Data-driven soft sensor development for ore type estimation in mineral crushing processes (2026)
- Authors:
- USP affiliated authors: UEYAMA, JO - ICMC ; MATOS, SAULO NEVES - ICMC
- Unidade: ICMC
- DOI: 10.1016/j.engappai.2026.113755
- Subjects: PETROLOGIA; BRITAGEM; MINERAÇÃO; APRENDIZADO COMPUTACIONAL
- Keywords: Soft label; Mining engineering; Soft sensor
- Agências de fomento:
- Language: Inglês
- Objetivos de Desenvolvimento Sustentável (ODS):
09. Indústria, inovação e infraestrutura
- Imprenta:
- Source:
- Título: Engineering Applications of Artificial Intelligence
- ISSN: 0952-1976
- Volume/Número/Paginação/Ano: v. 167, p. 1-14, 2026
- Status:
- Artigo aberto em periódico híbrido (Hybrid Open Access)
- Versão do Documento:
- Versão publicada (Published version)
- Acessar versão aberta:
-
ABNT
MATOS, Saulo Neves et al. Data-driven soft sensor development for ore type estimation in mineral crushing processes. Engineering Applications of Artificial Intelligence, v. 167, p. 1-14, 2026Tradução . . Disponível em: https://doi.org/10.1016/j.engappai.2026.113755. Acesso em: 30 mar. 2026. -
APA
Matos, S. N., Pinto, T. V. B. e, Duarte, R., Albuquerque, K. S., Fonseca, A. G., Ranieri, C. M., et al. (2026). Data-driven soft sensor development for ore type estimation in mineral crushing processes. Engineering Applications of Artificial Intelligence, 167, 1-14. doi:10.1016/j.engappai.2026.113755 -
NLM
Matos SN, Pinto TVB e, Duarte R, Albuquerque KS, Fonseca AG, Ranieri CM, Marcolino LS, Pessin G, Ueyama J. Data-driven soft sensor development for ore type estimation in mineral crushing processes [Internet]. Engineering Applications of Artificial Intelligence. 2026 ; 167 1-14.[citado 2026 mar. 30 ] Available from: https://doi.org/10.1016/j.engappai.2026.113755 -
Vancouver
Matos SN, Pinto TVB e, Duarte R, Albuquerque KS, Fonseca AG, Ranieri CM, Marcolino LS, Pessin G, Ueyama J. Data-driven soft sensor development for ore type estimation in mineral crushing processes [Internet]. Engineering Applications of Artificial Intelligence. 2026 ; 167 1-14.[citado 2026 mar. 30 ] Available from: https://doi.org/10.1016/j.engappai.2026.113755 - Improving soft sensor reliability in the mining industry using incremental learning
- Development of a bench system with capacitive sensor, sample compression, and TinyML for iron ore moisture measurement
- An evaluation of iron ore characteristics through machine learning and 2-D LiDAR technology
- Enhancing operational safety with conformal prediction in soft sensors
- Cascade proportional-integral control design and affordable instrumentation system for enhanced performance of electrolytic dry cells
- Closing the loop: enhancing industrial productivity through soft sensor
- Deep Learning and object detection for water level measurement using patterned visual markers
- Comparative analysis of smart contract generation using large language models
- NodePM: a remote monitoring alert system for energy consumption using probabilistic techniques
- Providing adaptive smartphone interfaces targeted at elderly people: an approach that takes into account diversity among the elderly
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
3288082.pdf | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
