金属矿山

作者：赵红宇,何桂春,石岩,江长松,吴为波,

单位：1. 江西省矿业工程重点实验室,江西 赣州 341000;2. 江西理工大学资源与环境工程学院,江西 赣州 341000

关键词：浮选回收率,机器学习,数据预处理,深度学习,

基金：国家自然科学基金项目(编号:52174249);江西省重点研发计划项目(编号:20203BBGL73231);江西省研究生创新专项资金项目(编号:YC2022-S660)。

针对现有浮选回收率预测模型拟合度不高、预测误差大等问题,以某铜矿实际工况数据为基础,利用箱图和滤波算法对数据进行预处理,采用传统机器学习算法(DT、SVR 和RF 算法)和深度学习算法(DNN 和CNN 算法)构建相应浮选回收率预测模型。对5 种回收率预测模型的拟合效果、预测效果进行了对比分析,并采用现场数据进行验证。结果表明:传统机器学习算法模型中RF 预测精度最佳,±2%误差区域命中率为80. 1%,±4%误差区域命中率为93. 0%;深度学习模型预测效果均优于传统机器学习算法模型,DNN 和CNN 预测模型的R2 分别为0. 854、0. 907,±2%误差区域命中率分别为91. 6%、90. 6%,±4%误差区域命中率分别为96. 6%、98. 1%。CNN 模型略优于DNN 模型,但训练耗时较长,深度学习算法模型中首选DNN 模型。研究结果可为浮选回收率实时预测及浮选过程协同优化提供技术支持。

来源：2024年第01期

《金属矿山》期刊编辑部

查看金属矿山杂志2024年第01期