실리카 농도 예측을 위한 LSTM-DNN 통합 모델

Abstract

Due to the recent Fourth Industrial Revolution, markets related to information technology (IT) such as AI (Artificial Intelligence), electric vehicles (EV), and Internet of Things (IoT) are growing rapidly. Accordingly, the demand for major minerals essential for manufacturing related parts and batteries is also increasing rapidly. However, in the domestic mining sector, basic research on efficient mineral smelting processes using data is insufficient, and it is difficult to find cases of introducing deep learning technology. This paper proposes an integrated model of the Long Short-Term Memory (LSTM) Model and the Deep Neural Network (DNN) Model to improve the accuracy of predicting silica concentration, one of the major minerals. The structural characteristics of the model were used to reflect both characteristics of time series and non-time series data. Based on the collected data, time series data and non-time series data were classified according to the nature of the data, and time series data were input and processed into the LSTM Model and non-time series data into the DNN Model. The latent variable calculated in each model is finally predicted through a fully connected layer. There were three performance indicators: Mean Absolute Error (MAE), Mean Square Error (MSE), and Root Mean Square Error (RMSE). Performance evaluation showed that the proposed Combined LSTM-DNN Model showed the best performance compared to the DNN Model and the LSTM Model with the MAE value of 0.012, and the MSE and RMSE values of 0.004. It was found that the Combined LSTM-DNN Model showed higher performance than the DNN Model and the LSTM Model. |최근 4차 산업혁명으로 인해 AI(Artificial Intelligence), 전기자동차, IoT(Internet of Things) 등의 IT(Information Technology) 분야 관련 시장이 급격히 성장하고 있다. 이에 따라 관련 부품 및 배터리 제조에 필수적인 주요 광물에 대한 수요 또한 급증하고 있다. 하지만 국내 광업 분야에서는 데이터를 활용한 효율적인 광물 제련 프로세스에 대한 기초 연구가 부족하며, 딥러닝 기술을 도입한 사례 또한 찾아보기 어렵다.

본 논문은 주요 광물중의 하나인 실리카 농도 예측 정확성을 높이고자 LSTM(Long Short-Term Memory) Model과 DNN(Deep Neural Network) Model의 통합 모델을 제안한다. 해당 모델의 구조적 특성을 이용하여 시계열, 비시계열 데이터의 두 가지 특성을 모두 반영하고자 하였다. 이에 따라 수집된 데이터를 바탕으로 데이터의 성격에 따라 시계열 데이터와 비시계열 데이터로 분류 후, 시계열 데이터는 LSTM Model로 비시계열 데이터는 DNN Model로 입력, 처리되도록 구성하였다. 각각의 모델에서 산출된 잠재변수를 Fully connected layer를 거쳐 최종적으로 실리카의 농도를 예측하게 된다.

성능 지표는 3가지로 MAE(Mean Absolute Error), MSE(Mean Square Error), RMSE(Root Mean Square Error)로 진행하였다. 성능 평가 결과 제안된 Combined LSTM-DNN Model은 MAE 값이 0.012, MSE와 RMSE 값이 0.004로 DNN Model과 LSTM Model에 비해 가장 우수한 성능을 보였다. Combined LSTM-DNN Model이 DNN Model과 LSTM Model보다 높은 성능을 보임을 알 수 있었다.