Эрдэнэт”// Обогашение руд. -№2.-1996г-С.12-16

6. Бортников А.В., Л.Дэлгэрбат, Г.Даваацэрэн, Результаты имитационного моделирования мельниц само и полу-самоизмельчения. Монгол улсын их сургууль, Физик-электроникийн сургууль, Эрдэм шинжилгээний бичиг, №3(132), 1998, Улаанбаатар, х. 268-273

7. Ж.Баатархуу, Бортников А.В., Г.Даваацэрэн, и др. Интенсификация процесса рудоподготовки  с использованием мельниц мокрого самизмельчения //Горный журнал.№2. -1998. -С.51-54

8. Ш.Отгонбилэг, Г.Даваацэрэн, Ж.Баатархуу, Влияние размера вкрапленности сульфидов меди в рудах на технологические  показатели  их обогашения //Горный журнал. -№2.-1998г.-С.47-48

9. Ж.Баатархуу, С .Давааням, Г.Даваацэрэн, Результаты испытания мелющих шаров различного размера на технологические показатели измельчения//Научно-практическая конференция СП”Эрдэнэт”. -1998г. г.Эрдэнэт. Тезисы.-С. 52

10. Ш.Гэзэгт, С. Давааням, Ж.Баатархуу, Г.Даваацэрэн, А.В.Бортников, В.А.Никитин, Внедрение технологии полусамоизмелчения на СП”Эрдэнэт” //Обогащение руд. – 1998. -№3.-С.15-21

11. Ж.Баатархуу, Г.Даваацэрэн, Л.Ф.Биленко, Пути повышения показателей цикла измельчения на обогатительной фабрике ГОКа “Эрдэнэт” //Обогашение руд.-1998. -№6. -С.3-7.

12. А.В. Бортников, В.Н.Лукницкий, В.И. Соколов, Ж.Баатархуу, Г. Даваацэрэн, Исследование  процесса одностадильного полусамоизмельчения  и возможностей использования его при  реконструкции корпуса самоимельчения ГОКа ” Эрдэнэт” // Обогашение руд. -№6-1998г-С.8-11

13. А.В.Бортников, В.А.Никитин, В.В.Потапов, Д.Даваасамбуу, Г.Даваацэрэн, Изучение возможности позабойного усреднения руды по крепости с целью увеличения производительности мельниц полусамоизмельчения//Обогащение руд,2000.№5, с. 16-20.

14. А.В.Бортников, И.Ш.Сатаев, В.А.Никитин, Ж.Баатархуу, Г.Даваацэрэн, Ц.Баяртай, А.Д.Самуков, Эффективность применения шаров диаметром 120 мм в процессе полусамоизмельчения //Обогашение руд.- 2001. -№2. -С.11-12.

15. Ж.Баатархуу, Г.Даваацэрэн, Л.Ф.Биленко, Об одном из путей интенсификации процесса измельчения в шаровых  мельницах МШЦ-5500х6500 на комбинате” Эрдэнэт”// Обогашение руд. -№3.-2000г- С.3-5

16. Ж.Баатархуу, Г.Даваацэрэн, Г.Жаргалжав, О причинах  разрушения разнопрочных смесей в шаровой мельнице //Горный журнал, 2000г, №4.-С.32-35 г.Улаанбаатар, Монголия

17. Г.Даваацэрэн, Ж.Баатархүү, П.Оюунсүрэн, Ц.Туяа, Эрдэнэт УБҮ-ийн МШЦ-5500х6500 маркийн тээрэмд янз бүрийн хэмжээтэй бөмбөлөг хэрэглэж тээрэмдэлтийг эрчимжүүлэх асуудалд//Уул-уурхайн сэтгүүл, 2000, №3 х.16-19

18. Г.Даваацэрэн, П.Оюунсүрэн, Б.Бат-Онолт, Янз бүрийн давс хэрэглэж нунтаглалт болон флотацийн процессийг эрчимжүүлэх асуудалд//Уул-уурхайн сэтгүүл, 2001, №3 х.21-24

19. Бортников А.В., Самуков А.Д., Г.Даваацэрэн, Интенсификация  процесса  полусамоизмельчения на СП” Эрдэнэт”, её результаты и перспективы, в кн.Новые решения в технике и технологии добычи и переработки медно-молибденовых руд. С.64-72

20.  Бортников А.В., Самуков А.Д.,Никитин В.А., Г.Даваацэрэн, Интенсификация  процесса  полусамоизмельчения на СП” Эрдэнэт”// Обогащение руд. 2002 г. №3

21. Л.Дэлгэрбат, Г.Даваацэрэн, Имитационное моделирование процесса полного и полусамоизмельчения., в кн.Новые решения в технике и технологии добычи и переработки медно-молибденовых руд. С.80-85

22. Г.Даваацэрэн, П.Оюунсүрэн, Б.Намуунгэрэл, Б.Бат-онолт, Новая  методика  расчёта технологических  схем продуктов обогащения. в кн.Новые решения в технике и технологии добычи и переработки медно-молибденовых руд. С.120-123

23. Л.Дэлгэрбат, Ж.Лхагва, Г.Даваацэрэн, Экспертно-оптимизационноеуправление процессами измельчения и флотации медно-молибденовых руд. в кн.Новые решения в технике и технологии добычи и переработки медно-молибденовых руд. С.219-225

24. Ц.Энхболд, Г.Даваацэрэн, Г.Цогт, Р.Дэлгэр, Бумбат үйлдвэрийн баяжуулах фабрикийн технологийн шинэчлэлт// Уул уурхайн сэтгүүл, 2004/№1(22), 11-14

25. Ц.Энхболд, Г.Даваацэрэн,  Цагаан суваргын зэсийн ордыг ашиглан катодын зэс үйлдвэрлэх технологийн талаар// Уул уурхайн сэтгүүл, 2004/№1(22), 14-18

26. Г.Даваацэрэн, Нунтаглалтын технологийн схемийн тооцоог компьютер хэрэглэн гүйцэтгэх нь// Уул уурхайн сэтгүүл, 2004/№1(22), 18-20.
27. Д.Даваасамбуу, Г.Даваацэрэн, Я.Пүрвээ, Ашигт малтмалын ордын санхүү-эдийн засгийн үнэлгээ. Нэг сэдэвт бүтээл, Улаанбаатар ,2003

28. Г.Даваацэрэн, Баяжуулах үйлдвэрийн хүдрийн бутлалт, нунтаглалтын төслийн зарим асуудалд,//Уул-уурхайн сэтгүүл,2004 ,2, х.11-15

29. Г.Даваацэрэн, Я.Пүрвээ, Д.Даваасамбуу, Захын агуулгыг эдийн засгийн аргаар үнэлэх асуудалд//Уул-уурхайн сэтгүүл, 2004, №1,

30. Д.Даваасамбуу, Г.Даваацэрэн, Ц.Энхболд ,Зэсийн баяжмалын гидрометаллургийн процессуудын өнөөгийн төлөв байдал, Я.Гомбосүрэн-Монгол улсын уул уурхайн салбарын нэрт эрдэмтэн,Улаанбаатар хот 2004, х.97-115

31. Г.Даваацэрэн ,Гидроциклоны тооцоо, сонголт//Уул уурхайн сэтгүүл 2004,№4

32.  Л.Дэлгэрбат, Г.Даваацэрэн, Н.Намдаг, Д.Далайжаргал , Автоматизированная подсистема управления технологическим процессом измельчения руд в мельницах самоизмельчения, Эрдэнэт хөгжил, 2005 №3, 51-55 х.

33. Г.Даваацэрэн, Б.Бат-Онолт, Хүдрийг хатуулгаар нь жигдрүүлэн хагас өөрөө нунтаглалтын тээрмийн бүтээмжийг дээшлүүлэх боломжийн судалгаа, Эрдэнэт хөгжил, 2005 №3, 65-67 х.

34. Б.Нямтайшир, Д.Содном, Г.Даваацэрэн, Монголын алт (МАК) корпораци-Монгол улсын говийн бүсийн хөгжилд, Шинжлэх ухаан , технологи,  2005 №4 , 36-41 х.

35. Г.Даваацэрэн, Б.Бат-Онолт, Д.Хүдэрмөнх, Баяжуулах үйлдвэрийн хүдэр бэлтгэх техник, технологийн хөгжил, Уул-уурхайн сэтгүүл, 2005 № 2

36. Д.Даваасамбуу, Г.Даваацэрэн, Ашигт малтмалын ордын үйлдвэрлэлийн захын агуулгыг тодорхойлох эдийн засгийн түргэвчилсэн аргууд, Шинжлэх ухаан, технологи сэтгүүл, 2004 он, №01,42-48 х.

37. Г.Даваацэрэн, Ж.Золжаргал, Д.Отгончимэг, Нүүрснээс шингэн түлш үйлдвэрлэх боломж, Өнөөгийн ба хэтийн төлөв ,Эрдэнэт-Хөгжил сэтгүүл,2006 он, №3,38-44 х.

38. Ж.Золжаргал, Г.Даваацэрэн, Нүүрснээс шингэн түлш үйлдвэрлэх боломж, түүний эрсдлийг Монте-Карлогийн аргаар үнэлэх нь,Хүрэл тогоотын семинар-2006, Эрдэм шинжилгээний бага хурлын эмхтгэл, 2006, Улаанбаатар, 49-53 х.

39. Г.Даваацэрэн, Б.Бат-Онолт, Д.Хүдэрмөнх , Хагас өөрөө нунтаглалтын тээрмийн сонголт, тооцооны асуудалд ,Уул-уурхайн сэтгүүл,УБ, 2006 №4

40. Г.Даваацэрэн, Б.Амартүвшин, Элдэвийн нүүрсний уурхайд хуурай баяжуулалтын технологи нэвтрүүлсэн тухай,Уул уурхайн технологи, эдийн , экологи-2007 , Эрдэм шинжилгээий хурлын эмхтгэл,237-242 х, 2007 он,

41. Г.Даваацэрэн, Ю.Хэрлэнбаяр, Т.Нандин-Эрдэнэ, Цагаан суваргын сульфидийн хүдрийн технологийн туршилтуудын үр дүн, Уул уурхайн сэтгүүл, 2008 №4, хх.15

42. Б.Нямтайшир, Д.Содном, Г.Даваацэрэн,  Ашигт малтмалын томоохон ордуудыг ашиглаж говийн хөгжлийг цогцоор шийдэх асуудалд, Уул уурхайн сэтгүүл, 2008 №4, хх. 6

43. Г.Цогт, Г.Даваацэрэн, Б.Баттулга, Б.Амартүвшин,  Элдэвийн уурхайд хуурай баяжуулалтын FGX-12 иж бүрэн төхөөрөмж нэвтрүүлсэн тухай, Уул уурхайн сэтгүүл, 2008 №4, хх.36

44. Г.Даваацэрэн, Ю.Хэрлэнбаяр, Т.Нандин-Эрдэнэ, Нүүрсийг баяжуулах технологийн дэлхийн чиг хандлага, Монгол орны нүүрсийг баяжуулах асуудалд, Уул уурхайн сэтгүүл, 2008 №4, хх. 36

45. Г.Даваацэрэн, Ц.Цэгмид, М.Базаррагчаа. Нарийнсухайтын ордын нүүрсийг баяжуулах судалгааны үр дүн, Уул уурхайн сэтгүүл, 2010 №2

46. Г.Даваацэрэн. Нүүрсийг баяжуулах технологийн дэлхийн чиг хандлага, Геологи уул-уурхайн мэдээ сонин, 2010, №21

47. Г.Даваацэрэн. НүүрсийггүнболовсруулахньМонголулсынирээдүйнзорилго., Геологи , уул уурхайн мэдээ сонин, 2010 оны 9 дүгээр сар 1

48. Г.Даваацэрэн. Хагас өөрөө нунтаглалтын тээрмийг сонгох асуудалд, Уул уурхайн сэтгүүл, 2011 №2.

49. G.Davaatseren, H.Wittmers, M.Bazarragchaa. Past, Present Situation and Future Development of Coal Processing Industry In Mongolia,XVII International Coal Preparation congress 1-6 October 2013, Istanbul, Turkey.

50. Г.Даваацэрэн, Ц.Цэгмид, М.Базаррагчаа, Б.Сэрдамба. Качественные характеристики и обогатимость угля месторождения Нарийнсухайт, Монголия, Известия Донецкого Горного Института, Все Украйнский научно-технический журнал, №2 (33), 2013, стр.16.

51. Г.Даваацэрэн, С.Хандмаа, Ж.дэлгэрцэцэг.Цагаансуваргын исэлдсэн хүдрийг боловсруулах SX/EW төслийн технологийн сонголт, Эрдэс Боловсруулалт -2014, Эрдэм шинжилгээний хурлын эмхэтгэл, 33 х. 2014, Улаанбаатар

52. Г.Даваацэрэн, Монгол улсын нүүрс боловсруулалт, Эрдэс Боловсруулалт -2014, Эрдэм шинжилгээний хурлын эмхэтгэл, 88 х. 2014, Улаанбаатар

53. Г.Даваацэрэн, М.Базаррагчаа, Ж.Мядагмаа, Нарийнсухайтын олон үет давхрагын нүүрсийг хуурай Allair технологиор баяжуулсан хагас үйлдвэрийн туршилтын үр дүн. Эрдэс Боловсруулалт -2014, Эрдэм шинжилгээний хурлын эмхэтгэл, 91х. 2014, Улаанбаатар

54. Г.Даваацэрэн, Монгол улсын уул уурхайн салбарын хөгжилд мэргэжлийн холбоодын үүрэг чухал, Эрдэс Боловсруулалт -2014, Эрдэм шинжилгээний хурлын эмхэтгэл, 171х. 2014, Улаанбаатар

55. Jambal Davaasuren, Byong-Gon Kim Ju Hyoung Lee, Gendeekhuu Davaatseren, Magsar Bazarragchaa, Dry Coal Preparation of Fine particles by KAT Process, VIII International Coal Preparation Congress, 2016 , Saint Peterburg

56. Gendeekhuu Davaatseren, Magsar Bazarragchaa, Dry AllAir Pilot Plant Test results on Naryn Sukhait’s Multilayer Coal , VIII International Coal Preparation Congress, 2016 , Saint Peterburg

57. Г.Даваацэрэн, М.Базаррагчаа, Нүүрс баяжуулах үйлдвэрийн техник-технологийн өнөөгийн байдал, Баяжуулагч сэтгүүл, 2018 он, №1

58. Г.Даваацэрэн, М.Базаррагчаа, Б.Сэрдамба, Нарийнсухайтын ордын олон үет давхаргын нүүрсэнд шинэ урвалжуудыг туршсан флотацийн туршилт, Баяжуулагч сэтгүүл, 2018 он , №1

59. Г.Даваацэрэн, Ц.Цэгмид, М.Базаррагчаа, Б.Сэрдамба, Нарийнсухайтын ордын нүүрсний баяжигдах чанарын судалгаа, Баяжуулагч сэтгүүл, 2018 он , №1

60. Г.Даваацэрэн, М.Базаррагчаа, Ц.Цэгмид, Г.Очирбат, Монголын анхны хүнд орчны модулийн нүүрс баяжуулах үйлдвэр , Баяжуулагч сэтгүүл, 2018 он , №2

61. Г.Даваацэрэн , Хөвөлт-суултын шинжилгээний үр дүнгээр нүүрс баяжуулах үйлдвэрийн материалын балансыг аналитик аргаар тооцох нь, Баяжуулагч сэтгүүл, 2018 он , №2
62.   Г.Шархүү, Г.Даваацэрэн, Я.Пүрвээ, Эрдэнэт үйлдвэрийн     баяжуулах фабрикийн техник-технологийн шинэчлэлтийн чиглэлийг боловсруулахад ирээдүйд олборлох хүдрийн физик-механикийн шинж чанарыг тодорхойлохын ач холбогдол, Баяжуулагч сэтгүүл, 2018 он , №2

     63.  G.Davaatseren, M.Bazarragchaa, Ts. Tsegmid, Mongolia’s first gravity fed 3-product heavy medium cyclone coal washing plant, XIX International Coal Preparation Congress, Volume 1, page 70

    64. Г.Даваацэрэн, М.Гантулга, Баяжуулах үйлдвэрийн балансын тооцоо ба өгөгдлийг тохируулах аргууд, Баяжуулагч сэтгүүл, 2020, №5

    65.  Г.Даваацэрэн, М.Базаррагчаа, Нүүрс баяжуулах үйлдвэрийн хүнд орчны гидроциклон болон тунаах технологиудын харьцуулсан судалгаа, Баяжуулагч сэтгүүл, 2020, №5

    66.  М.Базаррагчаа, Г.Даваацэрэн, Д.Энхбат, Ц.Цэгмид, Ж.Золжаргал, Дэлхийн нүүрс баяжуулах үйлдвэрүүд,  Баяжуулагч сэтгүүл, 2021, №7, хуудас 8

    67. М.Базаррагчаа, Г.Даваацэрэн, Д.Энхбат, Ц.Цэгмид, Ж.Золжаргал, Д.Хүдэрмөнх, Нүүрсийг хуурай аргаар баяжуулах технологийн рөгжлийн чиг хандлага. Баяжуулагч сэтгүүл, 2021, №7, хуудас 52

    68. Г.Даваацэрэн, Ц.Цэгмид, М.Базаррагчаа, Г.Очирбат, Нарийнсухайтын уурхайн нүүрсийг сонгомол шигшилт болон хуурай баяжуулалтын аргаар боловсруулах боломжийн талаар, Баяжуулагч сэтгүүл, 2021, №7, хуудас 73

     69. Г.Даваацэрэн, М.Базаррагчаа, Д.Хүдэрмөнх, Д.Нямдаваа, Нүүрс баяжуулах үйлдвэрийн балансын тооцоо ба өгөгдлийг тохируулах аргын тухайд.  Баяжуулагч сэтгүүл, 2021, №7, хуудас 80

70. Г.Даваацэрэн. Эрдэс боловсруулалтын судалгаанд математик-загварчлал, хиймэл оюун ба машин сургалтын аргуудыг хэрэглэх нь. Баяжуулагч сэтгүүл , 2022 он, №10, хуудас 22.

 

ПАЙТОН БОДЛОГО №1 (Сорьцлолтын төлөөлөх дээжний хамгийн бага жин)

Энэхүү python программ нь GY-ийн томьёогоор төлөөлөх дээжний хамгийн бага жинг олно.

#  Gy-ийн томьёоны Python функц
# Author: G. Davaatseren - Python for Mineral Processing Engineers

def gy_min_sample_mass(C: float, d_mm: float, rho: float, f: float) -> float:
     # мм-ийг метр болгох
    d_m = d_mm / 1000.0
    
    # Gy-ийн томьёо
    m_tonnes = (C * (d_m ** 3) * rho) / (f ** 2)
    return m_tonnes
    
#  Жишээ бодлогын өгөгдөл

C = 0.5      # Gy constant
d_mm = 50.0  # top size, мм
rho = 2.7    # t/m3
f = 0.05     # 5% relative error

m_min_t = gy_min_sample_mass(C, d_mm, rho, f)
m_min_kg = m_min_t * 1000  # кг руу хөрвүүлэх

print(f"Хамгийн бага сорьцын масс ≈ {m_min_t:.4f} тн")
print(f"Эсвэл ≈ {m_min_kg:.1f} кг")

#  Ялгаатай ширхэглэл (d) болон алдааны түвшин (f) -ийн нөлөөг харуулах

import numpy as np
import matplotlib.pyplot as plt

C = 0.5
rho = 2.7

# 20 мм-ээс 100 мм хүртэл
d_values = np.linspace(20, 100, 9)  # 20, 30, ..., 100 мм
f_values = [0.1, 0.05, 0.03]        # 10%, 5%, 3%

plt.figure(figsize=(7,5))

for f in f_values:
    m_list = []
    for d_mm in d_values:
        m_list.append(gy_min_sample_mass(C, d_mm, rho, f) * 1000)  # кг
    plt.plot(d_values, m_list, marker="o", label=f"f = {f*100:.0f} %")

plt.xlabel("Хамгийн том ширхэглэл, d (мм)")
plt.ylabel("Хамгийн бага сорьцын масс, m (кг)")
plt.title("Gy-ийн томьёогоор   өөрчлөгдөхөд сорьцын масс")
plt.grid(True)
plt.legend()
plt.show()

Линч - Витены бутлалтын загвар (Lynch - Whiten)

Энэхүү python программ нь 1977 онд Линчийн боловсруулсан матрицын аргаар бутлалтын циклыг загварчлалыг гүйцэтгэнэ.

# ---------- Fresh feed ----------
Q_fresh = 1812.0      # tph
F80_feed_mm = 45.0    # for information

# Example feed PSD (replace with real data!)
feed_psd = np.array([0.02, 0.04, 0.09, 0.20, 0.30, 0.35], dtype=float)
feed_psd /= feed_psd.sum()

print("Check feed P80 (mm):", calc_P80(feed_psd))

def build_breakage_matrix(size_mid):
    """
    Simple lower-triangular Whiten-style breakage matrix.
    You can calibrate this later from testwork.
    """
    n = len(size_mid)
    B = np.zeros((n, n))
    for i in range(n):
        B[i, i] = 0.4
        if i >= 1:
            B[i, i-1] += 0.3
        if i >= 2:
            B[i, i-2] += 0.2
        if i >= 3:
            B[i, i-3] += 0.1
        B[i] /= B[i].sum()
    return B
def build_classification_matrix(size_mid, css_mm=18.0):
    """
    Lynch selection function (probability of breakage).
    """
    n = len(size_mid)
    C = np.zeros((n, n))
    for i, d in enumerate(size_mid):
        if d > 2.5 * css_mm:
            pb = 0.95
        elif d > css_mm:
            pb = 0.70
        elif d > 0.5 * css_mm:
            pb = 0.40
        else:
            pb = 0.05
        C[i, i] = pb
    return C

B = build_breakage_matrix(size_mid)
C = build_classification_matrix(size_mid, css_mm=18.0)  # guess CSS

def cone_crusher(feed_psd, B, C):
    """
    Whiten cone crusher:
        P = F (I - C) + F C B
    """
    F = feed_psd.reshape(1, -1)
    I = np.eye(len(feed_psd))
    P = F @ (I - C) + F @ C @ B
    P = P.ravel()
    P = np.maximum(P, 0)
    P /= P.sum()
    return P

def build_partition_curve(size_mid, d50=14.0, sharpness=2.0):
    """
    Partition curve: probability to undersize.
      p_u(d) = 1 / (1 + (d/d50)^sharpness)
    """
    d = size_mid
    return 1.0 / (1.0 + (d / d50) ** sharpness)

p_u = build_partition_curve(size_mid, d50=14.0, sharpness=2.0)

def screen_step(feed_mass_by_class, p_u):
    """
    feed_mass_by_class: tph per size class
    """
    mass_U = feed_mass_by_class * p_u
    mass_O = feed_mass_by_class - mass_U

    Q_U = mass_U.sum()
    Q_O = mass_O.sum()

    psd_U = mass_U / Q_U if Q_U > 0 else np.zeros_like(mass_U)
    psd_O = mass_O / Q_O if Q_O > 0 else np.zeros_like(mass_O)

    return mass_U, mass_O, Q_U, Q_O, psd_U, psd_O
    def simulate_circuit(Q_fresh, feed_psd, B, C, p_u,
                     max_iter=1000, tol=1e-4):
    n = len(feed_psd)

    Q_recycle = 0.0
    psd_recycle = np.zeros(n)

    for it in range(max_iter):
        Q_cr_feed = Q_fresh + Q_recycle

        if Q_cr_feed > 0:
            psd_cr_feed = (Q_fresh * feed_psd + Q_recycle * psd_recycle) / Q_cr_feed
        else:
            psd_cr_feed = feed_psd.copy()

        psd_cr_prod = cone_crusher(psd_cr_feed, B, C)

        mass_screen_feed = Q_cr_feed * psd_cr_prod
        (mass_U, mass_O,
         Q_U, Q_O,
         psd_U, psd_O) = screen_step(mass_screen_feed, p_u)

        # screen feed PSD for plotting
        psd_screen_feed = mass_screen_feed / mass_screen_feed.sum()

        Q_recycle_new = Q_O
        psd_recycle_new = psd_O.copy()

        rel_change = abs(Q_recycle_new - Q_recycle) / max(Q_cr_feed, 1e-6)
        Q_recycle, psd_recycle = Q_recycle_new, psd_recycle_new

        if rel_change < tol:
            print(f"Converged in {it+1} iterations.")
            break

    results = {
        # rates
        "Q_fresh": Q_fresh,
        "Q_crusher_feed": Q_cr_feed,
        "Q_recycle": Q_recycle,
        "Q_product": Q_U,
        # PSDs
        "psd_fresh": feed_psd,
        "psd_crusher_feed": psd_cr_feed,
        "psd_crusher_product": psd_cr_prod,
        "psd_screen_feed": psd_screen_feed,
        "psd_screen_oversize": psd_O,
        "psd_screen_undersize": psd_U,
    }
    return results
    
    res = simulate_circuit(Q_fresh, feed_psd, B, C, p_u)

Q_prod = res["Q_product"]
P80_prod = calc_P80(res["psd_screen_undersize"])

print("\n=== Steady-state summary ===")
print(f"Fresh feed rate          : {res['Q_fresh']:.1f} tph")
print(f"Crusher feed rate        : {res['Q_crusher_feed']:.1f} tph")
print(f"Recycle (screen oversize): {res['Q_recycle']:.1f} tph")
print(f"Final product rate       : {Q_prod:.1f} tph")
print(f"Final product P80 (mm)   : {P80_prod:.2f} mm")
    

МАШИН СУРГАЛТЫН (ХИЙМЭЛ ОЮУНЫ) ЭНГИЙН PYTHON ПРОГРАММ

===========================================================================================================================
Энэхүү программ нь Python-ы Tensorflow , Keras зэрэг сангуудыг ашиглан машин сургалтын аргаар (хиймэл оюун) ажилд орохыг
хүссэн өргөдлүүдийг хиймэл оюуны тусламжтайгаар шийдвэр гаргах юм. 
 Иймэрхүү байдлаар тэндэр дүгнэж шийдвэр гаргах, Баяжуулах үйлдвэрийн олон хүчин зүйлүүдийг боловсруулж өмнө нь мэдэгдээгүй
хууль зүйг нээн илрүүлэх зэрэгт амжилттаөй хэрэглэж болох юм.

Өргөдлийн өгөгдлүүд:
- Ажлын туршлага , жилээр
- Ажлын туршлагын оноо (0-100)
- Ярианы чадвар 
- Боловсролын түвшин

Шийдвэр:
0 - ажилд авахгүй
1- ажилд авна

==========================================================================================================================
import numpy a
import tensorflow as tf
from tensorflow import keras
import matplotlib.pyplot as plt

# 1. ӨГӨГДӨЛ БЭЛДЭХ
# Оролтын өгөгдөл: [туршлага(жил), оноо(100-аас), ярианы чадвар(0-1), боловсролын түвшин(0-2)]
# Гаралт: 0 - ажилд авахгүй, 1 - ажилд авна

# Сургалтын өгөгдөл

X_train = np.array([
    [2, 65, 0.3, 1],   # анхны өргөдөл
    [5, 80, 0.7, 2],   # хоёр дахь өргөдөл
    [1, 45, 0.2, 0],   # гэх мэт...
    [8, 90, 0.9, 2],
    [3, 70, 0.5, 1],
    [0, 35, 0.1, 0],
    [10, 95, 0.95, 2],
    [4, 75, 0.6, 1]
])

# Харгалзах хариу (мэргэжилтний шийдвэр)
y_train = np.array([0, 1, 0, 1, 1, 0, 1, 1])

# 2. НЕЙРОН СҮЛЖЭЭГ БҮТЭЭХ
model = keras.Sequential([
    keras.layers.Dense(8, activation='relu', input_shape=(4,)),  # Далд давхарга
    keras.layers.Dense(4, activation='relu'),                   # Давхарга нэмэх
    keras.layers.Dense(1, activation='sigmoid')                 # Гаралтын давхарга
])

# 3. СҮЛЖЭЭГ ТОХИРУУЛАХ
model.compile(
    optimizer='adam',
    loss='binary_crossentropy',
    metrics=['accuracy']
)

# 4. СУРГАЛТ ХИЙХ
print("Сургалт эхлэж байна...")
history = model.fit(
    X_train, 
    y_train,
    epochs=100,
    batch_size=2,
    verbose=0  # Дэлгэцэд хэт олон мэдээлэл харуулахгүй
)

# 5. ШИНЭ ӨГӨГДӨЛ ДЭЭР ТААМАГЛАЛ ХИЙХ
# Шинэ өргөдөл: [туршлага, оноо, ярианы чадвар, боловсрол]
new_applicants = np.array([
    [3, 72, 0.6, 1],   # 1-р өргөдөл
    [6, 85, 0.8, 2],   # 2-р өргөдөл  
    [1, 40, 0.1, 0]    # 3-р өргөдөл
])

predictions = model.predict(new_applicants)

# 6. ҮР ДҮНГ ХАРУУЛАХ
print("\n" + "="*50)
print("ШИНЭ ӨРГӨДӨЛҮҮДИЙН ШИЙДВЭР:")
print("="*50)

for i, (applicant, pred) in enumerate(zip(new_applicants, predictions)):
    probability = pred[0]
    decision = "АЖИЛД АВАХ" if probability > 0.5 else "АЖИЛД АВАХГҮЙ"
    
    print(f"\n{i+1}-р өргөдөл:")
    print(f"  Туршлага: {applicant[0]} жил")
    print(f"  Оноо: {applicant[1]}/100")
    print(f"  Ярианы чадвар: {applicant[2]:.1%}")
    print(f"  Боловсрол: {['Бага', 'Дунд', 'Дээд'][int(applicant[3])]}")
    print(f"  Магадлал: {probability:.2%}")
    print(f"  ШИЙДВЭР: {decision}")

# 7. СУРГАЛТЫН ТҮҮХИЙГ ХАРУУЛАХ
plt.figure(figsize=(12, 4))

plt.subplot(1, 2, 1)
plt.plot(history.history['loss'])
plt.title('Сургалтын алдаа')
plt.xlabel('Эпох')
plt.ylabel('Алдаа')

plt.subplot(1, 2, 2)
plt.plot(history.history['accuracy'])
plt.title('Сургалтын нарийвчлал')
plt.xlabel('Эпох')
plt.ylabel('Нарийвчлал')

plt.tight_layout()
plt.show()

# 8. ЗАГВАРЫН ДЭЛГЭРЭНГҮЙ МЭДЭЭЛЭЛ
print("\n" + "="*50)
print("ЗАГВАРЫН ДЭЛГЭРЭНГҮЙ МЭДЭЭЛЭЛ:")
print("="*50)
model.summary()

Өгөгдлийн шинжилгээ ба Эрдэс боловсруулалтын технологи

Эрдэс боловсруулалтын салбарт өгөгдлийн шинжилгээ нь үйлдвэрлэлийн үр ашгийг дээшлүүлэх, зардлыг бууруулах, байгаль орчноо хамгаалах зорилгоор амжилттай хэрэгжиж байна. Орчин үеийн уул уурхайн үйлдвэрүүд тоног төхөөрөмжөөс олборлож буй өгөгдлийг боловсруулах замаар үйл явцыг оновчтой болгож, ашигт малтмалын баяжмалын гарцыг нэмэгдүүлдэг.

Эрдэс боловсруулалтын үйл явцын өгөгдлийн шинжилгээ нь хүдэр бутлах, нунтаглах, баяжуулах, хатаах зэрэг үе шатуудад явагддаг. Өгөгдлийн шинжилгээг ашиглан хүдэр дэх ашигт малтмалын агуулга, шинж чанарыг тодорхойлох, боловсруулалтын параметрүүдийг (жишээ нь: бутлуурын тохиргоо, флотацийн реагентын тун) зөв сонгох боломжтой болсон.

Машин сургалтын алгоритмууд нь эрдэс боловсруулалтын үйлдвэрлэлийн өгөгдөлд дүн шинжилгээ хийж, оновчтой үйл ажиллагааны горимыг санал болгодог. Жишээлбэл, флотацийн процессын үр дүнг урьдчилан таамаглах, бөөмийн хэмжээний тархалтыг хянах, эрчим хүчний хэрэглээг бууруулах зэрэг асуудлуудыг шийдвэрлэхэд өгөгдлийн шинжилгээг өргөн ашиглаж байна.

Дараагийн түвшний хэрэглээг "Ухаалаг уурхай" (Smart Mining) гэж нэрлэдэг бөгөөд бодит цагын мэдээлэл, IoT төхөөрөмж, дижитал ихэр технологийг нэгтгэсэн цогц систем юм. Энэ нь уурхайн үйл ажиллагааг тасралтгүй хянаж, асуудлыг урьдчилан олж илрүүлэх, засвар үйлчилгээг төлөвлөх, аюулгүй байдлыг дээшлүүлэх боломжийг олгодог.

Өгөгдлийн шинжилгээ нь эрдэс боловсруулалтын салбарт шинэ эринийг нээж, уламжлалт арга барилыг шинэчилж байна. Энэ нь зөвхөн эдийн засгийн үр ашигтай бус харин байгаль орчинд ээлтэй, тогтвортой хөгжлийг хангахад чухал хувь нэмэр оруулж байна. Ирээдүйд тохируулгатай боловсруулалт (Precision Mineral Processing) нь салбарын гол чиг хандлага болж, өгөгдөлд суурилсан шийдвэр гаргалт улам бүр нэмэгдэх төлөвтэй байна.

УСНЫ БАКНЫ ТҮВШИНГ ФАЗЗИ-ЛОЖИКООР УДИРДАХ ПРОГРАММ (ЖИШЭЭ)

 Fuzzy Logic-аар усны бакны түвшинг удирдах нь сонсогдож байгаа шиг нарийн төвөгтэй боловч логик алхамуудыг дараалан хийвэл хялбархан хэрэгжүүлэх боломжтой.

Fuzzy Logic системийн үндсэн алхамууд:
Fuzzy Logic систем нь оролт, боловсруулалт, гаралт гэсэн 3 үндсэн хэсгээс бүрдэнэ.

(A) Оролтын хувьсагч (Input):
Усны бакны түвшинг удирдахдаа дараах оролтуудыг авч болно:
Түвшний алдаа (Error, e) = Хүссэн түвшин (Desired Level) - Одоогийн түвшин (Current Level)
Түвшний өөрчлөлт (Δe) = Одоогийн алдаа - Өмнөх алдаа
(B) Fuzzy олонлогууд ба гишүүнчлэл (Membership Functions):

Оролт/гаралтыг "Fuzzy олонлог"-оор тодорхойлно. Жишээ нь:
Алдаа (e): "Сөрөг их" (Negative Large), "Сөрөг бага" (Negative Small), "Тэг" (Zero), "Эерэг бага" (Positive Small), "Эерэг их" (Positive Large)
Өөрчлөлт (Δe): "Буурах" (Decreasing), "Тогтмол" (Steady), "Өсөх" (Increasing)
Гаралт (Насосны хурд): "Унтраах" (Off), "Удаан" (Slow), "Дунд" (Medium), "Хурдан" (Fast)

(C) Дүрэм (Fuzzy Rules):
"IF-THEN" дүрмүүдийг тодорхойлно. Жишээ нь:
IF алдаа "Тэг" AND өөрчлөлт "Тогтмол" THEN насос "Унтраах"
IF алдаа "Эерэг бага" AND өөрчлөлт "Өсөх" THEN насос "Удаан"
IF алдаа "Сөрөг их" THEN насос "Хурдан"
(Дүрмүүдийг системийн шаардлагад тохируулан өөрчилнө.)

(D) Дефаззификаци (Defuzzification):

Fuzzy дүрмүүдээр гарсан үр дүнг бодит тоо (насосны хурд) болгон хувиргана. Ихэвчлэн "Центроидын арга" (Centroid Method) хэрэглэдэг.

Ийнхүү насосны хурдыг 13,6% тогтоох даалгавар өгч байна. 

JK Drop Weight туршилтын үр дүнгээр ХӨН-ын тээрмийн цахилгааны хэрэглээг тооцох нь (PYTHON)

 

ӨГӨГДЛИЙН ШИНЖЛЭХ УХААН (DATA SCIENCE) УУЛ УУРХАЙ, ЭРДЭС БОЛОВСРУУЛАЛТЫН САЛБАРТ ЯМАР ХЭРЭГТЭЙ ВЭ?

Өгөгдлийн шинжлэх ухааныг (Data Science) Эрдэс боловсруулалтын технологид хэрэглэгдэх нь

Өгөгдлийн шинжлэх ухаан нь эрдэс боловсруулалтын салбарт үйлдвэрлэлийн үр ашиг, чанарыг дээшлүүлэх, зардлыг бууруулах, байгаль орчинд ээлтэй шийдлүүдийг боловсруулахад чухал үүрэг гүйцэтгэдэг. Эрдэс баялгийн салбарт дараах чиглэлүүдэд өгөгдлийн шинжлэх ухааны аргууд өргөн хэрэглэгдэнэ.  

    1. Уурхайн олборлолтын үр ашгийг дээшлүүлэх  

- Машин сургалт (ML) ба хиймэл оюун (AI) ашиглан уурхайн ордын загварчлал, илрүүлэлтийг нарийвчлалтай хийх.  

- Өгөгдөлд тулгуурлан олборлолтын төлөвлөгөөг оновчтой боловсруулах.  

- IoT (юмсын интернет) болон "сенсор технологи"-ын тусламжтай уурхайн аюулгүй байдлыг хянах.  

    2. Боловсруулалтын процессын оновчтой болгох 

- Түүхий эд (хүдэр)-ийн чанарыг таамаглах– ML загварууд ашиглан хүдэр дэх ашигт бодисын агуулгыг урьдчилан тооцоолох.  

- Флотаци, гидрометаллурги зэрэг процессуудыг автоматжуулах – Өгөгдлийн дүн шинжилгээгээр химийн урвалж, эрчим хүчний хэрэглээг оновчтой болгох.  

- Алдаа, зогсолтыг урьдчилан таних – Predictive Maintenance (урьдчилан сэргийлэх засвар) аргаар тоног төхөөрөмжийн эвдрэлийг урьдчилан мэдэх.  

3. Байгаль орчны нөлөөллийг бууруулах  

- Уурхайн хаягдлын менежмент– Дата-аналитик ашиглан хаягдлыг дахин боловсруулах, бохирдлыг хянах.  

- Нүүрс, металлын ялгаралтыг мониторинг хийх – Цаг уурын өгөгдөлтэй харьцуулан үйлдвэрлэлийн нөлөөллийг үнэлэх.  

    4. Эрдэс баялгийн зах зээлийн судалгаа  

- Үнийн таамаглал – Өгөгдлийн шинжилгээгээр металлын үнийг урьдчилан тооцоолох.  

-Эрэлт, нийлүүлэлтийн тэнцвэрийг шинжлэх – Дэлхийн эрдэс баялгийн зах зээлийн чиг хандлагыг тодорхойлох.  

    5. Робот технологи, автономит систем 

- Ухаалаг машин, drone-ууд – Уурхайн хайгуул, хяналтыг автоматжуулах.  

- Computer Vision буюу дүрсийг таних – Хүдэр ялгах, ангилах процессууд, хүдрийн гранулометрийн бүхэллэгийг онлайнаар хэмжэих , хиймэл оюунаар (AI) удирдах 

Дүгнэлт  

Өгөгдлийн шинжлэх ухаан нь эрдэс боловсруулалтын салбарт автоматжуулалт, оновчтой болгох, урьдчилан таамаглах чадварыг нэмэгдүүлснээр уламжлалт аргуудыг хувьсгаж байна. 

Ирээдүйд AI, IoT, Big Data-ийн хослосноо энэ салбарт илүү их шинэлэг шийдлүүдийг бий болгох болно.

ТЕХНОЛОГИЙН ПРОЦЕССЫГ УДИРДАХАД ХИЙМЭЛ ОЮУНЫГ ХЭРЭГЛЭХ НЬ

    Баяжуулалтын процессыг удирдахад хиймэл оюуныг хэрэглэх бүрэн боломжтой бөгөөд Fuzzy Logic буюу Бүдэг логикийг  практикт амжилттай хэрэглэж болох юм. Үүний тулд  бид Python программыг  ашиглан удирдагын код дээр тайлбарлав. 

    Фаззи логик (Fuzzy Logic) гэдэг нь уламжлалт (сонгодог) логикийн "0 ба 1" (Үгүй эсвэл Тийм) гэсэн хоёртын системээс ялгаатай, "Бүдэг логик (хэмжигдэхүүнийг бүдгэрүүлсэн)" дээр суурилсан шийдвэр гаргах арга юм. Энэ нь тодорхой бус нөхцөл байдал, өөрчлөгдөж буй орчинд оновчтой шийдвэр гаргахад тохиромжтой.

Фаззи логикийн үндсэн ойлголт:

1. Лингвистик хувьсагч: "Маш хүйтэн", "дулаан", "маш халуун" гэх мэт үгсээр илэрхийлэгддэг.

2. Фаззи олонлогууд: Хэмжигдэхүүнийг 0-ээс 1-ийн хооронд "хэр бага", "дунд", "их" гэх мэт гишүүнчлэлээр тодорхойлдог.

3. Дүрэм (Rules): "Хэрэв температур "халуун" бол сэнсний хурдыг "их" болго гэх мэт логик дүрмүүд.

    Автомат удирдлагад хэрхэн ашиглах вэ?

Фаззи логикийг автомат системд (жишээ нь: ухаалаг барилга, робот, автомашин, үйлдвэрлэлийн процесс) дараах алхмуудаар ашиглана:

     1. Оролтын параметрүүдийг  фазид хувиргах (Fuzzification)  

   - Тодорхой утгыг (жишээ нь: температур = 30°C) "хүйтэн", "дулаан", "халуун" гэх мэт фаззи олонлогт хувиргана.

    2. Дүрмийн санг боловсруулах  

   - Мэдлэг, туршлагад суурилсан "IF-THEN" дүрмүүдийг тодорхойлно.  

     Жишээ: 

     - IF температур "халуун" AND чийгшил "их"  бол THEN кондиционерын хурдыг "их" болгох.  

     - IF тээрмийн ачаалал "их" бол THEN хурдыг "бага" болгох.

     3. Дүгнэлт гаргах (Inference)

   - Оролтын утгууд болон дүрмүүдийг харьцуулан, гарч болох үр дүнг тооцоолно.

    4. Фаззи үр дүнг тодорхой утгад шилжүүлэх (Defuzzification)  

   - "Кондиционер 70% хурдтай ажиллах" гэх мэт тодорхой командыг гаргана.  

    5.Фаззи Ложик системийн давуу тал:

-  Нарийн математик загвар шаарддаггүй.  

- Хүний шийдвэр гаргах логикийг имитаци хийдэг.  

- Төвөгтэй, шугаман бус системд тохиромжтой.

   

    Фаззи ложикийн хэрэглээг ХӨН-ын тээрмийг хэрхэн автоматаар удирдах жишээн дээр авч үзье.

    Бидний жишээн дээр ХӨН-ын тээрмийн дараах параметрүүдийг авч үзэв.

- Тэжээлийн бүхэллэг (Feed size) 

- Тээрмийн ачаалал (Mill Load)

- Тээрмийн эргэлийн хурд (Mill Speed)

- Тээрмийн бүтээл (Тэжээлийн конвейерийн жин, эсвэл хурд) 

    Дээрх параметрүүдийн эхний 3 нь оролтын параметр ба харин эпгээр параметрүүдийн утгаар тээрмийн бүтээлийг (гаралтын ) автоматаар тохируулах юм.

Бид Python программ дээр удирдлагын кодыг бичихдээ skfuzzy санг ашиглах бөгөөд эхдээд шаардлагатай сангуудыг ачаална. 

Үүний дараа удирдлагын хувьсагчууд, тэдгээрийн өөрчлөгдөх диапазоныг тодорхойлно.

Дээрх хувьсагчдыг ашиглан удирдлагын дүрмүүдийг тодорхойлно. Дүрмүүдийг IF-THEN оператор ашиглан хэрхэн тодорхойлохыг доор кодонд харуулав.

    Тухайн хугацаанд мэдрэгчүүдээс (датчик) авсан утгуудыг ашиглан тээрмийн бүтээл буюу конвейерийн хурдыг чухам хэд болгох гаралтын параметрийг тодорхойлно. Үүнийг дараах кодонд үзүүлэв.

 

     Энэхүү жишээн дээр тээрмийн бүтээлийг (тэжээлийн конвейерийн хурдаар) 54.18%  тохируулах командыг компьютер өгнө.

Энэ мэтчилэн технологийн процессыг илүү нарийн дүрмүүд боловсруулан нарийн удирдан боломжтой.

    Фаззи ложик удирдлагын систем нь хиймэл оюуныг (AI)  үйлдвэрлэлийн процессыг удирдахад хэрэглэх тод жишээ юм.

    

    

Монте -Карлогийн загварчлалын аргыг Эрдэс боловсруулалтын технологид хэрэглэх нь

     Монте-Карлогийн загварчлалын арга нь санамсаргүй тоо ашиглан төвөгтэй системийн үйл явцыг загварчлах, үр дүнг тооцоолох арга юм. Эрдэс боловсруулалтын технологид энэ аргыг ашигласнаар үйл явцын үр ашиг, зардлыг үнэлэх, шинэ технологийг судлах, шийдвэр гаргахад дэмжлэг үзүүлэх боломжтой.

    Монте-Карлогийн загварчлалыг эрдэс боловсруулалтад хэрэглэх гол чиглэлүүд:

1. Үйл явцын загварчлал:

   - Эрдэс боловсруулалтын үйл явц (жишээ нь: бутлах, нунтаглах, баяжуулалт) нь олон хүчин зүйлээс хамаардаг. Монте-Карлогийн аргаар эдгээр хүчин зүйлсийг санамсаргүй байдлаар өөрчилж, үйл явцын үр дүнг урьдчилан тооцоолох боломжтой.

   - Жишээ нь: Баяжуулах үйлдвэрлэлийн баяжмалын гарц, металл авалтыг  тооцоолохдоо ордын найрлага, боловсруулах технологийн үр ашиг зэрэг хүчин зүйлсийг харгалзан үзэх.

2. Эрсдэлийн үнэлгээ:

   - Эрдэс боловсруулалтын төслийн эрсдэлийг үнэлэхэд Монте-Карлогийн аргыг ашиглаж болно. Энэ нь төсөв, цаг хугацаа, нөөцийн хэрэгцээ зэрэг хувьсагчдын өөрчлөлтийг тооцоолох боломжийг олгодог.

   - Жишээ нь: Төслийн өртөг, ашигт ажиллагааг тооцоолохдоо зах зээлийн үнэ, эрдэс баялгийн найрлага зэрэг хувьсагчдын өөрчлөлтийг харгалзан үзэх.

3. Тоног төхөөрөмжийн сонголт ба оновчтой болгох:

   - Монте-Карлогийн аргыг ашиглан тоног төхөөрөмжийн сонголт, үйлдвэрлэлийн үйл явцыг оновчтой болгох боломжтой.

   - Жишээ нь: Бутлах, нунтаглах төхөөрөмжийн үр ашгийг тооцоолохдоо түүхий эдийн шинж чанар, төхөөрөмжийн гүйцэтгэлийг харгалзан үзэх.

4. Эрдэс баялгийн нөөцийн үнэлгээ:

   - Эрдэс баялгийн нөөцийг үнэлэхэд Монте-Карлогийн аргыг ашиглаж болно. Энэ нь ордын геологийн өгөгдөл, эрдэс баялгийн агуулга зэрэг хувьсагчдыг харгалзан нөөцийн хэмжээ, чанарыг тооцоолох боломжийг олгодог.

   - Жишээ нь: Алтны ордын нөөцийг үнэлэхдээ алтны агуулга, ордын геологийн бүтэц зэрэг хувьсагчдыг харгалзан үзэх.

5. Шинэ технологийн судалгаа:

   - Шинэ технологийг нэвтрүүлэхээс өмнө түүний үр ашиг, эдийн засгийн үр нөлөөг Монте-Карлогийн аргаар үнэлэх боломжтой.

   - Жишээ нь: Шинэ баяжуулах технологийг нэвтрүүлэхээс өмнө түүний үр ашиг, зардлыг тооцоолох.

    Давуу талууд:

- Нарийн төвөгтэй системийг загварчлах боломжтой.

- Эрсдэлийг үнэлэх, шийдвэр гаргахад дэмжлэг үзүүлэх.

- Тооцооллын үр дүнг статистик аргаар дүгнэх боломжтой.

 Алдааны эх үүсвэрүүд:

- Оролтын өгөгдөл буруу байвал үр дүн нь буруу гарна.

- Тооцооллын хугацаа их шаардагдах тохиолдол байдаг.

    Эрдэс боловсруулалтын технологид Монте-Карлогийн аргыг ашигласнаар үйл явцыг илүү үр дүнтэй удирдах, эрсдэлийг бууруулах, шинэлэг шийдлүүдийг нэвтрүүлэх боломжтой.

Доор Монте-Карлогийн аргаар санхүүгийн эрсдлийг тооцох энгийн жишээ үзүүлэв (Python).

 

ИНЖЕНЕРИЙН ТООЦООЛОЛ - ШУГАМАН ТЭГШИТГЭЛИЙН СИСТЕМ

 

НУНТАГЛАЛТЫН МАТРИЦАН ЗАГВАРЫГ PYTHON ХЭЛЭЭР ГҮЙЦЭТГЭХ НЬ

 

ИНЖЕНЕРИЙН ТООЦООЛОЛ БА PYTHON (PANDAS САН)

Python -ы PANDAS санг ашиглан өгөгдлийг статистик боловсруулах, дүрсжүүлэх жишээг нүүрсний ордын мэдээлэл дээр хэрхэн гүйцэтгэхийг үзүүлэв. Pandas нь их өгөгдлийг боловсруулах хүчирхэг сан юм.

БАЯЖУУЛАЛТЫН ТЕХНОЛОГТ PYTHON ( ПАЙТОН) ХЭЛИЙГ ХЭРЭГЛЭХ БОЛОМЖУУД

 1. Өгөгдлийн шинжилгээ ба дүрслэл

• Pandas, NumPy, Matplotlib зэрэг сангууд нь ашигт малтмалын өгөгдлийг шинжлэх, дүрслэхэд маш тохиромжтой.
• Эдгээр нь их хэмжээний өгөгдлийг боловсруулах, статистик шинжилгээ хийх, ашигт малтмалын найрлага болон боловсруулалтын үр дүнг нарийвчлан дүрслэхэд ашиглагдана.

2. Симуляци ба загварчлал

• SimPy болон SciPy сангуудыг ашиглан нунтаглах, флотаци болон ялгалтын процесс зэрэг ашигт малтмалын боловсруулалтын ажлын урсгалыг загварчилж болно.
• Python ашиглан тодорхой нөхцөлд боловсруулалтын үр ашгийг урьдчилан тооцоолох боломжтой.

3. Процессын оновчлолд машин сургалтыг ашиглах

• scikit-learn болон TensorFlow зэрэг сангуудыг ашиглан ашигт малтмалын боловсруулалтын үр ашгийг нэмэгдүүлэх боломжтой.
• Машин сургалтын загварууд нь хүдэр тодорхой нөхцөлд хэрхэн үйлчлэхийг урьдчилан тооцоолох, тохиромжтой урвалжуудыг тодорхойлох, үйл явцыг сайжруулахад тусалдаг.

4. Лаборатори болон үйлдвэрийн процессын автоматжуулалт

• Python нь IoT төхөөрөмж болон PLC (Програмчлагдах логик хянагч)-тэй холбогдож бодит цагийн хяналт, удирдлагыг хэрэгжүүлэх боломжтой.
• pyserial, OPC-UA зэрэг сангуудыг ашиглан дээжийн шинжилгээг автоматжуулах болон боловсруулалтын параметрүүдийг тохируулахад ашиглана.

5. Газарзүйн өгөгдлийн шинжилгээ

• Geopandas, Rasterio зэрэг Python сангуудыг ашиглан уул уурхайн талбай сонгох болон ашигт малтмалын хайгуул хийхэд ашиглаж болно.

6. Ашигт малтмалын зургийн боловсруулалт

• OpenCV, Pillow зэрэг сангуудыг ашиглан ашигт малтмалын дээжийн микроскопын зургийг боловсруулах, шинжлэхэд ашиглаж болно.
• Эдгээр нь зурагнаас бөөмийн хэлбэр, хэмжээ болон ашигт малтмалын фазуудыг тодорхойлох боломжийг олгодог.

7. Оновчлолын аргууд

• PuLP, Pyomo зэрэг сангуудыг ашиглан зардлыг багасгаж, гарцыг нэмэгдүүлэх эсвэл сэргээх үр ашгийг нэмэгдүүлэх зэрэг асуудлыг оновчлох боломжтой.

8. Тусгай зориулалтын програмтай интеграцчлал

• Python нь METSIM, USIM PAC, MINTEK зэрэг салбарын тусгай зориулалтын програмуудтай холбогдож өгөгдөл солилцох, тэдгээрийн боломжуудыг өргөжүүлэхэд тусалдаг.

Python нь уян хатан, өргөн хүрээний сангуудтай тул ашигт малтмалын боловсруулалтын технологийг сайжруулахад тохиромжтой сонголт юм. Хэрэв та эдгээр хэрэглээний талаар тодорхой кодын жишээ эсвэл дэлгэрэнгүй мэдээлэл авахыг хүсвэл надад хандаарай!