机器学习方法的全面比较——确定性方法与随机方法——在模拟球磨机的生产和功率中的应用：以智利铜矿业为例 （曼努埃尔·萨尔达纳（Manuel Saldana）、埃尔德米拉·加尔韦斯（Edelmira Gálvez）、毛里西奥·萨莱斯-克鲁兹（Mauricio Sales-Cruz）、埃莱亚扎尔·萨利纳斯-罗德里格斯（Eleazar Salinas-Rodríguez）、拉蒙·G·萨利纳斯-马尔多纳多（Ramon G. Salinas-Maldonado）、乔纳森·卡斯蒂略（Jonathan Castillo）、诺曼·托罗（Norman Toro）、达亚娜·阿里亚斯（Dayana Arias）和路易斯·A·西斯特尔纳斯（Luis A. Cisternas））

《Minerals》：Comprehensive Comparison of Machine Learning Approaches—Deterministic and Stochastic—In Modeling the Production and Power of an SAG Mill: A Case Study of the Chilean Copper Mining Industry Manuel Saldana, Edelmira Gálvez, Mauricio Sales-Cruz, Eleazar Salinas-Rodríguez, Ramon G. Salinas-Maldonado, Jonathan Castillo, Norman Toro, Dayana Arias and Luis A. Cisternas

　　

摘要

SAG磨机是铜选矿厂中能耗较高的关键设备，占总能耗的30%至50%。在不同运行条件下准确预测磨机的功率消耗和生产速率对于实时控制、生产计划和能源管理至关重要。本研究对用于模拟智利铜矿业生产和功率的机器学习算法进行了全面比较。利用智利铜矿的工业数据，对确定性模型和随机模型进行了拟合和验证。随后，在不同的运行条件下重新评估了更具代表性的模型，以检验其在各种进料变量组合下的预测性能。这一过程有助于识别在各种运行条件下表现最为稳健的建模方法。结果表明，XGB算法的预测性能最佳，其SAG生产的测试均方根误差（RMSE）和R2值分别为87.98%和97.35%，SAG功率的测试值分别为431.11%和95.11%。随机方法提供了额外的不确定性量化，有助于在变量运行条件下做出基于风险的决策。按运行条件进行分析后发现，在高浓度矿浆运行情况下，XGB算法对两个响应变量的拟合效果更好，这可能是因为高浓度矿浆运行下的磨矿动态更为可预测。对比分析揭示了模型复杂性、可解释性、计算需求和预测性能之间的权衡，为根据具体运营目标和数据可用性选择合适的建模框架提供了实用指导。