Optimización del proceso de deshidratación del filtrado de presión del concentrado mediante regresión del vector de soporte.

Scientific Reports volumen 12, número de artículo: 7135 (2022) Citar este artículo

1381 Accesos

4 citas

Detalles de métricas

Este trabajo estudia el mecanismo y los métodos de optimización del proceso de deshidratación del filtro prensa para mejorar la eficiencia de la operación de deshidratación del filtro prensa concentrado. Se construyen modelos de aprendizaje automático (ML) de función de base radial (RBF) –OLS, red neuronal de regresión generalizada RBF y regresión de vector de soporte (SVR), y se realizan simulaciones industriales y de laboratorio por separado; finalmente, métodos de optimización para la deshidratación por filtración. Se diseñan y aplican los procesos. En el laboratorio, todos los modelos de aprendizaje automático tienen errores obvios, pero se puede ver que SVR tiene el mejor efecto de simulación. Para lograr la optimización de todo el proceso de filtración y deshidratación, obtuvimos suficientes datos del sistema de filtración y deshidratación industrial, y en los resultados de la simulación industrial todos los modelos de aprendizaje automático tuvieron un rendimiento considerable, SVR logra la mejor precisión en la simulación industrial, y El error relativo medio simulado de humedad y capacidad de procesamiento es 1,57% y 3,81%; el modelo se probó con datos industriales recién recopilados para verificar la credibilidad. Los resultados óptimos de la simulación se obtienen mediante un método de optimización basado en variables de control. Los resultados muestran que el método ML de SVR y los métodos de optimización de variables de control aplicados a la industria no solo pueden ahorrar costos y consumo de energía, sino que también pueden mejorar fundamentalmente la eficiencia de la operación del filtro prensa, lo que brindará algunas opciones para el proceso de deshidratación inteligente y otros procesos industriales. optimización de la producción.

El agotamiento gradual de los recursos minerales de fácil beneficio ha aumentado la cantidad de mineral complejo y de baja ley y ha hecho que el tamaño del grano de molienda sea más fino. Por tanto, la deshidratación y filtración del concentrado se vuelven cada vez más difíciles. Se ha desarrollado un filtro de presión de alta eficiencia y se ha aplicado gradualmente a la deshidratación del concentrado mediante filtro prensa. Debido a la tecnología de control automático en el filtro de presión, este tipo de filtro de presión de alta eficiencia generalmente se denomina filtro de presión automático1. El proceso de deshidratación forzada de “prensado mecánico” y “secado al aire” basado en la “presión de alimentación” del filtro prensa convencional se aplica en el filtro de presión automático2. Así, no sólo puede obtener una torta de filtración con menor humedad sino que también tiene una mayor eficiencia operativa3.

En la industria de procesamiento de minerales se han utilizado con éxito muchos tipos de filtros prensa automáticos, como el filtro prensa automático Larox-PF desarrollado por Larox en Finlandia4,5 y el filtro prensa automático BPF en China6. El proceso de deshidratación del filtro de presión automático es relativamente complicado, y la estabilidad del índice y la eficiencia del proceso de deshidratación se ven afectadas por la razonabilidad de la configuración de los parámetros de control del proceso de deshidratación7. Por lo tanto, la investigación sobre la optimización del control del proceso de deshidratación del filtro prensa ha recibido una mayor atención8.

En la actualidad, existen muchas investigaciones sobre la optimización de la deshidratación, como el diseño de un circuito de deshidratación9, la optimización del medio filtrante10,11, el accionamiento de la deshidratación eléctrica por presión12,13. Aunque la deshidratación impulsada eléctricamente es muy eficiente, consume energía y tiene un rendimiento de baja estabilidad. Y está muy limitado por la investigación de la ciencia de los materiales. Sin embargo, es una idea nueva construir modelos de optimización coordinados mediante la recopilación de datos de producción para resolver los problemas encontrados en la industria de la deshidratación14. Algunas optimizaciones de la deshidratación se utilizan a través de métodos químicos, coadyuvantes de deshidratación y floculantes para optimizar la deshidratación de partículas minerales15,16,17,18, incluso mediante una combinación de métodos físicos y químicos con doble optimización para optimizar la deshidratación19,20, lo cual es innegable que De hecho, estos son algunos hallazgos interesantes, pero desde un punto de vista macro, todos son optimizaciones de deshidratación orientadas a problemas y la eficiencia de la operación de deshidratación del filtro prensa de concentrado está restringida. La optimización general multiparamétrica de gran avance es la realización del ajuste adaptativo común del sistema de deshidratación del filtro prensa, que es un paso importante en la inteligencia del sistema de deshidratación en el futuro.

Por lo tanto, el método de optimización del proceso de deshidratación mediante ML (aprendizaje automático) y basado en datos tiene las mejores ventajas y la importancia a más largo plazo. Se utilizan datos experimentales21 para caracterizar el rendimiento de la deshidratación industrial. Se establece un modelo de mecanismo del proceso de filtro prensa22 para obtener los mejores parámetros de control operativo del proceso de filtro prensa para lograr la optimización del proceso. Se analiza y modela la filtración a presión industrial con datos de proceso23. Aunque se ha estudiado la aplicación de ML a la optimización de los parámetros del proceso de deshidratación, hay relativamente pocos parámetros optimizados en el sistema, y todos los datos para el modelado se obtienen al mismo tiempo, lo que eventualmente conducirá a la falta de autenticidad de los modelo debido a la falta de verificación, lo que es más importante, dado que estos modelos de aprendizaje automático construidos no se combinan con los métodos de optimización correspondientes, no se puede realizar una optimización continua, lo que resulta en resultados de optimización limitados, lo que no mejora fundamentalmente la eficiencia del proceso de deshidratación del filtro prensa.

En el estudio, a través de una combinación de experimentos de deshidratación industrial y de laboratorio, se utilizan múltiples conjuntos de datos de producción industrial para establecer modelos ML de control del proceso de deshidratación de filtros de presión. La comparación de la precisión de la simulación y la predicción de los tres modelos de ML de mínimos cuadrados ortogonales (OLS) y la red neuronal de regresión generalizada (GRNN) con las redes de función de base radial (RBF) y la regresión de vectores de soporte (SVR) muestra que la SVR tiene la mayor precisión. Simultáneamente, obtenemos repetidamente datos del sistema de deshidratación de filtro prensa industrial para construir un modelo multiparamétrico y realizar pruebas del modelo. Estudiamos un método de optimización de variables de control para obtener los parámetros de control óptimos en el modelo de control. Este método tiene como objetivo optimizar otro parámetro mientras se garantiza que un parámetro de control esté calificado. De esta forma se obtienen los parámetros de control óptimos en la industria. Al final, verificamos la racionalidad de nuestro proceso y método de optimización, y se logra la optimización continua del proceso de deshidratación del filtro prensa industrial.

Un proceso de trabajo completo del filtro de presión automático incluye cerrar la placa filtrante, alimentación y filtración, prensado mecánico, secado al aire, apertura de la placa filtrante, descarga de la torta y limpieza de la tela filtrante. La capacidad de procesamiento y la humedad se incluyen principalmente en el índice de deshidratación, que está determinado por los tres procesos principales de deshidratación: "filtro prensa de alimentación", "prensado mecánico" y "secado al aire". Sólo una buena comprensión del proceso de deshidratación del filtro prensa y el propósito de la optimización puede presentar mejor el método de optimización de los parámetros de control del proceso de deshidratación del filtro prensa real. Por lo tanto, en este capítulo, primero presentamos el proceso de tres etapas de deshidratación con filtro prensa. Luego, se propone un método de optimización basado en la variable de control según el propósito de optimización del proceso.

El proceso de alimentación del filtro prensa es el proceso de presionar la suspensión hacia la cámara del filtro. Este proceso inicia la operación de filtración cuando la lechada se inserta hidráulicamente en la cámara del filtro. Es un proceso de filtración de torta de filtración y sigue la siguiente ecuación básica de filtración propuesta en la Ec. (1)24.

donde Q es el caudal del filtrado; A es el área de filtración; t es el tiempo de filtración; V es el volumen de filtrado acumulado en el tiempo t; L es el espesor de la capa filtrante; K es el coeficiente de permeabilidad de la capa filtrante; ΔP es la capa de filtración cruzada de la caída de presión (la fuerza impulsora de la filtración); μ es la viscosidad del filtrado.

En el caso de una concentración y presión de alimentación constantes, la duración del tiempo de alimentación determina directamente el espesor de la torta de filtración. Con la extensión del tiempo de alimentación, la torta de filtración se espesa gradualmente, pero la velocidad de espesamiento disminuye rápidamente. Prolongar el tiempo de alimentación puede aumentar el espesor de la torta de filtración y la producción de la torta de filtración por ciclo de filtración prensa. Sin embargo, si el tiempo de alimentación se prolonga, aumentará significativamente el ciclo del filtro prensa, lo que a su vez reducirá la producción de torta por unidad de tiempo. Por tanto, el “tiempo de alimentación” es un factor importante que afecta el índice de deshidratación y la eficiencia. Según la naturaleza del material (espesor de la torta de filtración), el objetivo de esta optimización del proceso es obtener un tiempo de alimentación razonable.

La deshidratación en prensa se puede realizar de muchas maneras, y los más utilizados son principalmente dos métodos: uno es la deshidratación en prensa mecánica con un mecanismo de prensado y el otro es la deshidratación en prensa hidráulica. La comparación de los efectos de los dos métodos de prensado se muestra en la Fig. 1 según investigaciones existentes25. Como se observa, la curva de prensado mecánico es obviamente más pronunciada, lo que significa que el tiempo para alcanzar la misma porosidad de la torta de filtración después de que la torta de filtración se prensa mecánicamente es significativamente más corto. El prensado mecánico puede acortar significativamente el tiempo de deshidratación de la torta de filtración.

Curva de ensayo de prensado mecánico e hidráulico.

Una vez finalizada la “prensa filtro de alimentación”, comienza la etapa de “prensa mecánica”. El filtro de presión automático utiliza una prensa de diafragma, que es un tipo de prensa mecánica. Si el tiempo de prensado es insuficiente, el agua en los poros de la torta de filtración no se exprime completamente y se detiene el prensado, entonces la humedad final de la torta de filtración aumentará, lo que afectará la eficiencia del prensado. Por el contrario, después de un cierto período de tiempo de prensado de la torta de filtración, la porosidad de la torta de filtración ya no disminuye y el contenido de agua ya no disminuye. Si el tiempo de prensado continúa prolongándose, entonces el ciclo de trabajo del filtro prensa se prolongará y se consumirá la energía de prensado.

Una vez completado el proceso de prensado, todavía queda algo de humedad en los poros de la torta de filtración. En este momento, si se pasa aire comprimido a la cámara del filtro, a través de la torta de filtración, y se elimina aún más la humedad residual en la torta de filtración, entonces se puede realizar el secado al aire y la deshidratación. Según investigaciones existentes26, el secado al aire se puede dividir en tres etapas: etapas de penetración, reposición y evaporación. El efecto de cada etapa se muestra en la Fig. 2.

Tres etapas de secado al aire y deshidratación.

En la Figura 2 se muestra que la descarga de líquido es mayor en la etapa de penetración, para luego comenzar las etapas de desplazamiento y evaporación. Una vez finalizada la fase de penetración, la saturación de la torta de filtración desciende ligeramente y la humedad de la torta de filtración se aproxima a la humedad final. Si se continúa soplando y secando, sólo aumentará el consumo de aire comprimido. Por lo tanto, bajo ciertas condiciones de presión de secado al aire, los objetivos de la optimización del proceso de secado al aire son un control razonable del tiempo de secado al aire y la finalización oportuna del secado al aire después de completar la etapa de penetración.

Para un sistema de deshidratación de concentrado fijo con filtro prensa, la “presión de alimentación” está relacionada con la bomba de alimentación y es relativamente fija, por lo que no se considerará. El tamaño de la suspensión concentrada es relativamente fijo y la viscosidad está directamente relacionada con la concentración. Por lo tanto, el proceso de optimización del filtro prensa considera las dos condiciones de “concentración de alimentación” y “presión de exprimido”. El “tiempo de alimentación”, la “sala de prensa” y el “tiempo de secado al aire” también son los principales parámetros de optimización del proceso de filtro prensa27.

Todo el proceso de deshidratación está controlado por el sistema de control automático del filtro prensa. Por un lado, el sistema de control automático del filtro prensa realiza el control preciso de la acción mecánica del propio filtro prensa. Por otro lado, realiza el control del programa y el proceso auxiliar de deshidratación de “alimentación, prensado, secado al aire, descarga de torta y lavado de telas”. También ajusta los parámetros de control.

Durante la operación del equipo, el operador necesita modificar los principales parámetros de control a tiempo a través de la interfaz hombre-máquina cuando las condiciones de la lechada, como la "concentración de alimentación" o los requisitos del índice de filtración, cambian para garantizar el índice de deshidratación del filtro prensa y la eficiencia del trabajo. Sin embargo, la configuración y modificación actual de los parámetros de control del proceso de deshidratación del filtro prensa las realizan principalmente los operadores sobre la base de su propia experiencia y conocimiento. La diferencia en las experiencias de los diferentes operadores provoca fluctuaciones en el índice y la eficiencia de la operación de deshidratación del filtro prensa. Obtener el valor óptimo de los principales parámetros de control del proceso de deshidratación del filtro prensa es la clave para garantizar el funcionamiento eficiente de la operación de deshidratación. Obviamente, el valor óptimo no se puede obtener basándose únicamente en la experiencia del operador. Los parámetros óptimos pueden predecirse mediante ML28,29. Por lo tanto, proponemos un modelo ML preciso del proceso de deshidratación de filtro prensa que utiliza muestras de datos existentes. Luego, utilizamos los resultados de la predicción del modelo ML para diseñar un método de optimización confiable para obtener el valor óptimo de los parámetros de control. De esta manera se logra la optimización del control del proceso de deshidratación del filtro prensa. A través del estudio de la situación real, proponemos el siguiente principio de optimización razonable (métodos de optimización basados en el principio de variables controladas):

Bajo la premisa de asegurar que se obtenga la cachaza con contenido de agua calificado, se utiliza el control optimizado de parámetros para obtener la máxima capacidad de procesamiento por unidad de área filtrante.

Bajo la premisa de asegurar la capacidad de procesamiento por unidad de área filtrante, se puede obtener la torta de filtración con menor humedad mediante un control optimizado de los parámetros.

Como se muestra en la Fig. 3, el principio de este método de optimización basado en la variable controlada es el siguiente. Bajo ciertas condiciones externas, cada parámetro de control se selecciona secuencialmente de pequeño a grande dentro del rango de valores razonables de cada parámetro de control, y el valor se selecciona cíclicamente en pequeños intervalos. Los valores obtenidos por los parámetros de control se organizan y combinan para obtener una combinación de parámetros de control en diversas condiciones. Para cada combinación, se utiliza el modelo ML establecido para obtener resultados de simulación, y los resultados de la simulación se comparan secuencialmente de acuerdo con diferentes principios de optimización y objetivos de optimización para encontrar el óptimo. Como resultado, el grupo de parámetros de control correspondiente al resultado óptimo es el parámetro de control óptimo.

Proceso de optimización de deshidratación de filtro prensa.

Las técnicas de ML e inteligencia artificial promueven cada vez más el desarrollo del procesamiento de minerales30,31,32. De acuerdo con el principio de optimización y el proceso de deshidratación del filtro prensa introducidos anteriormente, necesitamos construir un modelo ML preciso para lograr la optimización del proceso de deshidratación del filtro prensa. Para mejores aplicaciones industriales, este estudio utiliza el método OLS y el método GRNN basado en la red neuronal RBF y SVR para construir un modelo de control óptimo para el proceso de deshidratación del filtro prensa.

La red neuronal artificial es un sistema de red complejo compuesto por muchas neuronas interconectadas. Hay muchos tipos de modelos de redes neuronales disponibles. Sin embargo, utilizamos el modelo de red neuronal RBF basado en OLS y GRNN para establecer un modelo de simulación del proceso de deshidratación del filtro prensa.

La estructura del modelo de red neuronal RBF del proceso de deshidratación del filtro prensa establecido por nosotros se muestra en la Fig. 4. La red RBF es una red de dos capas con solo una capa oculta además de las capas de entrada y salida. La función de transferencia en la capa oculta es una función gaussiana de la respuesta local, mientras que la función de transferencia para otras redes directas es generalmente una función de respuesta global. RBF necesita más neuronas para lograr la misma función debido a esta diferencia. Por tanto, la red RBF no puede sustituir a la red directa estándar. Sin embargo, el tiempo de formación de RBF es más corto. Es óptimo para la aproximación de funciones y puede aproximar cualquier función continua con precisión arbitraria. La aproximación es más precisa cuando la capa oculta tiene más neuronas.

Estructura del modelo de red neuronal RBF del proceso de deshidratación de filtro prensa.

Como se muestra en la Fig. 5, GRNN es una mejora de RBF con una estructura similar33,34. La diferencia es que se considera una capa adicional de suma y se elimina la conexión de peso entre las capas oculta y de salida (superposición de mínimos cuadrados de pesos gaussianos). GRNN converge rápidamente porque no tiene parámetros de modelo para entrenar. Basado en la red de base radial, también tiene un buen rendimiento de aproximación no lineal. Sin embargo, cada muestra de prueba de GRNN debe calcularse con todas las muestras de entrenamiento. Por tanto, su complejidad computacional es alta. Además, es necesario almacenar todas las muestras de entrenamiento. Por consiguiente, la complejidad espacial también es alta.

Estructura del modelo GRNN del proceso de deshidratación de filtro prensa.

También construimos un modelo de red neuronal RBF basado en OLS. Este modelo se establece sobre la base de la construcción de la estructura del modelo RBF mediante el método de mínimos cuadrados. El método de optimización de la suma de cuadrados residual consiste en optimizar los parámetros de la estructura de la red RBF para minimizar la suma de cuadrados de la diferencia entre la función de regresión y el valor real. El método OLS hace una regresión de la variable de respuesta predicha a través de una serie de variables predictoras.

Como se muestra en la ecuación. (2), la regresión lineal MCO tiene como objetivo obtener los parámetros del modelo reduciendo la diferencia entre el valor real de la variable de respuesta y el valor predicho. En esta ecuación, Yt se llama variable dependiente, Xt se llama variable independiente, \(\alpha\), \(\beta\) se llaman coeficientes de regresión, t = 1, 2, 3, 4, representa el número de observaciones, y \(\mu_{t}\) representa el error.

Como se muestra en la ecuación. (3), la regresión lineal MCO tiene como objetivo ajustar mejor la curva para garantizar que la suma de los cuadrados de las distancias desde cada punto a la línea recta (es decir, la suma residual de los cuadrados, RSS para abreviar) sea la más pequeña.

La máquina de vectores de soporte (SVM) fue propuesta por Vapnik et al. en la década de 1990, y se basa en la teoría estadística del aprendizaje35,36. El método SVM es un método de ML basado en la teoría de la dimensión VC de la teoría del aprendizaje estadístico y el principio de minimización del riesgo estructural36. Se basa en la complejidad del modelo de muestras limitadas para conseguir el mejor compromiso entre las capacidades de aprendizaje para obtener la mejor capacidad de generalización. El número de muestras debe ser alto en las redes neuronales porque se basan en el principio de minimización empírica del riesgo. Sin embargo, el método SVM se basa en el principio de minimización del riesgo estructural. Así, bajo la condición de muestras pequeñas, el modelo establecido por el método SVM tiene mejor desempeño de generalización y promoción37.

SVM se desarrolla a partir de la superficie de clasificación óptima en el caso de separabilidad lineal. La idea básica puede ilustrarse con la situación bidimensional de la Fig. 6. Los puntos sólidos y huecos representan dos tipos de muestras. H es la línea de clasificación. H1 y H2 son las líneas que pasan las muestras más cercanas a la línea de clasificación y son paralelas a la línea de clasificación. La distancia entre ellos se llama intervalo de clasificación (margen). La llamada línea de clasificación óptima requiere que la línea de clasificación no solo separe correctamente las dos categorías sino que también maximice el intervalo de clasificación. Este tipo de ecuación de línea de clasificación se puede definir como la Ec. (4).

Método de SVM (a la izquierda) y SVR (a la derecha).

Cuando SVM normaliza los datos, se requiere que la muestra linealmente separable satisfaga la ecuación. (5).

En este momento, el intervalo de clasificación es igual a 2/‖w‖, de modo que el intervalo máximo equivale al mínimo ‖w‖2. La superficie de clasificación que satisface la condición (7) y minimiza la función objetivo como se muestra en la ecuación. (6). 2/‖w‖2 se denomina superficie de clasificación óptima.

Un plano con la distancia más alejada desde el punto en el límite hasta el plano se encuentra mediante clasificación, y \(\varsigma\) de una función de pérdida insensible ya que la función de pérdida se introduce en el SVR para minimizar la distancia desde cada punto al La línea de regresión, que se usa para controlar la distancia entre los valores reales y los valores límite, y la función de pérdida se usa para determinar si el valor de \(w^{T} \Phi \left( {x_{i} } \right) \) se encuentra en el rango de y \(\pm\) ε, entonces la pérdida de cálculo puede ignorarse38,39

Después de construir tres modelos ML para el control y optimización del proceso de deshidratación del filtro prensa, llevamos a cabo el experimento de deshidratación del filtro prensa en el laboratorio. Los datos recopilados del sistema de deshidratación del laboratorio también se utilizan para explorar el método de construcción del modelo de simulación del proceso de deshidratación del filtro prensa.

Algunos minerales de tierras raras están configurados con una concentración del 30% y un tamaño de partícula de 0,02 a 0,07 mm; el procedimiento del experimento se muestra en la Fig. 7 y el filtro prensa microautomático de desarrollo propio se utiliza como equipo experimental. Los parámetros de condición y control se ajustan por separado para realizar la prueba de deshidratación del material con filtro prensa. Después de cada prueba, la torta de filtración se tamiza y se toma una muestra, y luego se seca después de la molienda. Se calcula el área de la torta de filtración y la masa de la muestra antes y después del secado, y a su vez se calculan los datos de humedad y capacidad de procesamiento de cada muestra. Antes de obtener los datos, cambiaremos y ajustaremos las variables de entrada de acuerdo con la situación real, de modo que la humedad del revoque y la capacidad de procesamiento cumplan con los requisitos reales de la industria antes del muestreo. Los rangos de fluctuación normal de las variables de entrada, la humedad del revoque de salida y la capacidad de procesamiento de área unitaria se muestran en la Tabla 1.

Procedimiento del experimento.

Se realizan un total de 163 conjuntos de pruebas y se recopilan datos. Como se muestra en la Fig. 8, para analizar si los datos adquiridos son anormales, adoptamos el método de análisis del diagrama de caja y encontramos que el valor más razonable de la humedad del revoque está entre 12,1 y 14,5%. Donde MAX, MIN son los valores límite de humedad, M es la mediana de todos los datos del valor de humedad, Q1 es el primer cuantil, Q3 es el tercil, W es el valor de los bigotes y O son los datos anormales. Se puede ver en el diagrama de caja que hay tres conjuntos de datos fuera del cuadro, que pueden ser datos anormales, pero considerando que uno de los conjuntos de datos cumple con el rango normal de las variables de investigación que se muestran en la Tabla 1.

Análisis de datos anormales.

Excluyendo simplemente 2 conjuntos de datos anormales, 100 conjuntos de los 161 conjuntos de datos restantes se utilizan como muestras de entrenamiento y los 61 conjuntos restantes se utilizan como muestras de prueba para verificar la precisión de la simulación del modelo construido. La “concentración de alimentación”, el “tiempo de alimentación”, el “tiempo de exprimido” y el “tiempo de secado al aire” se toman como entrada y la “humedad de la torta de filtración” y la “capacidad de procesamiento por unidad de área” como salida en OLS y GRNN y Método SVR para la construcción de modelos de simulación. El programa de modelado y simulación está diseñado en lenguaje MATLAB. Después de ejecutar el programa, se obtienen el diagrama de simulación y los resultados de precisión del modelo y las muestras de prueba.

Cuando se utiliza el modelo de regresión para la predicción, se incluyen los indicadores comunes utilizados para analizar y evaluar los errores y la precisión del modelo, a saber, el error cuadrático medio (MSE), el error absoluto medio (RMAE) y el error relativo medio (MRE). El MSE se refiere al valor esperado del cuadrado de la diferencia entre el valor estimado del parámetro y el valor real del parámetro. El MSE puede evaluar el grado de fluctuaciones de los datos. La precisión del modelo de predicción para describir los datos experimentales es mejor cuando el valor del MSE es menor. Sin embargo, generalmente se utiliza el promedio. El error absoluto es la diferencia entre el valor medido (un único valor medido o el promedio de múltiples valores medidos) y el valor verdadero, y el error relativo es la relación entre el error absoluto y el valor verdadero. En otras palabras, la credibilidad de la medición puede reflejarse mejor en el MRE. Las fórmulas de cálculo de estos indicadores de evaluación se muestran en las Ecs. (8)–(10).

donde \(y_{i}\) es el valor verdadero, \(\hat{y}_{i}\) es el valor estimado o valor de simulación y \(m\) es el número de muestra de prueba.

La Tabla 2 muestra que el método SVR tiene el MRE más bajo para la simulación de humedad y capacidad de procesamiento. En general, los errores de simulación son relativamente considerables. Consideramos principalmente la complejidad y dificultad de la recopilación de datos, así como la pequeña cantidad de muestras que hemos obtenido temporalmente. Por tanto, se genera un gran error en toda la simulación experimental, lo que inevitablemente conduce a resultados de simulación poco fiables. Por lo tanto, una vez completada la exploración del método de modelado del proceso de deshidratación de filtro prensa de laboratorio, los datos de producción recopilados directamente de la industria se utilizan para realizar la investigación de modelado y optimización del proceso de deshidratación de filtro prensa industrial.

Los resultados de la simulación experimental del modelo de control del proceso de deshidratación de filtro prensa de laboratorio muestran que la precisión de los resultados de la simulación de los tres modelos ML con una pequeña muestra de datos experimentales es demasiado pequeña. Teniendo en cuenta que las muestras de datos de simulación experimental son menores y que el modelo de simulación de laboratorio utiliza un dispositivo de deshidratación de filtro prensa microautomático de desarrollo propio, el modelo establecido es muy diferente del modelo de control de deshidratación de filtro prensa industrial, la precisión general de la simulación experimental es baja. . Por lo tanto, nos gustaría construir un mejor modelo de ML agregando adecuadamente algunas muestras de datos de producción industrial reales. De esta manera también podemos lograr buenos resultados en el control del proceso de deshidratación del filtro prensa industrial real, que es nuestro objetivo.

La investigación se lleva a cabo modelando y optimizando el sistema de deshidratación de filtro prensa industrial del concentrado de oro de flotación de la mina de oro Miaoling. En el sistema se utiliza el filtro prensa automático BPF. El sistema de deshidratación se muestra en la Fig. 9.

Sistema de deshidratación para filtro prensa industrial.

Recopilamos muestras de datos del concentrado de oro de flotación de la mina de oro Miaoling en Henan, China, durante 7 días hábiles y recopilamos 161 conjuntos de datos industriales. El tamaño del concentrado de oro utilizado es < 0,074 mm, que representa el 75% del total, y la ley es de 30 g/t (AU). Los primeros 100 conjuntos de datos se utilizan como muestras de entrenamiento para construir el modelo de simulación del proceso de deshidratación del filtro prensa. Luego, los últimos 61 conjuntos de datos se utilizan como muestras de prueba para verificar el resultado de la simulación del modelo construido.

En el modelado y simulación utilizando el método OLS, GRNN y SVR, tomamos "concentración de alimentación", "tiempo de alimentación", "tiempo de exprimido" y "tiempo de secado al aire" como entrada y "humedad de la torta de filtración" y "procesamiento". capacidad por unidad de área” como salida. Para la programación se utiliza el lenguaje MATLAB. Los valores MRE de los tres métodos para la simulación de muestras de prueba se muestran en la Tabla 3.

La Tabla 3 muestra que el modelo construido por el método SVR tiene la mayor precisión de simulación y rendimiento de generalización. Los resultados de la simulación del modelo SVR en la muestra de prueba se muestran en la Fig. 10. El valor tiene una buena aproximación al valor real de los datos industriales. La precisión de la simulación del modelo SVR para el proceso de deshidratación de filtro prensa industrial es del 98,43%, y la precisión de la simulación del proceso de deshidratación de filtro prensa industrial es del 96,19%. Por lo tanto, en el siguiente análisis se utiliza la combinación del modelo SVR y el método de optimización basado en los parámetros de control del proceso de deshidratación del filtro prensa. Como se muestra en la ecuación. (11), la precisión que llamamos es relativa a MRE.

Resultados de simulación de muestras de pruebas industriales.

Debido al potencial GIGO (basura que entra, basura sale) de las técnicas de aprendizaje automático, incluso el mejor algoritmo no será útil si la calidad de los datos es deficiente. Por lo tanto, antes de considerar la confiabilidad del modelo, se deben obtener más datos para realizar nuevas pruebas. Readquirimos 30 conjuntos de datos del sistema de deshidratación de filtro prensa en la Fig. 9. Antes de obtener cada torta de filtración, registramos los parámetros correspondientes del sistema, como la concentración de alimentación, el tiempo de secado al aire, el tiempo de alimentación y el tiempo de prensado. . Usamos estos parámetros como nuevos insumos, los importamos al modelo industrial entrenado y obtenemos el resultado predicho por el modelo: la humedad (%) de la torta de filtración y la capacidad de procesamiento (kg/m2/h) unidad de área por hora.

Para garantizar la estabilidad y confiabilidad de los datos, los 30 grupos de datos se dividen en 15 días y solo se obtienen 2 grupos cada día. Tamizamos, tomamos muestras y secamos al aire la torta de filtración obtenida. Se calcula el contenido de agua y el valor de la capacidad de procesamiento por unidad de área por hora de la torta de filtración y se utilizan como el valor real de la producción. El valor de salida predicho por los nuevos datos se compara con el valor verdadero de la salida, como se muestra en la Fig. 11. Los errores entre los valores de salida pronosticados y verdaderos son bajos, lo que muestra que los modelos y las tendencias de predicción de datos que hemos obtenido de El entrenamiento de datos anterior tiene un acuerdo considerable.

Resultados de la predicción de nuevos datos.

La sección “Método de optimización de la deshidratación del filtro prensa” presenta el método de optimización del proceso de deshidratación del filtro prensa y adopta el método de optimización basado en variables de control. En el Capítulo 3, presentamos simulaciones de laboratorio de tres modelos de ML. En la sección "Resultados de la simulación industrial de tres modelos ML", presentamos los tres modelos de máquinas en la simulación del experimento industrial. Adoptamos el modelo de simulación SVR como modelo de optimización para el control del proceso de deshidratación final del filtro prensa. Una vez construido el modelo, podemos optimizar los parámetros de control del proceso de deshidratación del filtro prensa industrial en consecuencia. Por lo tanto, en esta sección nos centramos en los resultados reales del método de optimización basado en el principio de variables controladas en la industria. El programa de optimización está diseñado en lenguaje MATLAB. Después de ejecutar el programa, se obtiene la tabla de parámetros de control óptimo de cada condición y valor predicho.

Teniendo en cuenta que el valor de humedad y la capacidad de procesamiento son un par de indicadores contradictorios, los dos indicadores no pueden ser óptimos al mismo tiempo. Primero controlamos el valor de humedad esperado al 12%, es decir, se requiere que el valor de humedad en el proceso de deshidratación del filtro prensa industrial sea del 12% o menos para ser calificado. Luego, el valor (valor de humedad del 12%) se controla y restringe en la simulación del modelo experimental industrial específico. Finalmente, podemos obtener otro valor de salida de simulación correspondiente (capacidad de procesamiento). Después de ordenar el valor de la capacidad de procesamiento en orden ascendente, obtenemos los cuatro valores de capacidad de procesamiento principales. Los datos del grupo se muestran en la Tabla 4. Encontramos a través del método de optimización basado en variables de control que el grupo de parámetros de control óptimo en el proceso de deshidratación de filtro prensa industrial es el grupo de datos No. 4.

Para verificar la condición optimizada comparando los resultados que muestran el filtro funcionando bajo la configuración anterior y con la configuración optimizada, obtuvimos cuatro conjuntos de valor de humedad y capacidad de procesamiento del sistema de filtro prensa antes y después de la optimización, como se muestra en la Fig. 12. y Tabla 5. La humedad optimizada y la capacidad de procesamiento obtuvieron un mejor efecto de optimización que la configuración previa de humedad y capacidad de procesamiento, lo cual es suficiente para demostrar que este método de optimización puede optimizar y mejorar continuamente el índice de deshidratación.

Validación de la condición optimizada.

Una vez obtenidos los resultados de optimización de los parámetros de control, los parámetros de control óptimos se pueden obtener directamente de acuerdo con los parámetros de condición y los objetivos de optimización. De esta manera guía la configuración y ajuste de los parámetros de control del proceso de deshidratación y realiza la optimización del proceso. Simultáneamente, los resultados de optimización obtenidos en este estudio se utilizan como muestras de entrenamiento y se construye un modelo de simulación SVR con parámetros optimizados. Este modelo se puede utilizar para lograr un control de optimización adaptativo del proceso de deshidratación del filtro prensa. La configuración del sistema se muestra en la Fig. 13. En aplicaciones industriales reales, primero configuramos el índice esperado del proceso de deshidratación del filtro prensa a través de la computadora. Luego, recopilamos los parámetros de condiciones de trabajo a través del ordenador en tiempo real para obtener el índice de trabajo correspondiente. Finalmente, se utiliza una computadora para comparar el grado de brecha entre el trabajo y los indicadores esperados. Los distintos parámetros del filtro prensa se ajustan en tiempo real hasta que sean los más cercanos al índice esperado. De esta manera, se puede realizar un control adaptativo del proceso de deshidratación del filtro prensa.

Sistema de control adaptativo del proceso de deshidratación de filtro prensa.

La práctica industrial ha demostrado que el método de optimización propuesto no sólo puede garantizar la estabilidad del contenido de humedad del revoque sino que también puede acortar el ciclo de operación del filtro prensa a menos del 85% del original. De esta manera se reduce el tiempo de funcionamiento en un solo turno del sistema de filtro prensa, se ahorra en consecuencia el consumo y el costo de energía de producción y se mejora la eficiencia del funcionamiento del filtro prensa.

Una gran cantidad de estudios de optimización del proceso de deshidratación nos han brindado muchas ideas interesantes y han hecho ciertas contribuciones a la práctica de la producción industrial. En este estudio, resumimos la investigación existente sobre la optimización del proceso de deshidratación y reconocemos la insuficiencia de inteligencia en el proceso de deshidratación y el efecto de optimización limitado. Por lo tanto, se construyeron un sistema de deshidratación de filtro prensa de laboratorio y un sistema de deshidratación de filtro prensa industrial, y se recopilaron múltiples conjuntos de datos. Se construyeron tres modelos de aprendizaje automático de RBF-OLS, RBF-GRNN y SVR, combinados con un método de optimización basado en variables de control. En concreto se han realizado los siguientes trabajos:

Se han realizado experimentos de laboratorio y experimentos industriales. En el laboratorio, se utiliza un filtro prensa microautomático de desarrollo propio para el muestreo de datos; en la industria, los datos se obtienen directamente del equipo de deshidratación de filtro prensa a gran escala del sistema de deshidratación industrial. Se encuentra que los resultados de la simulación del SVR en el laboratorio son relativamente pobres, pero el SVR muestra un rendimiento excelente en los resultados de la simulación industrial.

Para verificar aún más la confiabilidad del modelo industrial de deshidratación de filtro prensa de concentrado, una vez más obtuvimos los datos correspondientes del sistema de deshidratación de filtro prensa industrial para predecir los indicadores. Al comparar los indicadores predichos por el modelo con los indicadores reales, se encuentra que el error porcentual entre ellos es considerable, la combinación óptima de parámetros de control del proceso de deshidratación de filtro prensa industrial se obtiene con éxito utilizando el método de optimización de los parámetros de control del proceso de deshidratación del filtro prensa mediante las variables de control. La práctica ha demostrado que guiar la producción con la combinación óptima de parámetros de control obtenida no solo puede garantizar la estabilidad del índice de producción del filtro prensa, sino que también puede reducir el consumo de energía y mejorar significativamente la eficiencia de las operaciones del filtro prensa.

Para verificar la racionalidad del método de optimización basado en el método de la variable de control, bajo la configuración anterior y con la configuración optimizada, se presentan los indicadores de humedad del revoque y la capacidad de procesamiento de área unitaria por hora en el sistema de deshidratación de filtro prensa industrial. comparados respectivamente. Los experimentos han demostrado que a través del modelo de aprendizaje automático combinado con el método de optimización basado en variables de control, se puede lograr la optimización continua del proceso de deshidratación, se puede garantizar la capacidad de optimización, se pueden optimizar continuamente los indicadores de producción y se puede optimizar el proceso de producción. guiado y se puede aliviar la dificultad del ajuste continuo de parámetros por parte de los trabajadores técnicos, se forma el prototipo inicial de inteligencia.

Townsend, I. Filtración automática a presión en minería y metalurgia. Minero. Ing. 16(2), 165-173. https://doi.org/10.1016/s0892-6875(02)00266-2 (2003).

Artículo CAS Google Scholar

Leifson, E. Un regulador de presión automático simple para filtración. Ciencia 73 (1904), 707–709. https://doi.org/10.1126/science.73.1904.707 (1931).

Artículo ADS CAS PubMed Google Scholar

Wu, ZH y cols. Deshidratación y secado en la industria procesadora de minerales: potencial de innovación. Seco. Tecnología. En t. J.28(7), 834–842. https://doi.org/10.1080/07373937.2010.490485 (2010).

Artículo CAS Google Scholar

Outotec. et al. Filtro de presión Larox PF-DS en aplicaciones más amplias. Filtrar. Septiembre https://doi.org/10.1016/S0015-1882(20)30172-5 (2019).

Artículo de Google Scholar

Jämsä-Jounela, S.-L. et al. Sistema de apoyo al operador para el filtro de presión Larox. Procedimiento de la IFAC. https://doi.org/10.1016/S1474-6670(17)37637-1 (2003).

Artículo de Google Scholar

Liu, HZ y Wang, QF La investigación y el desarrollo del filtro de presión de control automático BPF. Met no ferroso. Minero. Proceso 6, 30–35 (2003).

Google Académico

Kamizela, T. & Kowalczyk, M. Impacto de las sustancias acondicionadoras y la presión de filtración en la eficiencia de deshidratación de lodos de depuradora. Energías 14, 361 (2021).

Artículo CAS Google Scholar

Chaedir, BA y cols. Avances en deshidratación y secado en el procesamiento de minerales. Seco. Tecnología. 39, 1-18 (2021).

Artículo de Google Scholar

Tripatía, SK et al. Diseño y análisis de circuitos de deshidratación de lodos de relave de una planta de procesamiento de cromita. Minero. Proceso. Extra. Metal. Rev.42(2), 102–114 (2021).

Artículo CAS Google Scholar

Rezaei, A., Abdollahi, H. & Gharabaghi, M. Estudios sobre los efectos de los parámetros físicos del proceso de filtración en las características del flujo de fluido y la eficiencia de deshidratación del concentrado de cobre. En t. J. Minería Geo-Eng. 55(2), 109–116 (2021).

Google Académico

Aramaki, T. y col. Deshidratación de suspensiones de microalgas mediante filtración de torta con telas filtrantes. J. Aplica. Ficol. 33, 1–9 (2021).

Artículo de Google Scholar

Ramadán, BS et al. Progresos recientes en la electrodeshidratación impulsada por presión (PED) de lodos contaminados. En Remediación electrocinética para la seguridad y sostenibilidad ambiental (eds Ribeiro, AB et al.) 629–652 (Wiley, 2021).

Capítulo Google Scholar

Shafaei, F. y col. Deshidratación mecánico-eléctrica (EDW) de relaves mineros: Influencia del nivel de voltaje en la recuperación de agua y reducción de humedad. Minero. Ing. 175, 107303 (2022).

Artículo CAS Google Scholar

Zhang, H. y col. Un modelo de optimización coordinada de dos pasos para un proceso de deshidratación. Poder. J. química. Ing. 99(3), 742–754 (2021).

Artículo CAS Google Scholar

Eremeev, DN et al. Ensayos en planta del coadyuvante de filtración AS-43124M para la deshidratación de lodos del sistema de lavado de gases. Traducción de acero. 51(6), 416–421 (2021).

Artículo de Google Scholar

Burat, F. y col. Mejor deshidratación del carbón fino mediante pretratamiento ultrasónico y auxiliares de deshidratación. Minero. Proceso. Extra. Metal. Rev. https://doi.org/10.1080/08827508.2014.898637 (2015).

Artículo de Google Scholar

Besra, L. et al. Deshidratación asistida por floculantes y tensioactivos de suspensiones de partículas finas: una revisión. Minero. Proceso. Extra. Metal. Rev. https://doi.org/10.1080/08827509808914153 (1998).

Artículo de Google Scholar

Mamghaderi, H. y col. Investigación sobre los efectos del pretratamiento químico en la deshidratación de relaves de mineral de hierro. Surf de coloides. Una fisicoquímica. Ing. Áspid. 625, 126855 (2021).

Artículo CAS Google Scholar

Patil, DP y Parekh, BK Separación termoadhesiva: una novedosa técnica de beneficio de carbón seco. Metal Minero. Explorar. 39, 23. https://doi.org/10.1007/s42461-021-00519-3 (2022).

Artículo CAS Google Scholar

Bień, B. & Bień, JD Acondicionamiento de lodos de depuradora con métodos físicos, químicos y duales para mejorar la deshidratación de lodos de depuradora. Energías 14(16), 5079 (2021).

Artículo de Google Scholar

Usher, SP y cols. Caracterización de la deshidratabilidad a partir de datos de pruebas de equilibrio y centrifugación transitoria. Química. Ing. Ciencia. 93, 277. https://doi.org/10.1016/j.ces.2013.02.026 (2013).

Artículo CAS Google Scholar

Jämsä-Jounela, S.-L. et al. Sistema de apoyo al operador para filtros de presión. control. Ing. práctica https://doi.org/10.1016/j.conengprac.2004.11.019 (2004).

Artículo de Google Scholar

Bähner, FD et al. Análisis y modelado de una filtración a presión industrial utilizando datos de proceso. IFACPapersOnLine. https://doi.org/10.1016/j.ifacol.2017.08.2152 (2017).

Artículo de Google Scholar

Heertjes, PM & Haas, HV Estudios en filtración. Rec. Trav. Chim. 68, 361–383 (1949).

Artículo CAS Google Scholar

Li-xin, J. et al. Análisis de las eficiencias de la deshidratación por compresión hidráulica y la deshidratación por compresión. Reunió. Mía 10, 44–47 (2002).

Google Académico

Carleton, AJ & Salway, AG Deshidratación de tortas. Filtrar. 30 de septiembre, 641–647 (1993).

Artículo CAS Google Scholar

Qisheng, D. y Weiyi, W. Nueva tecnología de filtración práctica 120–126 (Prensa de la industria metalúrgica, 2000).

Google Académico

Morari, M. & Lee, JH Modelo de control predictivo: pasado, presente y futuro. Computadora. Química. Ing. 23(4–5), 667–682 (1999).

Artículo CAS Google Scholar

Bogojeski, M., Sauer, S., Horn, F. y Müller, K.-R. Previsión de procesos de envejecimiento industrial con métodos de aprendizaje automático. Computadora. Química. Ing. 144, 107123 (2021).

Artículo CAS Google Scholar

McCoy, JT y Auret, L. Aplicaciones de aprendizaje automático en el procesamiento de minerales: una revisión. Minero. Ing. 132, 95. https://doi.org/10.1016/j.mineng.2018.12.004 (2019).

Artículo CAS Google Scholar

Xue, Y. et al. Un enfoque evolutivo multiobjetivo basado en gráfico en gráfico para la búsqueda de arquitectura neuronal de redes neuronales convolucionales. En t. J. Sistema neuronal. https://doi.org/10.1142/S0129065721500350 (2021).

Artículo PubMed Google Scholar

Xue, Y. et al. Un algoritmo de búsqueda de arquitectura neuronal de mutación autoadaptativo basado en bloques. Computación IEEE. Intel. revista 16(3), 67–78 (2021).

Artículo de Google Scholar

Wang, L. y col. Predicción de la radiación de GongSolar mediante diferentes técnicas: Evaluación y comparación de modelos. Renovar. Sostener. Energía Rev. 61, 384–397 (2016).

Artículo de Google Scholar

Ghritlahre, HK & Prasad, RK Predicción del rendimiento exergético de un calentador de aire solar utilizando modelos MLP, GRNN y RBF de la técnica de redes neuronales artificiales. J. Medio Ambiente. Administrar. 223, 566–575 (2018).

Artículo PubMed Google Scholar

Cortes, C. & Vapnik, V. Redes de vectores de soporte. Mach. Aprender. https://doi.org/10.1007/BF00994018VladimirN (1995).

Artículo MATEMÁTICAS Google Scholar

Vapnik, V. La naturaleza de la teoría del aprendizaje estadístico (Springer, 2000).

Reservar Google Académico

Jia, CL, Wu, HS & Gong, DW Predicción de la demanda de carbón basada en un modelo de máquina de vectores de soporte. Universidad J. China. Mín. Tecnología. 36(1), 107–110 (2007).

Google Académico

Li, E. y col. Desarrollo de un modelo híbrido de máquina de vectores de soporte basada en algoritmo de enjambre de salpas para predecir la resistencia del relleno de pasta cementada reforzada con fibra. Ing. Computadora. 37(4), 3519–3540 (2021).

Artículo de Google Scholar

Li, E. y col. Predicción del tamaño medio de fragmentos de voladura mediante regresión de vectores de soporte combinada con cinco algoritmos de optimización. J. Rock Mech. Geotecnología. Ing. 13(6), 1380–1397 (2021).

Artículo de Google Scholar

Descargar referencias

El autor agradece sinceramente los datos y el apoyo técnico brindado por empresas e investigadores relacionados, y especialmente gracias al proyecto de fondos de Talent Project: Proyecto de Talento Innovador “Double Thousand Plan” de la provincia de Jiangxi (JXSQ2018101046).

La financiación también fue proporcionada por el Proyecto de Talento "Double Thousand" de la provincia de Jiangxi (jxsq2018101046).

keshun tu

Dirección actual: Escuela de Ingeniería Mecánica y Eléctrica, Universidad de Ciencia y Tecnología de Jiangxi, Ganzhou, 341000, China

Escuela de Ingeniería Mecánica y Eléctrica, Universidad de Ciencia y Tecnología de Jiangxi, Ganzhou, 341000, China

Huizhong Liu

También puedes buscar este autor en PubMed Google Scholar.

KY y HL concibieron la idea presentada. KY desarrolló la teoría y realizó los cálculos. HL y KY verificaron los métodos analíticos. HL alentó a KY a investigar la situación actual de desarrollo y las necesidades de desarrollo de la mesa vibratoria de beneficio y supervisó los resultados de este trabajo. Todos los autores discutieron los resultados y contribuyeron al manuscrito final. HL llevó a cabo el experimento. KY escribió el manuscrito con el apoyo de HLKY, modeló los datos de deshidratación industrial y realizó un análisis de errores, finalmente seleccionó la regresión del vector de soporte como modelo de deshidratación de filtro prensa industrial. KY desarrolló el formalismo teórico. KY construye respectivamente los modelos de aprendizaje automático de RBF-OLS, RBF-GRNN y regresión de vectores de soporte (SVR). Ambos autores contribuyeron a la versión final del manuscrito. HL supervisó el proyecto. HL resolvió casi todos los detalles técnicos y realizó los cálculos numéricos para el experimento sugerido. HL trabajó en el desarrollo y la aplicación del sistema de deshidratación de filtro prensa automático y el desarrollo y promoción del filtro prensa automático BPF, con la ayuda de KY. Propusieron un experimento de deshidratación de filtro prensa industrial y recopilaron datos de deshidratación de filtro prensa industrial. KY y HL contribuyeron al diseño e implementación de la investigación, al análisis de los resultados y a la redacción del manuscrito. Están trabajando juntos para desarrollar un sistema de deshidratación de filtro prensa industrial más práctico y optimizado.

Correspondencia a Huizhong Liu.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Liu, H., You, K. Optimización del proceso de deshidratación del filtrado de presión de concentrado mediante regresión de vectores de soporte. Representante científico 12, 7135 (2022). https://doi.org/10.1038/s41598-022-11259-9

Descargar cita

Recibido: 24 de septiembre de 2021

Aceptado: 04 de abril de 2022

Publicado: 17 de mayo de 2022

DOI: https://doi.org/10.1038/s41598-022-11259-9

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Informes Científicos (2023)

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.