Niranjan Adhikari在统计和物理学中占有双人大师。
德兰师是一名博士学位，在JKMRC上致力于在戈登·福布斯博士博士博士博士博士下的先进过程预测和控制集团的项目工作，莫赫·亚比亚副教授和马尔戈博士博士。
尼兰申在理论物理学中完成了他的本科和硕士学位。在此之后，他曾在尼泊尔尼泊尔大学的物理讲师，四年多。尼兰申在2017年完成了统计和运营研究的进一步硕士学位，他专门从事机器学习。2018年，他与Advantage Data Consulting Company作为数据科学家合作，在2020年初开始他的博士学位，工作标题：
用于粉碎模型校准的机器学习算法。
经验过程模型经常用于矿物加工行业设计电路，选择设备，测试电路配置和过程控制。许多这些模型用于诸如jksimmet等流程图仿真包中。对于每个模型，通常存在多个参数，其中一些参数需要校准。此外，当电路的处理条件以及矿石属性改变时，重要的是重新校准这些模型（更新模型参数）（更新模型参数）。
为了校准这些模型，通常会使用仿真包jksimmet来收集相关数据的调查，然后拟合模型。这种端到端的过程最多可能需要六个月才能完成。现有校准程序昂贵且耗时，因为它必须经过多种过程，如工厂调查，样品分析和模型配件，因此需要更好的解决方案。
相反，该项目正在利用工厂运行数据（即PI数据）来提取基本信息来通过机器学习技术校准流程模型，如矿产过程专家知识所指导的。然而，仍然需要进行基本案例调查，以便能够开发初始校准模型，但之后，目标是根据使用PI数据识别的当前操作系统自动更新模型。
所提出的方法可以通过延长它们的预测范围来提高过程模型预测的准确性，并减少常急昂贵调查的负担。此功能将在唯一的空间中将集成的流程模拟放在唯一的空间中，因为它提供了过程模型的实时预测能力。