一种硫铁矿浮选回收率预测方法及系统

摘要: 本发明涉及矿物加工和智能选矿,尤其涉及一种硫铁矿浮选回收率预测方法及系统。背景技术:1、浮选是利用矿物表面润湿性差异实现分选的常用选矿方法,通过调节矿浆ph、使...
一种硫铁矿浮选回收率预测方法及系统

本发明涉及矿物加工和智能选矿,尤其涉及一种硫铁矿浮选回收率预测方法及系统。

背景技术:

1、浮选是利用矿物表面润湿性差异实现分选的常用选矿方法,通过调节矿浆ph、使用不同捕收剂等手段,使目标矿物选择性附着气泡并进入泡沫产品,回收率表示给料中的目标矿物最终进入精矿产品的比例,是判断浮选工况是否适宜和精矿产量是否稳定的重要指标。

2、选矿过程持续消耗大量工艺水,随着淡水资源减少、取水成本上升以及沿海矿区和水资源约束地区的生产需求增加,选矿厂逐步提高回用水比例,并探索苦咸水、盐水作为补充水源;然而,盐水或复杂盐水中的、、、、、等离子会改变离子强度、表面电性和沉淀平衡,在碱性及含碳酸氢根条件下,、可能形成、等亲水性沉积并覆盖矿物表面,以硫铁矿为例,在有氧和一定ph条件下,硫铁矿表面可能形成羟基/氧羟基物种及硫酸根相关表面氧化物种,增加表面亲水性并削弱黄药吸附,具体物种和覆盖量受水质、ph和捕收剂共同影响,不能仅凭淡水试验结果推定盐水条件下的回收率。

3、矿物机理用于指导输入特征的选择及其作用关系分析,机器学习模型根据试验数据学习各工况变量及其组合与硫铁矿回收率之间的非线性关系;预测完成后,再依据预设工程阈值生成低回收率和相邻ph骤降风险标签,基于试验数据建立回收率预测模型,能够把多因素工况与回收率之间的对应关系整理出来,减少重复试验,并将需要优先复核的工况提前交给选矿人员,然而,现有预测方法常把水质简化为单一类别或总盐度,未同时保留盐水背景、离子类别和离子浓度;在小样本记录下,预测误差还容易随样本扰动而波动,通常只输出一个回收率数值,难以直接提示低回收率和相邻ph骤降风险,导致小样本的复杂盐水条件下硫铁矿浮选回收率预测结果准确率不高。

技术实现思路

1、有鉴于此,有必要提供一种硫铁矿浮选回收率预测方法及系统,用以解决小样本的复杂盐水条件下硫铁矿浮选回收率预测结果准确率不高的技术问题。

2、为了解决上述问题,第一方面,本发明提供一种硫铁矿浮选回收率预测方法,包括:

3、获取硫铁矿浮选工况的工况参数以及与所述工况参数对应的实测回收率;

4、基于所述工况参数以及实测回收率对构建的梯度提升树回归模型进行分组嵌套验证,以获得梯度提升树回归模型的最优超参数,基于所述工况参数以及最优超参数对所述梯度提升树回归模型进行全量训练,得到训练好的梯度提升树回归模型,其中,所述分组嵌套验证用于根据工况组编号将所述工况参数划分为外层训练折与测试折,并在外层训练折上进行内层交叉验证,以获得梯度提升树回归模型的最优超参数;

5、将待预测工况的工况参数输入至训练好的梯度提升树回归模型,获得待预测工况的预测回收率。

6、在一种可能的实现方式中,所述硫铁矿浮选工况包括盐水工况、纯水工况、单离子溶液;所述工况参数包括捕收剂类型、介质水质、离子类型、离子浓度、矿浆ph水平、浮选时间、充气量和搅拌强度。

7、在一种可能的实现方式中,所述获取硫铁矿浮选工况的工况参数以及与所述工况参数对应的实测回收率,还包括:

8、对所述工况参数进行预处理,获得工况特征向量,其中,对捕收剂类型和介质水质进行类别标记,对离子类型进行数值标记,并确定离子浓度和矿浆ph水平的数值字段,将所述类别标记、数值标记以及数值字段进行拼接,得到工况特征向量。

9、在一种可能的实现方式中,所述超参数包括回归树数量、树深和学习率;所述基于所述工况参数以及实测回收率对构建的梯度提升树回归模型进行分组嵌套验证,以获得梯度提升树回归模型的最优超参数,包括:

10、根据工况组编号对所述工况特征向量进行五折三次交叉分组,获得多个外层训练折和测试折;

11、对每一个外层训练折进行三折分组拆分,得到第一内层训练折、第二内层训练折、第三内层训练折以及与所述第一内层训练折、第二内层训练折、第三内层训练折对应的第一内层验证折、第二内层验证折、第三内层验证折;

12、基于所述第一内层训练折、第二内层训练折、第三内层训练折分别对所述梯度提升树回归模型进行训练,获得与第一内层训练折、第二内层训练折、第三内层训练折对应的第一预测回收率、第二预测回收率以及第三预测回收率;

13、确定与所述第一内层验证折、第二内层验证折、第三内层验证折对应的实测回收率,基于所述第一预测回收率以及第二预测回收率以及第三预测回收率以及所述实测回收率确定第一平均绝对误差、第二平均绝对误差以及第三平均绝对误差;

14、基于所述第一平均绝对误差、第二平均绝对误差以及第三平均绝对误差计算出每个外层训练折的平均绝对误差的算术平均值,以最小算术平均值对应的梯度提升树回归模型的候选超参数为梯度提升树回归模型的最优超参数。

15、在一种可能的实现方式中,所述基于所述工况参数以及实测回收率对构建的梯度提升树回归模型进行分组嵌套验证,以获得梯度提升树回归模型的最优超参数,还包括:

16、采用平均绝对误差、均方根误差和决定系数对预测回收率进行评价,其中,当所述预测回收率对应的平均绝对误差结果小于预设的第一阈值、所述预测回收率对应的均方根误差结果小于预设的第二阈值且所述预测回收率对应的决定系数结果大于预设的第三阈值时,确定所述预测回收率对应的超参数为最优超参数。

17、在一种可能的实现方式中,所述平均绝对误差为:

18、,

19、其中,为平均绝对误差,为硫铁矿浮选工况的样本数量,为第个样本的实测回收率,为第个样本的预测回收率;

20、所述均方根误差为:

21、,

22、其中,为均方根误差;

23、所述决定系数为:

24、,

25、其中,为决定系数,为实测回收率的平均值。

26、在一种可能的实现方式中,在所述获得待预测工况的预测回收率之后,包括:

27、当所述预测回收率小于或等于预设的回收率阈值时,确定低回收率风险;

28、对待预测工况的同一组工况中的矿浆ph水平进行排序,确定相邻矿浆ph水平对应的第一预测回收率以及第二预测回收率,当第一预测回收率与第二预测回收率的差值大于预设阈值时,确定回收率骤降风险。

29、在一种可能的实现方式中,在所述获得待预测工况的预测回收率之后,还包括:

30、采用精确率、召回率和f1值对低回收率风险以及回收率骤降风险进行评价,其中,基于所述精确率对低回收率风险以及回收率骤降风险的可信程度进行评价,基于所述召回率对低回收率风险以及回收率骤降风险的识别能力进行评价,基于所述f1值对低回收率风险以及回收率骤降风险进行综合评价。

31、在一种可能的实现方式中,所述精确率为:

32、,

33、其中,为精确率,为模型正确识别出的风险样本数量,为被模型错误提示为风险的样本数量;

34、所述召回率为:

35、,

36、其中,为召回率,为实际存在风险但模型未能识别的样本数量;

37、所述f1值为:

38、,

39、其中,为f1值。

40、第二方面,本发明还提供一种硫铁矿浮选回收率预测系统,包括:

41、数据获取模块,用于获取硫铁矿浮选工况的工况参数以及与所述工况参数对应的实测回收率;

42、超参数确定模块,用于基于所述工况参数以及实测回收率对构建的梯度提升树回归模型进行分组嵌套验证,以获得梯度提升树回归模型的最优超参数,基于所述工况参数以及最优超参数对所述梯度提升树回归模型进行全量训练,得到训练好的梯度提升树回归模型,其中,所述分组嵌套验证用于根据工况组编号将所述工况参数划分为外层训练折与测试折,并在外层训练折上进行内层交叉验证,以获得梯度提升树回归模型的最优超参数;

43、预测模块,用于将待预测工况的工况参数输入至训练好的梯度提升树回归模型,获得待预测工况的预测回收率。

44、本发明的有益效果是:基于工况参数以及实测回收率对构建的梯度提升树回归模型进行分组嵌套验证,以获得梯度提升树回归模型的最优超参数,基于工况参数以及最优超参数对所述梯度提升树回归模型进行全量训练,得到训练好的梯度提升树回归模型;将待预测工况的工况参数输入至训练好的梯度提升树回归模型,获得待预测工况的预测回收率,在小样本中, 通过分组嵌套验证,以工况组为单位划分外层训练折和测试折,并在外层训练折内部设置分组验证折,验证折以平均绝对误差确定超参数,测试折不参与参数确定,降低了样本扰动,提高了复杂盐水条件下硫铁矿浮选回收率预测的准确率。