基于双隐含层BP神经网络的某金矿回收率预测研究
Prediction of the Recovery Rate of a Gold Mine Based on Double Hidden Layer BP Neural Network
通讯作者:
收稿日期: 2023-05-05 修回日期: 2023-09-04
基金资助: |
|
Received: 2023-05-05 Revised: 2023-09-04
作者简介 About authors
张帅(1999-),男,陕西榆林人,硕士研究生,从事矿物材料及资源综合利用研究工作
关键词:
Keywords:
本文引用格式
张帅, 赵鑫, 彭祥玉, 王宇斌, 桂婉婷, 田家怡.
ZHANG Shuai, ZHAO Xin, PENG Xiangyu, WANG Yubin, GUI Wanting, TIAN Jiayi.
在金矿浮选过程中,影响金回收率的因素主要包括药剂种类、药剂用量和浮选流程等(许晓阳,2013;阎赞等,2018;王明莉等,2020;周光浪等,2023),这些因素的改变均会引起金回收率的波动且导致金回收率难以预测。研究表明,建立浮选过程的数学模型能够迅速掌握试验规律,阐明试验变量与回收率的内在关系,并在摸清其作用规律的基础上优化工艺条件(李亮等,2022)。浮选过程中用于预测回收率等指标常用的数学模型有多项式回归分析模型、灰色预测模型和BP神经网络模型等(郭锐,2020;李淑芹等,2022;聂善煜等,2023;任传成等,2023)。其中,BP神经网络是一种多层前馈神经网络,该网络可以根据预测误差调整隐含层中网络的权值和阈值,从而不断提高预测精度,具有独特的非线性、自适应性和处理信息能力,被广泛应用于各个研究领域(赵祥鸿等,2019;王凯等,2023;冯燕等,2023)。与单隐含层BP神经网络相比,多隐含层BP神经网络泛化能力更强且预测精度更高(谢锋云等,2021)。与此同时,不同隐含层的激活函数对于模型的精度也有影响(王小川等,2013)。
陕西某金矿选厂采用“两粗—两精—一扫”浮选流程,在磨矿细度(-74 μm含量)为65%,石灰、CuSO4和丁基黄药用量分别为1 000,200,40 g/t的条件下,可获得金品位为38.2 g/t的金精矿,金回收率在75%~85%范围内波动。由此可知,该药剂制度下金的回收率不够稳定。
鉴于此,为进一步优化该选厂药剂制度并提高金的回收率,针对磨矿细度、2#油用量、丁基黄药用量、Na2S用量和CuSO4用量5个因素进行正交试验,采用双隐含层BP神经网络对金的回收率及其影响因素进行分析,并使用不同隐含层激活函数对金回收率进行预测,对比分析预测精度,以期为金属矿山回收率预测提供参考。
1 试验部分
1.1 试验原料
表1 金矿石多元素分析结果
Table 1
成分 | 含量/% | 成分 | 含量/% |
---|---|---|---|
Au* | 2.13 | Al2O3 | 12.66 |
Ag* | 1.31 | TFe | 6.40 |
S | 2.28 | K2O | 2.78 |
MgO | 3.34 | Pb | 0.06 |
SiO2 | 55.78 | Zn | 0.11 |
CaO | 2.83 |
表2 金物相分析结果
Table 2
物相类别 | 含量/(g·t-1) | 占比/% |
---|---|---|
合计 | 0.94 | 100.00 |
裸露金及半裸露金 | 1.33 | 64.42 |
硫化物包裹金 | 0.35 | 16.07 |
赤褐铁矿包裹金 | 0.15 | 6.79 |
碳酸盐包裹金 | 0.13 | 5.95 |
硅酸盐包裹金 | 0.15 | 6.76 |
1.2 试验设计
浮选试验在3.0 L的FCG型挂槽式浮选机上进行。每次称取1 000 g矿样,经球磨机磨至-74 μm(设定的细度),调浆后依次加入Na2S、CuSO4、丁基黄药和2#油,分别搅拌2 min,充气10 s后进行浮选试验,浮选时间为7 min,试验流程如图1所示。试验结束后,将所得矿样分别过滤、烘干后称重,对泡沫产品和槽内产品分别进行化验并计算金回收率。
图1
根据该金矿选厂实际生产流程及药剂制度,结合研究需要,选择磨矿细度(A)、丁基黄药用量(B)、2#油用量(C)、Na2S用量(D)和CuSO4用量(E)共5个主要因素进行正交试验设计。设计L16(54)正交试验的因素和水平见表3。
表3 正交试验因素和水平
Table 3
水平 | 因素A | 因素B | 因素C | 因素D | 因素E |
---|---|---|---|---|---|
1 | 55 | 15 | 10 | 60 | 0 |
2 | 65 | 22 | 12 | 80 | 15 |
3 | 75 | 28 | 14 | 100 | 30 |
4 | 85 | 35 | 16 | 120 | 45 |
2 结果与讨论
2.1 Pearson系数分析
在金的浮选过程中,金回收率主要受磨矿细度、2#油用量、丁基黄药用量和Na2S用量等因素影响,导致金回收率出现一定的波动性。为了减少预测值与实际值之间的误差,对正交试验因素进行筛选,并使用Pearson系数筛选出影响金回收率的主要因素,作为BP神经网络的输入层。
使用Pearson系数法对A、B、C、D和E 5个主要因素和金回收率进行相关性分析。相关系数采用Pearson相关系数
式中:
表4 相关系数与相关性之间的关系
Table 4
相关系数| | 相关程度 |
---|---|
0.8~1.0 | 极强相关 |
0.6~0.8 | 强相关 |
0.4~0.6 | 中等程度相关 |
0.2~0.4 | 弱相关 |
0.0~0.2 | 极弱相关或无相关 |
表5 正交试验结果
Table 5
试验 编号 | 水平 | 回收率/% | ||||
---|---|---|---|---|---|---|
A | B | C | D | E | ||
1 | 1 | 1 | 1 | 1 | 1 | 65.46 |
2 | 1 | 2 | 2 | 2 | 2 | 75.92 |
3 | 1 | 3 | 3 | 3 | 3 | 84.15 |
4 | 1 | 4 | 4 | 4 | 4 | 83.52 |
5 | 2 | 1 | 2 | 3 | 4 | 70.42 |
6 | 2 | 2 | 1 | 4 | 3 | 77.98 |
7 | 2 | 3 | 4 | 1 | 2 | 82.71 |
8 | 2 | 4 | 3 | 2 | 1 | 80.13 |
9 | 3 | 1 | 3 | 4 | 2 | 75.69 |
10 | 3 | 2 | 4 | 3 | 1 | 82.54 |
11 | 3 | 3 | 1 | 2 | 4 | 80.02 |
12 | 3 | 4 | 2 | 1 | 3 | 76.69 |
13 | 4 | 1 | 4 | 2 | 3 | 64.32 |
14 | 4 | 2 | 3 | 1 | 4 | 77.45 |
15 | 4 | 3 | 2 | 4 | 1 | 82.12 |
16 | 4 | 4 | 1 | 3 | 2 | 84.30 |
表6 金回收率与主要影响因素的相关系数
Table 6
因素 | 相关系数 |
---|---|
磨矿细度(-74 μm含量)/% | 0.0052 |
2#油用量/(g·t-1) | 0.7436 |
丁基黄药用量/(g·t-1) | 0.1302 |
Na2S用量/(g·t-1) | 0.3319 |
CuSO4用量/(g·t-1) | -0.0553 |
当相关系数
图2
由表2可知,原矿中金以裸露金及半裸露金(64.42%)、硫化物包裹金(16.07%)、赤褐铁矿包裹金(6.79%)、碳酸盐包裹金(5.95%)和硅酸盐包裹金(6.76%)形式存在。研究表明,Na2S和丁基黄药只与裸露金及半裸露金和硫化物包裹金作用,因此2#油作为起泡剂能够提高矿浆矿物泡沫的大小和泡沫的稳定性(Comley et al.,2002;Hamid et al.,2011),不仅影响裸露金及半裸露金浸出,而且影响载金矿物黄铁矿的浮选,故2#油为强相关影响因素。Na2S对金回收率的影响机制在于Na2S在矿浆中可电离出S2-和HS-离子,进而与载金矿物反应,在其表面生成单质S,由于单质S疏水性强于黄铁矿,因而可以提高载金矿物黄铁矿的疏水性,有利于浮选,提高金的回收率(余胜利等,2013;荀婧雯等,2020)。由于试验样品硫化物包裹金含量只占16%左右,故Na2S用量为次相关影响因素。
2.2 BP神经网络模型构建
由于金回收率与影响因素之间并非完全呈线性相关关系,同时各影响因素之间可能存在交互关系,对于较为复杂的映射关系,可以选择多隐含层BP神经网络,以提高网络的预测精度。本文选取双隐含层BP神经网络作为预测模型。BP神经网络模型示意图如图3所示。
图3
选取2#油用量、丁基黄药用量和Na2S用量3个主要影响因素作为输入层,金回收率作为输出层。BP神经网络参数设置如下:最大训练次数为6 000次,学习速率为0.08,目标误差为10-5。为探究隐含层不同激活函数的预测精度,选取3种输入层到第一层隐含层函数,分别为tansig、purelin和logsig,其余激活函数不变,第一层隐含层到第二层隐含层函数为logsig,第二层隐含层到输出层函数为purelin。tansig、purelin和logsig激活函数数学模型分别为
式中:x为输入层3个主要影响因素的输入值;y为第一层隐含层输出值。
2.3 BP神经网络预测对比
图4
图4
3种激活函数的训练图和测试图
Fig.4
Training and testing plots for three activation functions
表7 3种激活函数训练集和测试集的拟合优度
Table 7
激活函数 | 训练集R2 | 测试集R2 |
---|---|---|
tansig | 0.9734 | 0.9842 |
purelin | 0.9651 | 0.9401 |
logsig | 0.9793 | 0.9862 |
图5
图5
3种激活函数预测结果对比
Fig.5
Comparison of prediction results of three activation functions
由表7可知,tansig激活函数训练集和测试集的R2分别为0.9734和0.9842;purelin激活函数训练集和测试集的R2分别为0.9651和0.9401;logsig激活函数训练集和测试集的R2分别为0.9793和0.9862。当激活函数为logsig时,BP神经网络模型训练集和测试集的R2均达到最大,说明激活函数为logsig时,BP神经网络模型拟合效果最好。由图5可知,当激活函数为purelin时,金回收率预测值与实际值存在较大误差,尤其是在第5个和第12个点时误差较大,分别为3.69%和5.33%;当激活函数为tansig时,在第8个和第11个点误差较大,分别为2.29%和1.91%;当激活函数为logsig时,只有在第2个点时误差较大,其余样本误差较小。3个激活函数最小误差均为0.00%。
图6
图6
logsig为激活函数的BP神经网络训练过程曲线
Fig.6
Training process curve of BP neural network with logsig as activation function
表8 3种激活函数误差对比
Table 8
激活函数 | 平均相对误差/% | 拟合优度R2 |
---|---|---|
tansig | 0.708 | 0.9700 |
purelin | 1.366 | 0.9654 |
logsig | 0.666 | 0.9792 |
由表8可知,激活函数误差由大到小依次为purelin、tansig和logsig,其拟合优度(R2)分别为0.9654、0.9700和0.9792。拟合优度可以判断观测数据与预期数据的匹配程度,其值越接近于1,匹配程度越高(Afzali et al.,2023)。由于logsig的变化敏感区间比tansig的变化敏感区间宽,且预测精度更高(Mondal et al.,2015),所以当激活函数选为logsig时,模型预测精度较高,其相对平均误差为0.666%,拟合优度(R2)为0.9792,接近于1,说明此网络模型更加符合实际且预测结果精确。由图6可知,logsig激活函数BP神经网络模型均方误差(MSE)为0.0076322,迭代6 000次时收敛,说明利用该模型预测金回收率的误差较小,精度较高。
3 结论
(1)根据该金矿选厂实际生产流程及药剂制度,选取2#油用量、Na2S用量、丁基黄药用量、CuSO4用量和磨矿细度5个因素,采用Pearson系数分析法对各因素与金回收率的相关系数进行分析可知,在设定的因素水平内,各因素与金回收率的相关性由大到小依次为2#油用量、Na2S用量、丁基黄药用量、CuSO4用量和磨矿细度。
(2)选取2#油用量、Na2S用量和丁基黄药用量3个主要影响因素作为输入层,金回收率作为输出层,采用双隐含层BP神经网络模型,以3种激活函数作为输入层到第一层隐含层函数,分别对金浮选回收率进行预测。结果表明:当激活函数为logsig时,模型预测结果更加符合实际且预测结果更加精确,其拟合优度R2为0.9792,相对平均误差仅为0.666%。研究结果可为贵金属矿山金回收率预测提供参考。
http://www.goldsci.ac.cn/article/2024/1005-2518/1005-2518-2024-32-1-170.shtml
参考文献
Gradient-free kernel conditional stein discrepancy goodness of fit testing
[J].,
An empirical study on the relationship between research and teaching in universities:An analysis based on Pearson’s correlation coefficient
[J].,(
Frother characterization using dynamic surface tension measurements
[J].,
Characteristics of gold resources and metallogenic regularity in China
[J].,(
Prediction of mine friction resistance during tramcar running based on BP neural network
[J].,
Flotation frothers:Review of their classifications,properties and preparation
[J].,
Research on the Prediction of Reagent Addition in Concentrator Based on RSM and BP neural network
[D].
Research on photovoltaic power generation prediction method based on improved extreme learning machine(ELM)
[J].,
Optimization of influence conditions on strength of gypsum-based composite cementitious materials using BP neural network
[J].,
Effect of magnetization parameters on removal efficiency of zinc in fly ash by flotation and its model
[J].,(
A weighted Pearson correlation coefficient based multi-fault comprehensive diagnosis for battery circuits
[J].,
Quantitative recognition of flammable and toxic gases with artificial neural network using metal oxide gas sensors in embedded platform
[J].,
Research progress of flotation index prediction modeling based on data driven
[J].,
Prediction model for iron concentrate grade based on unbiased grey GM(1,1)
[J].,(
An overview of characteristics and prospecting of gold ore deposits in China
[J].,
Research on the application of BP neural network in performance detection of long-span cable-stayed bridges
[J].,
Flotation experiment of tailings from a gold mine in Jiangxi Province
[J].,
Situation analysis and sustainable development strategy of gold resources in China
[J].,
Analysis and suggestions of gold resources prospecting situation in China from 2009 to 2019
[J].,
Preliminary study on gold resources and geological exploration situation in China
[J].,(
Research on gearbox fault diagnosis based on double hidden layer RWPSO-BP neural network
[J].,(
Review of research on leaching process of carbonaceous refractory gold ore
[J].,
Research on orthogonal test of flotation of a gold ore in Gansu
[J].,
Experimental study on beneficiation of one gold mine in Gansu Province
[J].,
Beneficiation experimental study on a low-grade refractory gold ore
[J].,(
Detecting outlier of multibeam sounding with BP neural network
[J].,
Experimental study on gold recovery from polysulfide fine-grained disseminated gold mines
[J].,
高校科研与教学关系实证研究——基于皮尔逊相关系数的分析
[J].,(
中国金矿资源特征及成矿规律概要
[J].,(
基于BP神经网络的矿车运行时矿井摩擦阻力的预测
[J].,
基于RSM和BP神经网络预测选矿厂药剂添加量研究
[D].
基于改进极限学习机ELM的光伏发电预测方法研究
[J].,
利用BP神经网络优化石膏基复合胶凝材料强度的影响条件
[J].,
水体磁化参数对飞灰中锌的浮选去除效果的影响规律及其模型
[J].,(
基于数据驱动的浮选指标预测建模研究进展
[J].,
基于无偏灰色GM(1,1)的铁精矿品位预测模型
[J].,(
中国金矿资源特征及勘查方向概述
[J].,
BP神经网络在大跨斜拉桥性能检测中的应用研究
[J].,
江西某金矿尾矿再选试验研究
[J].,
我国金矿资源形势分析及可持续发展对策
[J].,
2009—2019年我国金矿资源勘查形势分析与对策
[J].,
我国金矿资源与地质勘查形势的初步研究
[J].,(
基于双隐含层RWPSO-BP神经网络的齿轮箱故障诊断研究
[J].,(
碳质难处理金矿浸出工艺研究进展
[J].,
甘肃某金矿浮选正交试验研究
[J].,
甘肃某金矿选别试验研究
[J].,
某难选低品位金矿的选矿试验研究
[J].,(
利用BP神经网络剔除多波束测深数据粗差
[J].,
多硫化物微细粒浸染型金矿回收金试验研究
[J].,
/
〈 | 〉 |