دانشگاه یزد پژوهش های نظری و کاربردی هوش ماشینی 2821-2029 3 2 2025 11 22 Intelligent Process Modeling of a Pelletizing Furnace: A Case Study at Golgohar Mining and Industrial Company مدل‌سازی فرآیند در کوره گندله‌سازی با استفاده از روش‌های هوشمند: مطالعه موردی در شرکت معدنی و صنعتی گل‌گهر 159 173 3959 10.22034/abmir.2025.23568.1156 FA محدثه رضایی دانشجوی دکتری بخش مهندسی برق، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان، کرمان، ایران 0000-0002-1620-8995 حسین نظام‌آبادی‌پور استاد بخش مهندسی برق، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان، کرمان، ایران 0000-0002-3350-7348 رضا خاکسارپور کارشناسی ارشد، مجتمع معدنی و صنعتی گل‌گهر سیرجان، کرمان، ایران Journal Article 2025 08 22 The pelletizing process is a key stage in the steel production chain, during which iron ore concentrate is transformed into pellets suitable for use in blast furnaces. The induration (firing) stage within the furnace plays a critical role in determining product quality, as the distribution of temperature and pressure directly affects the physical and mechanical properties of the pellets. The objective of this study is to develop a data-driven model to predict the behavior of the pelletizing furnace at Golgohar Mining and Industrial Company based on real operational data. To this end, process input and output variables were collected and preprocessed, and feature selection was performed using three methods: F-score, mutual information, and Pearson correlation coefficient. Subsequently, Multiple Linear Regression, random forest, k-nearest neighbors, and multilayer perceptron neural network models were trained within a multiple-input–multiple-output (MIMO) framework to simultaneously predict 36 temperature variables and 31 pressure variables. The results indicated that the mutual information-based feature selection method improved the performance of nonlinear models, while the multilayer perceptron achieved the highest accuracy, with an average coefficient of determination of 91.50% for temperature and 89.62% for pressure. These findings demonstrate that data-driven learning approaches can accurately model the complex behavior of the furnace and provide a suitable foundation for designing intelligent control systems and optimizing firing conditions فرآیند گندله‌سازی یکی از مراحل کلیدی زنجیره تولید فولاد است که در آن کنسانتره سنگ‌آهن به گندله‌های  قابل مصرف در کوره بلند تبدیل می‌شود. مرحله پخت در کوره، به‌دلیل تأثیر مستقیم توزیع دما و فشار بر ویژگی‌های فیزیکی و مکانیکی گندله، یکی از عوامل اصلی در کیفیت محصول است. هدف این پژوهش، توسعه مدلی داده‌محور برای پیش‌بینی رفتار کوره گندله‌سازی شرکت معدنی و صنعتی گل‌گهر بر پایه داده‌های عملیاتی واقعی است. بدین منظور، متغیرهای ورودی و خروجی فرآیند جمع‌آوری و پس از پیش‌پردازش، انتخاب ویژگی با سه روش امتیاز-اف، اطلاعات متقابل و ضریب همبستگی پیرسون انجام شد. سپس مدل‌های رگرسیون خطی چندگانه، جنگل تصادفی، k-نزدیک‌ترین همسایه و شبکه عصبی پرسپترون چندلایه در چارچوب چندورودی-چندخروجی برای پیش‌بینی همزمان ۳۶ متغیر دما و ۳۱ متغیر فشار آموزش داده شدند. نتایج نشان داد روش انتخاب ویژگی مبتنی بر اطلاعات متقابل موجب بهبود عملکرد مدل‌های غیرخطی شده و شبکه عصبی چندلایه بالاترین دقت را با میانگین ضریب تعیین50/91 درصد برای دما و 62/89 درصد برای فشار به دست آورد. یافته‌ها بیانگر آن است که استفاده از رویکردهای یادگیری داده‌محور می‌تواند رفتار پیچیده کوره را با دقت بالا مدل کرده و بستر مناسبی برای طراحی سامانه‌های کنترلی هوشمند و بهینه‌سازی شرایط پخت فراهم سازد. https://abmir.yazd.ac.ir/article_3959_eb8b9d771cc386f310e402f1f5e319f2.pdf