利用机器学习方法对碳酸盐矿石中锌回收率的预测进行比较

《International Journal of Minerals Metallurgy and Materials》：Comparison of Zn recovery prediction from carbonate ores with machine-learning methods

　　

摘要

本研究旨在解决通过氢氧化钠（NaOH）浸出从碳酸盐矿石中预测锌（Zn）回收率的难题。这一复杂过程受到矿石成分变化、表面钝化效应以及非线性反应动力学的影响，这些因素使得湿法冶金操作中的试剂优化和过程控制变得复杂。为了解决这一问题，研究人员汇总了来自先前研究的422个实验数据，其中包含了矿石成分和工艺参数，如NaOH浓度、浸出时间、温度以及固液比。研究人员训练并评估了四种回归模型（决策树、神经网络、广义加性模型和随机森林），并使用了诸如决定系数（R2）、均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和对称平均绝对百分比误差（SMAPE）等性能指标进行评估。在这些模型中，随机森林模型表现出最佳的预测准确性，在测试集上的R2值为0.8541，误差率最低，证明了其在捕捉输入变量与锌回收率之间复杂关系方面的有效性。可解释人工智能技术，特别是Shapley加性解释（SHAP）分析，揭示了NaOH浓度、浸出时间和固液比对锌回收率具有最积极的影响，而钙（Ca）、铁（Fe）和铅（Pb）等元素则具有抑制作用。这些发现与已知的地球化学行为一致，为试剂优化和浸出过程的效率提升提供了宝贵的见解。本研究展示了机器学习在矿物加工中的实际应用潜力，为从非硫化物矿石中优化锌回收率提供了一个可扩展的框架，并为湿法冶金应用中的决策制定提供了数据驱动的方法。