基于数据的优化方法,用于水冶金过程中可持续的铜回收和电解液回收
《Resources, Conservation and Recycling》:Data-driven optimization for sustainable copper recovery and electrolyte recycling in hydrometallurgical processes
【字体:
大
中
小
】
时间:2026年01月09日
来源:Resources, Conservation and Recycling 11.8
编辑推荐:
铜水冶金电解液分流出错与铜浓度预测难题通过多模型框架解决,集成机器学习(11种算法中贝叶斯优化极端随机森林模型最优,R2达0.839,精度超机理模型18倍)与机理约束协同优化,实现动态基准、分段分流和闭环调节策略,年节电472万kWh。研究提供冶金智能化转型可复制范式。
廖家琪|程涵|蔡世兵|卢金城|严哲真|段宁|徐富源
同济大学化学科学与工程学院,中国上海四平路1239号,200092
摘要
为应对铜湿法冶金中精确铜浓度预测和最佳电解质分配的挑战,本研究开发了一个多模型框架,该框架整合了机器学习(ML)预测、机理约束和协同优化。在11种算法中,经过贝叶斯优化的极端随机树(ET)模型在预测循环槽出水铜浓度方面表现最佳,其R2值为0.839,MAPE为1.20%,准确率比机理模型高出18.68倍。SHAP分析确定了影响铜浓度的关键因素。利用ET预测和机理材料守恒,通过动态基准、分段分配和闭环调节的策略,实现了两阶段电积过程中铜浓度和分配的实时优化,每年可节省472万千瓦时的能源。这种多模型方法为铜湿法冶金的智能化转型提供了可复制的范例,促进了冶金领域的资源节约和回收。其跨模型集成可扩展到其他复杂冶金过程中的多目标优化,带来深远的环境和经济效益。
章节摘录
1. 引言
铜是现代工业可持续性的关键不可再生资源,其高效提取和回收对于资源节约至关重要(Barton和Hiskey,2022;Bi等人,2025;Yang等人,2022,2023)。铜湿法冶金因能够处理低品位矿石和二次资源而符合循环经济目标,但面临两个关键挑战:电解质浓度控制不精确和分配策略不理想,这些因素降低了资源利用效率。
数据收集与预处理
本研究的数据来自一家具有代表性的中国电解铜精炼企业。收集了该公司2024年铜冶炼过程的关键工艺参数,包括电流密度、时间、多个位置的流量以及不同位置的电解质浓度。详细参数信息见图S1和表S1。浓度数据通过实验室电感耦合等离子体(ICP)光谱法测量;流量记录在
关键特征的统计分析
对收集的数据进行了全面深入的统计分析,以准确识别影响电解质中铜浓度的变量的详细特征和内部相关性。12个输入变量的分布通过箱线图进行了可视化展示,如图1所示。箱线图通过提供描述性统计量(包括最小值、最大值和中位数)来帮助理解原始数据。
结论
在解决铜湿法冶金过程中电解质分配分析和铜浓度预测的核心挑战方面,本研究建立了一个全面的技术框架,包括数据驱动建模、特征机理分析和工程应用优化,取得了以下创新成果:
(1)通过高精度预测提高了资源利用效率。在11种ML算法中,经过贝叶斯优化的ET模型表现最佳,
CRediT作者贡献声明
廖家琪:撰写 – 审稿与编辑,撰写 – 原稿,方法论,数据整理。程涵:验证,方法论,形式分析。蔡世兵:可视化,调查。卢金城:调查。严哲真:调查。段宁:监督,方法论,资金筹集。徐富源:撰写 – 审稿与编辑,监督,项目管理,资金筹集。
利益冲突声明
作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究工作。
致谢
本研究得到了国家重点研发计划 [2023YFC3904004, 2023YFC390400501, 2023YFC390400504]的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号