基于不确定性感知混合学习框架的铜冶炼进料成分预测与多目标优化研究

《Materials》：Uncertainty–Aware Prediction and Multi–Objective Optimization of Copper Smelting Performance Using Industrial Production Data

　　

摘要

在复杂工况下实现铜冶炼过程的高效稳定运行，准确预测冶金过程并进行可靠优化至关重要。本文提出了一种具有不确定性感知能力的混合学习框架，用于从进料成分预测铜冶炼关键指标，并支持多目标进料成分优化。该框架将基于Transformer的多任务不确定性模型（TMUM）与目标特定的基于直方图的梯度提升回归器（HGBR）相结合，并通过引入偏差校正、方差校准和不确定性传播机制，获得可靠的融合预测结果。校准后的代理模型进一步与参考向量引导的进化算法（RVEA）耦合，在考虑预测不确定性的前提下优化多个工艺目标。所提出的TMUM-HGBR模型对三项关键指标的决定系数（R2）分别为0.8317、0.8824和0.8373，在独立测试集上的95%预测区间覆盖概率分别为93.6%、92.7%和94.1%。随机5折交叉验证确认了模型的稳定性。此外，在新采集的生产数据上进行的前瞻性评估显示，在根据已有实验室结果更新预测状态后，该模型能够准确追踪所有三项指标。优化结果表明，铜富集率与杂质去除之间存在权衡关系，而预测的炉渣碱度与其历史参考值保持接近。该框架在研究的工况范围内为进料成分调整提供了数据驱动的决策支持。