预测加纳某金矿碳浸提回路中氰化金浸出回收率：重点关注机器学习技术的预测性能

《Journal of African Earth Sciences》：Predicting Gold Cyanide Leaching Recovery in Carbon-In-Leach Circuit for a Gold Mine in Ghana: A Focus on Predictive Performance of Machine Learning Techniques

机器学习模型在加纳金矿碳浸工艺中预测金回收率的效果评估。通过比较MLPNN、SVM及六种集成学习模型，MLPNN以最高R2（0.981）和最低AIC值表现最优，为CIL管理提供可靠预测工具。

　　

珀尔·阿西杜瓦·奥塞（Pearl Asieduwaa Osei）| 路易斯·布鲁（Lewis Brew）| 理查德·夸西·阿曼克瓦（Richard Kwasi Amankwah）| 姚·耶文约·齐加（Yao Yevenyo Ziggah）| 克莱门特·奥武苏（Clement Owusu）

加纳塔尔夸矿业技术大学（University of Mines and Technology, Tarkwa）数学科学系

摘要

在碳浸出（CIL）工艺中，有效估算黄金回收率对于提升工艺控制和工厂管理至关重要。机器学习（ML）的最新进展为冶金学家提供了新的研究机会，以预测和改善矿物加工中的黄金浸出回收性能。然而，数据驱动的ML模型受地理位置、数据质量、数据量、模型复杂性以及所采用的训练技术等因素的影响。因此，某个ML模型可能在特定研究区域表现最佳，但在其他区域可能表现不佳。这一现象证实了“没有免费的午餐”定理，即没有一种模型能够解决所有现实世界的问题。本文通过探索八种机器学习（ML）模型的有效性来弥补这些不足，这些模型包括多层感知器神经网络（MLPNN）、支持向量机（SVM）以及集成学习技术（自适应提升（AdaB）、梯度提升（GB）、决策树（DT）、分类提升（CATB）、极端梯度提升（XGB）和随机森林（RF）。比较结果显示，MLPNN在RMSE（0.738）、MAE（0.59）、MAPE（0.7）、MSE（0.544）和R2（0.981）等方面表现最佳。MLPNN还产生了最低的AIC值，并被评定为使用加纳金矿浆料浸出数据预测CIL工艺中黄金回收率的最佳模型。这项研究可以为工厂工程师和操作员提供有用的决策依据，通过提前预测黄金回收率来制定有效的工厂管理策略。

引言

表面和地下采矿作业都是资本密集型产业，投资者希望获得较高的投资回报。因此，任何采矿企业的目标都是在从原始材料中提取矿石后实现高回收率，从而获得高盈利能力。为了达到最佳回收率，已经提出了多种矿物富集工艺，如重力分离、浮选、磁选和浸出（Balasubramanian, 2015; Poloko, 2019）。在更广泛的应用范围内，这些方法根据矿石的矿物组成、粉碎指标和围岩特性进行选择（Nagaraj, 2005; Poloko, 2019; Costa et al., 2022）。本研究关注的矿石是黄金。

尽管有多种矿物加工工艺可供选择，但由于碳浸出（CIL）工艺对黄金具有出色的溶解能力，因此该工艺被广泛用于硫化物矿石的黄金提取。浸出过程主要通过将矿浆引入化学溶液中来提取黄金，而脉石成分则保持不溶解状态（Poloko, 2019）。因此，估算整个矿山生命周期内CIL工厂的黄金回收率对于确保经济和安全方面的有效工厂管理策略至关重要。实际上，预测黄金溶解量及总体回收率主要依赖于人类的专业知识，同时结合科学方法、经验、直觉和创造性思维。然而，传统方法在计算上成本高昂且耗时较长，实验延迟可能导致结果不可靠。然而，最近的文献（Osei et al., 2024; Xu et al., 2020; Zhang et al., 2019(a); Aziz et al., 2012; Khoshjavan et al., 2011）表明，通过引入机器学习（ML）技术，预测黄金回收率的方法发生了范式转变。将ML技术整合到矿物加工中，能够有效处理关键工艺参数与回收率之间的复杂关系，从而实现高效的评估、估算和比较，使冶金学家和工厂操作员能够专注于需要创造力和创新的其他任务。此外，ML技术凭借其独特的计算能力，提供了更快捷的设计流程，使其在黄金回收率预测方面具有竞争优势，超越了基于人类经验的传统方法（Mishra, 2021）。

在众多ML方法中，多层感知器神经网络（MLPNN）、径向基函数神经网络（RBFNN）、轻量级梯度提升机（LGBM）和随机森林（RF）已在黄金回收率预测研究中得到广泛评估和比较（Aziz et al., 2012; Khoshjavan et al., 2011; Xu et al., 2020; Zhang et al., 2019(a); Osei et al., 2024）。这些四种ML模型（MLPNN、RBFNN、LGBM和RF）在文献中显示出较高的预测能力，其结果与实际黄金回收率一致。因此，ML模型预测与实际黄金回收率之间存在强烈的线性关系。这些研究（Aziz et al., 2012; Khoshjavan et al., 2011; Xu et al., 2020; Zhang et al., 2019(a); Osei et al., 2024）表明，所研究的ML模型（MLPNN、RBFNN、LGBM和RF）可以准确预测黄金回收率。

值得注意的是，这些基于数据的ML模型的预测准确性受地理位置、数据质量、数据量、模型复杂性和训练技术等因素的影响（Janowicz et al., 2019; Fenza et al., 2021; Bailly et al., 2022; Zhou, 2023）。因此，某个ML模型可能在特定研究区域表现最佳，但在其他区域可能表现不佳。这一现象证实了“没有免费的午餐”定理，即没有一种ML模型能够解决所有现实世界的问题（Sterkenburg and Grünwald, 2021）。这就为进一步评估其他先进ML方法在黄金回收率预测方面的效率提供了机会。因此，本研究调查了八种ML方法的预测能力，包括六种集成学习方法（自适应提升（AdaB）、梯度提升（GB）、决策树（DT）、分类提升（CATB）、极端梯度提升（XGB）和随机森林（RF），以及MLPNN和支持向量机（SVM）。选择AdaB、GB、DT、CATB、XGB和SVM进行测试，是因为它们在锰回收、铜浸出回收、矿物品位估算和磨矿回路优化等采矿和矿物加工研究中的预测效率已有充分记录（Bhagat et al., 2020; Flores et al., 2020; Flores and Leiva, 2021; Kaplan et al., 2021; Olivier and Aldrich, 2021; Li et al. 2024）。然而，以往关于黄金回收率预测的研究（Osei et al., 2024; Xu et al., 2020; Zhang et al., 2019(a); Aziz et al., 2012; Khoshjavan et al., 2011）仅调查和评估了RF、LGBM、RBFNN和MLPNN。此外，几乎没有研究同时应用、评估和比较所有八种ML方法（AdaB、GB、DT、CATB、XGB、RF、MLPNN和SVM）来预测黄金回收率。从已发表的文献（表1）可以看出，亚洲地区在利用ML模型预测黄金回收率方面占据主导地位。

尽管黄金在撒哈拉以南非洲具有商业价值，但文献（表1）显示，ML模型在黄金回收率预测中的应用尚未得到充分普及。据作者所知，只有Osei et al.（2024）的研究适用于撒哈拉以南非洲地区。因此，目前对于理解影响黄金回收率变化的关键因素还存在知识空白。本研究试图通过以下目标来填补这一空白：

i.

首次在西非加纳的金矿中，结合冶金参数构建并测试八种ML模型以预测黄金回收率。

ii.

分析特征重要性，以量化冶金参数与黄金回收率之间的关系。

为此，本研究对以往文献的主要贡献和创新点如下：

i.

使用新开发的ML模型（SVM、AdaB、GB、DT、CATB和XGB）预测黄金回收率。

ii.

将新开发的ML模型与广泛使用的MLPNN和RF进行比较和评估。

iii.

提出一种在实际应用中具有高效预测黄金回收率的ML模型。

研究部分

以往研究

本节重点介绍了专注于独立ML方法进行黄金回收率预测的相关研究。这些研究直接与本研究的动机相关。搜索时使用了“黄金回收率预测”和“机器学习用于黄金回收率预测”等关键词，检索范围为2011年至2024年的文献（Web of Science、Science Direct、Google、Scopus和Google Scholar）。

矿石矿物学与CIL工艺

本研究收集的数据集反映了从火山带边缘向盆地沉积物连续剪切的过程。用于CIL的矿石主要由古元古代的Birimian变质沉积物构成，这些沉积物为复理岩类型，包含英安质火山碎屑岩、灰岩和粘土质沉积物，经过强烈褶皱、断层作用并变质为上绿片岩相。

评估指标

采用统计指标和图形方法来评估模型性能。图形方法中使用了热图。评估所有八种ML模型预测性能的指标包括决定系数（R2）、均方根误差（RMSE）、平均绝对百分比误差（MAPE）、平均绝对误差（MAE）和均方误差（MSE）。

开发的最佳ML黄金回收率预测模型

在开发ML预测模型的过程中，使用k折交叉验证对数据集进行了划分。将246个数据点分为10个不同的组。每次迭代时，9个组用于训练模型，剩余的1组作为测试数据集。这意味着所有组都会经历训练和测试过程。

结论

本研究展示了ML模型在CIL工厂中预测黄金回收率的应用。得出的结论如下：

1)

首次测试了集成学习技术（AdaB、DT、CATB、GB、XGB和SVM）在预测硫化物矿石黄金回收率方面的性能。

2)

MLPNN在模型拟合能力方面表现出色，R2值为98%，具有最佳泛化能力。

CRediT作者贡献声明

珀尔·阿西杜瓦·奥塞（Pearl Asieduwaa Osei）：负责撰写初稿、方法论、数据分析及概念构建。路易斯·布鲁（Lewis Brew）：负责撰写、审稿与编辑、监督工作。理查德·夸西·阿曼克瓦（Richard Kwasi Amankwah）：负责撰写、审稿与编辑、监督工作。姚·耶文约·齐加（Yao Yevenyo Ziggah）：负责撰写、审稿与编辑、验证、数据整理与调查。克莱门特·奥武苏（Clement Owusu）：负责撰写、审稿与编辑、数据可视化及监督工作。

未引用的参考文献

Lagaros, 2023; Sheykhmousa and Mahdianpari, 2020; Yang et al., 2021; Zhang et al., 2019.

利益冲突声明

作者声明没有利益冲突。

致谢

本研究由加纳矿业与高等教育协会（Ghana Chamber of Mines and Tertiary Education）资助，资金来自加纳矿业技术大学（University of Mines and Technology）（UMaT-Gh_Chamber_of_Mines-pg/013/23）。