Tri-flo cyclone, as a dense-medium separation device, is one of the most typical environmentally friendly industrial techniques in the coal washery plants. Surprisingly, no detailed investigation has been conducted to explore the effectiveness of tri-flo cyclone operating parameters on their representative metallurgical responses (yield and recovery). To fill this gap, this work for the first time in the coal processing sector is going to introduce a type of advanced intelligent method (boosted-neural network “BNN”) which is able to linearly and nonlinearly assess multivariable correlations among all variables, rank them based on their effectiveness and model their produced responses. These assessments and modeling were considered a new concept called “Conscious Laboratory (CL)”. CL can markedly decrease the number of laboratory experiments, reduce cost, save time, remove scaling up risks, expand maintaining processes, and significantly improve our knowledge about the modeled system. In this study, a robust monitoring database from the Tabas coal plant was prepared to cover various conditions for building a CL for coal tri-flo separators. Well-known machine learning methods, random forest, and support vector regression were developed to validate BNN outcomes. The comparisons indicated the accuracy and strength of BNN over the examined traditional modeling methods. In a sentence, generating a novel BNN within the CL concept can apply in various energy and coal processing areas, fill gaps in our knowledge about possible interactions, and open a new window for plants' fully automotive process.

三重旋风分离器作为一种重中分离装置，是洗煤厂最典型的环保工业技术之一。出人意料的是，尚未进行详细的研究以探讨三氟旋风分离器操作参数对其代表性冶金响应（收率和回收率）的有效性。为了填补这一空白，煤炭加工行业中的这项工作将首次引入一种先进的智能方法（增强型神经网络“ BNN”），该方法能够线性和非线性地评估所有变量，等级之间的多变量相关性。他们根据其有效性并对所产生的响应进行建模。这些评估和建模被认为是称为“意识实验室（CL）”的新概念。CL可以显着减少实验室实验的数量，降低成本，节省时间，消除扩大规模的风险，扩大维护流程并显着提高我们对建模系统的了解。在这项研究中，塔巴斯煤炭厂准备了一个强大的监控数据库，以涵盖构建煤制三级浮选分离器CL的各种条件。开发了著名的机器学习方法，随机森林和支持向量回归来验证BNN的结果。比较结果表明，在经过检验的传统建模方法上，BNN的准确性和强度。简而言之，在CL概念内生成新颖的BNN可以应用于各种能源和煤炭加工领域，填补我们对可能的相互作用的知识的空白，并为工厂的全自动化过程打开新的窗口。并大大提高了我们对建模系统的了解。在这项研究中，塔巴斯煤炭厂准备了一个强大的监控数据库，以涵盖构建煤制三级浮选分离器CL的各种条件。开发了著名的机器学习方法，随机森林和支持向量回归来验证BNN的结果。比较表明，BNN的准确性和强度超过了已检验的传统建模方法。简而言之，在CL概念内生成新颖的BNN可以应用于各种能源和煤炭加工领域，填补我们对可能的相互作用的知识的空白，并为工厂的全自动化过程打开新的窗口。并大大提高了我们对建模系统的了解。在这项研究中，塔巴斯煤炭厂准备了一个强大的监控数据库，以涵盖构建煤制三级浮选分离器CL的各种条件。开发了著名的机器学习方法，随机森林和支持向量回归来验证BNN的结果。比较表明，BNN的准确性和强度超过了已检验的传统建模方法。简而言之，在CL概念内生成新颖的BNN可以应用于各种能源和煤炭加工领域，填补我们对可能的相互作用的知识的空白，并为工厂的全自动化过程打开新的窗口。塔巴斯（Tabas）燃煤厂准备了一个强大的监控数据库，以涵盖构建煤制三级浮选分离器CL的各种条件。开发了著名的机器学习方法，随机森林和支持向量回归来验证BNN的结果。比较表明，BNN的准确性和强度超过了已检验的传统建模方法。简而言之，在CL概念内生成新颖的BNN可以应用于各种能源和煤炭加工领域，填补我们对可能的相互作用的知识的空白，并为工厂的全自动化过程打开新的窗口。塔巴斯（Tabas）燃煤厂准备了一个强大的监控数据库，以涵盖构建煤制三级浮选分离器CL的各种条件。开发了著名的机器学习方法，随机森林和支持向量回归来验证BNN的结果。比较表明，BNN的准确性和强度超过了已检验的传统建模方法。简而言之，在CL概念内生成新颖的BNN可以应用于各种能源和煤炭加工领域，填补我们对可能的相互作用的知识的空白，并为工厂的全自动化过程打开新的窗口。比较表明，BNN的准确性和强度超过了已检验的传统建模方法。简而言之，在CL概念内生成新颖的BNN可以应用于各种能源和煤炭加工领域，填补我们对可能的相互作用的知识的空白，并为工厂的全自动化过程打开新的窗口。比较表明，BNN的准确性和强度超过了已检验的传统建模方法。简而言之，在CL概念内生成新颖的BNN可以应用于各种能源和煤炭加工领域，填补我们对可能的相互作用的知识的空白，并为工厂的全自动化过程打开新的窗口。