特許ウォッチ

公開番号2025124601
公報種別公開特許公報(A)
公開日2025-08-26
出願番号2025019328
出願日2025-02-07
発明の名称予測方法、予測装置及び予測プログラム
出願人独立行政法人エネルギー・金属鉱物資源機構,国立大学法人筑波大学
代理人弁理士法人創光国際特許事務所
主分類C22B 1/00 20060101AFI20250819BHJP(冶金;鉄または非鉄合金;合金の処理または非鉄金属の処理)
要約【課題】選鉱による鉱物粒子の回収確率の予測精度が向上した予測方法を提供する。
【解決手段】本予測方法は、鉱物粒子の特徴データを用いて、前記特徴データを教師データとして機械学習することにより予測モデルを作成するステップと、前記予測モデルに前記特徴データを入力し、前記予測モデルが出力する値に基づいて、選鉱による鉱物粒子の回収確率を予測するステップと、を有する、コンピュータが実行する予測方法であって、前記鉱物粒子の特徴データが、前記鉱物粒子の特徴を示す個別粒子特徴データと、複数の前記鉱物粒子から構成される粒子群の特徴を示す粒子群特徴データと、を含む、予測方法である。
【選択図】図7

特許請求の範囲【請求項１】
鉱物粒子の特徴データを用いて、
前記特徴データを教師データとして機械学習することにより予測モデルを作成するステップと、
前記予測モデルに前記特徴データを入力し、前記予測モデルが出力する値に基づいて、選鉱による鉱物粒子の回収確率を予測するステップと、
を有する、コンピュータが実行する予測方法であって、
前記鉱物粒子の特徴データが、
前記鉱物粒子の特徴を示す個別粒子特徴データと、
複数の前記鉱物粒子から構成される粒子群の特徴を示す粒子群特徴データと、を含む、
予測方法。
続きを表示（約 1,400 文字）【請求項２】
前記予測モデルを作成するステップにおいて前記教師データとして用いられる前記個別粒子特徴データ及び前記粒子群特徴データが、
回収された精鉱及び尾鉱の鉱物粒子の個別特徴データ及び粒子群特徴データを含む、
請求項１の予測方法。
【請求項３】
前記鉱物粒子の回収確率を予測するステップにおいて用いられる前記個別粒子特徴データ及び前記粒子群特徴データが、
回収確率が未知の鉱物粒子の個別特徴データ及び粒子群特徴データを含む、
請求項１又は２の予測方法。
【請求項４】
選鉱を実施する条件を示す第１の条件データを取得するステップと、
前記教師データが得られた条件を示す第２の条件データを取得するステップと、
選鉱を実施する複数の条件それぞれに対応する給鉱粒子数に対する精鉱粒子数の比率又は尾鉱粒子数の比率である事前確率を示す事前確率データを取得するステップと、
前記事前確率データにおいて、前記第２の条件データが示す複数の条件のうち、前記第１の条件データが示す条件に最も近い条件に対応する最適事前確率を特定するステップと、
をさらに有し、
前記回収確率を予測するステップにおいて、前記予測モデルが出力する値を前記最適事前確率により補正することにより、前記回収確率を予測する、
請求項１に記載の予測方法。
【請求項５】
ランダムフォレスト、ニューラルネットワーク及びロジスティック回帰分析のいずれかから選択された前記機械学習により前記予測モデルを作成するステップをさらに有する、
請求項１に記載の予測方法。
【請求項６】
前記回収確率を予測するステップにおいて、取得した前記個別粒子特徴データに含まれる複数の特徴量から次元削減により選択した一部の特徴量と、取得した前記粒子群特徴データに含まれる複数の特徴量の特徴量から次元削減により選択した一部の特徴量を前記予測モデルに入力する、
請求項１に記載の予測方法。
【請求項７】
鉱物粒子の特徴データを用いて、
前記特徴データを教師データとして機械学習することにより予測モデルを作成するステップと、
前記予測モデルに前記特徴データを入力し、前記予測モデルが出力する値に基づいて、選鉱による鉱物粒子の回収確率を予測するステップと、
をコンピュータに実行させるための予測プログラムであって、
前記鉱物粒子の特徴データが、
前記鉱物粒子の特徴を示す個別粒子特徴データと、
複数の前記鉱物粒子から構成される粒子群の特徴を示す粒子群特徴データと、を含む、
予測プログラム。
【請求項８】
鉱物粒子の特徴データを取得する特徴データ取得部と、
前記特徴データを教師データとして機械学習することにより作成された予測モデルに前記特徴データを入力し、前記予測モデルが出力する値に基づいて、選鉱による鉱物粒子の回収確率を予測する予測部と、
を有する予測装置であって、
前記鉱物粒子の特徴データが、
前記鉱物粒子の特徴を示す個別粒子特徴データと、
複数の前記鉱物粒子から構成される粒子群の特徴を示す粒子群特徴データと、を含む、
予測装置。

発明の詳細な説明【技術分野】
【０００１】
本発明は、選鉱の結果を予測するための予測方法、予測装置及び予測プログラムに関する。
続きを表示（約 1,900 文字）【背景技術】
【０００２】
従来、浮選、比重選別又は磁力選別等の手法により、採掘した鉱石を有用鉱物と不用鉱物とに分離する選鉱の技術が知られている。探鉱段階では採取できる試験用の鉱石試料が少ないため、限られた試験回数で有用鉱物の回収率及び品位等を予測することが求められている。非特許文献１には、鉱物粒子解析装置（ＭＬＡ：Mineral Liberation Analyzer）により特定した鉱物内の粒子ごとの特徴データを教師データとして機械学習することにより作成した予測モデルを用いて有用鉱物の回収率及び品位等を予測する方法が開示されている。また、非特許文献２にも機械学習した予測モデルを用いて有用鉱物の回収率及び品位等を予測する方法が開示されている。
【先行技術文献】
【非特許文献】
【０００３】
澁谷長史、小林翔樹、榊原泰祐、小野竜大、川嵜兼彦、「機械学習によるＭＬＡデータからの浮選予測モデル構築の基礎検討」、資源・素材講演集Ｖｏｌ．９（２０２２）Ｎｏ．２、一般社団法人資源・素材学会、２０２２年９月７日
Pereira L, Frenzel M, Khodadadzadeh M, Tolosana-Delgado R, Gutzmer J. A self-adaptive particle-tracking method for minerals processing. J Clean Prod 2021;279:123711.
【発明の概要】
【発明が解決しようとする課題】
【０００４】
鉱物粒子のふるまいは、周辺の他の鉱物粒子の影響を受けると考えられる。したがって、粒子ごとの特徴データだけを教師データとして機械学習した予測モデルを用いて粒子の回収確率を予測した場合の回収率や品位は、実際の回収率や品位との差が大き過ぎるという問題があった。
【０００５】
そこで、本発明はこれらの点に鑑みてなされたものであり、選鉱による鉱物粒子の回収確率の予測精度が向上した予測方法、予測装置及び予測プログラムを提供することを目的とする。
【課題を解決するための手段】
【０００６】
本発明の第１の態様の予測方法は、鉱物粒子の特徴データを用いて、前記特徴データを教師データとして機械学習することにより予測モデルを作成するステップと、前記予測モデルに前記特徴データを入力し、前記予測モデルが出力する値に基づいて、選鉱による鉱物粒子の回収確率を予測するステップと、を有する、コンピュータが実行する予測方法であって、前記鉱物粒子の特徴データが、前記鉱物粒子の特徴を示す個別粒子特徴データと複数の前記鉱物粒子から構成される粒子群の特徴を示す粒子群特徴データと、を含む。
【０００７】
前記予測方法は、前記予測モデルを作成するステップにおいて前記教師データとして用いられる前記個別粒子特徴データ及び前記粒子群特徴データが、回収された精鉱及び尾鉱の鉱物粒子の個別特徴データ及び粒子群特徴データを含むものであってもよい。
【０００８】
前記予測方法は、前記鉱物粒子の回収確率を予測するステップにおいて用いられる前記個別粒子特徴データ及び前記粒子群特徴データが、回収確率が未知の鉱物粒子の個別特徴データ及び粒子群特徴データを含むものであってもよい。
【０００９】
前記予測方法は、選鉱を実施する条件を示す第１の条件データを取得するステップと、前記教師データが得られた条件を示す第２の条件データを取得するステップと、選鉱を実施する複数の条件それぞれに対応する給鉱粒子数に対する精鉱粒子数の比率又は尾鉱粒子数の比率である事前確率を示す事前確率データを取得するステップと、前記事前確率データにおいて、前記第２の条件データが示す複数の条件のうち、前記第１の条件データが示す条件に最も近い条件に対応する最適事前確率を特定するステップと、をさらに有し、前記回収確率を予測するステップにおいて、前記予測モデルが出力する値を前記最適事前確率により補正することにより、前記回収確率を予測してもよい。
【００１０】
前記予測方法は、ランダムフォレスト、ニューラルネットワーク及びロジスティック回帰分析のいずれかから選択された前記機械学習により前記予測モデルを作成するステップをさらに有してもよい。
（【００１１】以降は省略されています）

関連特許