基于CA-CNN-BiLSTM-LightGBM混合模型的砂岩主机在现场漏中的电导率和度之间的关系的研究
Zhenhua Wei1, Shengyu Zhong2, Zhifeng Liu2
1Ministry of Education Engineering Research Center of Nuclear Technology Application (East China University of Technology), Ministry of Education, Nanchang, 330013, China; School of Artificial Intelligence and Information Engineering, East China University of Technology, Nanchang, 330013, China.
Journal of environmental radioactivity
|March 11, 2026
概括
一个新的深度学习模型通过分析电导率,准确地预测在现场漏过程中的度. 这种先进的工具提高了砂岩矿的过程控制和效率.
科学领域:
- 地质化学和采矿工程
- 数据科学和机器学习在资源提取中的应用.
背景情况:
- 电导率 (EC) 是砂岩主机现场漏 (ISL) 的关键指标,反映了离子强度和透通道.
- 电离和 (U) 度之间的关系很复杂,由于硫酸盐等水化学因素,表现出非线性和阶段依赖性.
- 传统的实证模型难以准确地捕捉动态EC-U关系,阻碍了ISL的最佳过程控制.
研究的目的:
- 开发一个强大的深度学习混合模型,用于从ISL中EC数据中预测度.
- 为了描述复杂的EC-U反应,考虑到水化学影响和时间动态.
- 为优化ISL运营决策和提高流程效率提供数据驱动工具.
主要方法:
- 一种混合深度学习模型,CA-CNN-BiLSTM-LightGBM (LGBM),被开发出来,集成卷积神经网络 (CNN),双向长期短期记忆 (BiLSTM) 和LightGBM.
- CNN从EC和水化学变量中提取局部合特征;BiLSTM捕获时间依赖和特征模式 (上升-高原-下降).
- 使用自动编码器重建的道注意力增强了特征加权和稳定性,而LightGBM则纠正了模型残余,以提高准确性.
主要成果:
- 与基线模型 (Ridge,LightGBM,LSTM,GRU) 相比,CA-CNN-BiLSTM-LightGBM模型表现出更高的性能.
- 在测试组中获得高精度,R2为0.962,平均绝对误差 (MAE) 为1.121 mg/L,根平均平方误差 (RMSE) 为1.828 mg/L.
- 该模型有效地捕捉了非线性和依赖阶段的EC-U关系,优于传统方法.
结论:
- 开发的深度学习混合模型为ISL中的度预测提供了可靠的,数据驱动的解决方案.
- 它为EC-U响应表征提供了宝贵的见解,支持智能控制和流程优化.
- 这种方法提高了砂岩主机ISL操作的稳定性和效率.
