🎓 Работы выпускников. Как научить нейросеть следить за измельчением руды в реальном времени — и при этом доверять её подсказкам

На глинозёмном производстве важно знать, насколько измельчился боксит внутри шаровой мельницы. Сейчас для этого делают ситовый анализ — он занимает время, и пока ждёшь результат, процесс уже может уйти в неоптимальный режим.

Анна Кузьмина, выпускница магистратуры ФТИИ по программе «Большие данные и машинное обучение», в дипломной работе предложила другой путь — нейросеть, которая моделирует измельчение боксита прямо по ходу процесса. Научный руководитель — Алексей Духанов.

Особенность подхода в том, что при обучении модель опирается не только на данные, но и на дифференциальные уравнения самого процесса измельчения (такие сети называют physics-informed). Благодаря этому она получается интерпретируемой, а не «чёрным ящиком» — а это важно, иначе операторы просто не будут доверять её рекомендациям.

Чем работа сильна:
🔹 модель учитывает физику процесса, поэтому её подсказкам можно доверять прямо на производстве;
🔹 рабочий результат получился не сразу — Анна перебирала гиперпараметры, архитектуру, оптимизаторы и сами уравнения, пока метрики не вышли на нужный уровень.

Работу Анны отдельно отметила государственная экзаменационная комиссия.

Где это пригодится: мониторинг и диагностика технологических процессов глинозёмного производства, цифровые двойники, системы управления. Знание крупности бокситовой пульпы помогает повысить товарный выход продукции и снизить расход ресурсов.

Что дальше — Анна развивает модель уже в индустрии: довести её до устойчивой работы в онлайн-режиме и встроить в контур рекомендаций оператору мельницы, а ещё — рассказать о кейсе в статьях на конференциях.