Submitted 1 September, 2024; originally announced September 2024. , Comments: The 7th Environmental Technology and Management Conference (ETMC 2023) , Journal ref: E3S Web of Conf. 485(2024)
توضیحات به فارسی
ارسال 1 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد ، نظرات: هفتمین کنفرانس فناوری و مدیریت محیط زیست (ETMC 2023) ، مجله Ref: E3s Web of Conf.485 (2024)
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Acid mine drainage (AMD) is one of the common environmental problems in the coal mining industry that was formed by the oxidation of sulfide minerals in the overburden or waste rock. The prediction of acid generation through AMD is important to do in overburden management and planning the post-mining land use. One of the methods used to predict AMD is a lab-scale kinetic test to determine the rate of acid formation over time using representative samples in the field. However, this test requires a long-time procedure and large amount of chemical reagents lead to inefficient cost. On the other hand, there is potential for machine learning to learn the pattern behind the lab-scale kinetic test data. This study describes an approach to use artificial neural network (ANN) modeling to predict the result from lab-scale kinetic tests. Various ANN model is used based on 83 weeks experiments of lab-scale kinetic tests with 100\% potential acid-forming rock. The model approaches the monitoring of pH, ORP, conductivity, TDS, sulfate, and heavy metals (Fe and Mn). The overall Nash-Sutcliffe Efficiency (NSE) obtained in this study was 0.99 on training and validation data, indicating a strong correlation and accurate prediction compared to the actual lab-scale kinetic tests data. This show the ANN ability to learn patterns, trends, and seasonality from past data for accurate forecasting, thereby highlighting its significant contribution to solving AMD problems. This research is also expected to establish the foundation for a new approach to predict AMD, with time efficient, accurate, and cost-effectiveness in future applications.
چکیده به فارسی (ترجمه ماشینی)
زهکشی معدن اسید (AMD) یکی از مشکلات مهم زیست محیطی در صنعت استخراج ذغال سنگ است که با اکسیداسیون مواد معدنی سولفید در سنگ بار سنگین یا زباله تشکیل شده است.پیش بینی تولید اسید از طریق AMD در مدیریت بار سنگین و برنامه ریزی کاربری اراضی پس از معدن مهم است.یکی از روشهای مورد استفاده برای پیش بینی AMD ، آزمایش جنبشی در مقیاس آزمایشگاه برای تعیین میزان تشکیل اسید در طول زمان با استفاده از نمونه های نماینده در این زمینه است.با این حال ، این آزمایش نیاز به یک روش طولانی مدت دارد و مقدار زیادی از معرفهای شیمیایی منجر به هزینه ناکارآمد می شوند.از طرف دیگر ، این امکان وجود دارد که یادگیری ماشین الگوی پشت داده های تست جنبشی در مقیاس آزمایشگاه را بیاموزد.این مطالعه یک رویکرد برای استفاده از مدل سازی شبکه عصبی مصنوعی (ANN) برای پیش بینی نتیجه از آزمایشات جنبشی در مقیاس آزمایشگاه است.مدل مختلف ANN بر اساس آزمایش های 83 هفته آزمایشات جنبشی در مقیاس آزمایشگاه با 100 \ ٪ سنگ اسید تشکیل دهنده اسید استفاده می شود.این مدل به نظارت بر pH ، ORP ، هدایت ، TDS ، سولفات و فلزات سنگین (آهن و منگنز) نزدیک می شود.کارآیی کلی NASH-Sutcliffe (NSE) به دست آمده در این مطالعه 0.99 در داده های آموزش و اعتبار سنجی بود ، که نشانگر همبستگی قوی و پیش بینی دقیق در مقایسه با داده های آزمایشی جنبشی واقعی در مقیاس آزمایشگاه است.این نشان دهنده توانایی ANN در یادگیری الگوهای ، روندها و فصلی از داده های گذشته برای پیش بینی دقیق است ، در نتیجه سهم قابل توجه آن در حل مشکلات AMD را برجسته می کند.همچنین انتظار می رود که این تحقیق پایه و اساس یک رویکرد جدید را برای پیش بینی AMD ، با زمان کارآمد ، دقیق و مقرون به صرفه در برنامه های آینده ایجاد کند.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
