基于机器学习和可解释分析的强化重力场中的酸盐尾矿回收的预测

科学领域:

• 矿物加工和提取性金 矿物加工和提取性金
• 应用机器学习应用机器学习
• 环境工程 环境工程

背景情况:

• 从矿尾矿中最大限度地回收对于资源利用和环境管理至关重要.
• 增强的重力分离提供了一种低成本的方法来使酸盐尾矿受益.
• 预测建模可以优化增强的重力分离过程,以提高效率.

研究的目的:

• 开发和评估一种机器学习框架,用于预测酸盐尾矿的产量,等级和回收.
• 为了确定影响分离性能的关键操作参数.
• 为了优化增强的重力分离过程,以提高回收.

主要方法:

• 采集了使用增强重力分离的酸盐尾矿分离的实验数据.
• 构建和评估了七种机器学习模型,包括渐变增强回归器 (GBR),以根据泥度,反冲水压和旋转频率来预测产量,等级和回收.
• 采用超参数优化和夏普利添加式解释 (SHAP) 进行模型性能评估和特征影响分析.

主要成果:

• 优化的GBR模型实现了高预测准确度:95.58%的产量,90.72%的等级和94.25%的回收.
• 旋转频率显著影响了等级和回收,而泥度主要影响了产量.
• 最佳条件包括更低的旋转频率,更高的泥度,以及提高反冲水压力,以提高产量和回收;等级偏好更高的旋转频率和更低的泥度.

结论:

• 开发的机器学习框架提供了准确的预测和有价值的见解,用于优化酸盐尾矿的增强重力分离.
• 了解运行参数的影响,可以进行有针对性的调整,以最大限度地回收.
• 该研究表明可解释机器学习在提高矿物加工效率和资源回收方面的潜力.