جهاد دانشگاهی-پژوهشکده توسعه صنایع شیمیایی ایران نشریه شیمی و مهندسی شیمی ایران 1022-7768 40 4 2022 02 20 Using Online Machine Learning Methods for Prediction of the Loss of Alumina and the Caustic Soda and Increasing the Carbonate Contamination in the Bayer Process کاربرد یادگیری ماشین برخط در پیش‌بینی میزان هدررفت Al2O3 و NaOH در فرایند سیلیس زدایی مجتمع آلومینای جاجرم 309 320 251159 FA رضا منصفی دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران مصطفی محمودیان دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران نیما صالحی دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران Journal Article 2019 01 28 <em>In this study, machine learning tools were used to investigate the effect of various factors on the waste of caustic soda (NaOH) and alumina (Al<sub>2</sub>O<sub>3</sub>) and increasing carbonate (Na<sub>2</sub>CO<sub>3</sub>) pollution in the first stage of the Bayer process. The parameters studied in this paper are the concentration of Na2Oc, Na2Ou, Na2Ot and Al2O3 in the output solution to the wet grinding unit. The investigated factors included mass flow rate and chemical analysis of various compounds in bauxite and lime consumed, flow rate and chemical analysis of sodium alumina solution in a daily basis for 3016 days. In this study, Fourier Online Gradient Descent (FOGD) and Nysgd were used to model the process. The results show that the FOGD method has more accuracy and speed of learning than the NysGD method. These results indicate that each of these methods can model the process with high precision.</em> <em>در این پژوهش از ابزارهای یادگیری ماشین استفاده شد تا اثر عامل‌های گوناگون بر هدر رفت سود کاستیک (NaOH) و آلومینا (Al<sub>2</sub>O<sub>3</sub>) و افزایش آلودگی سدیم کربنات (Na<sub>2</sub>CO<sub>3</sub>) در مرحله نخست فرایند بایر مورد بررسی قرار گیرد. پارامترهای مورد بررسی در این مطالعه عبارت‌اند از غلظت Na<sub>2</sub>Oc، Na<sub>2</sub>Ou، Na<sub>2</sub>Ot و Al<sub>2</sub>O<sub>3</sub> در فاز محلول خروجی به واحد آسیای تر است. عامل‌های مورد بررسی نیز شامل شدت جریان جرمی و آنالیز شیمیایی ترکیب‌های گوناگون موجود در بوکسیت و آهک مصرفی، شدت جریان و آنالیز شیمیایی محلول سدیم آلومینات ورودی و آنالیز شیمیایی محلول سدیم آلومینات خروجی از واحد به صورت روزانه برای 3016 روز متوالی بوده است. در این مطالعه از دو روش کاهش گرادیان برخط فوریه (FOGD) و کاهش گرادیان برخط نیستروم (NysGD) برای مدل‌سازی فرایند یادشده استفاده شد. نتیجه‌ها نشان‌دهنده دقت و سرعت یادگیری بیش‌تر روش FOGD نسبت به روش NysGD است. این نتیجه‌ها نشان می‌دهند می‌توان با استفاده از دو روش با دقت بالایی فرایند مورد بررسی را مدل‌سازی نمود.</em> فرایند بایر آلومینا سود کاستیک سدیم کربنات یادگیری ماشین برخط FOGD NysGD https://www.nsmsi.ir/article_251159_1aa9e658d084939c654e537bb6e47709.pdf