《South African Journal of Chemical Engineering》：Application of artificial neural networks for predicting rare earth element retention and passage rate in phosphogypsum leachate analysis
编辑推荐：
摘要：稀土元素(Rare Earth Elements, REEs)在绿色技术、先进电子及国防系统等高科技产业中具有重要地位。本研究基于人工智能技术建立一组人工神经网络(Artificial Neural Network, ANN)模型，并经实验验证，用于预测
摘要：稀土元素(Rare Earth Elements, REEs)在绿色技术、先进电子及国防系统等高科技产业中具有重要地位。本研究基于人工智能技术建立一组人工神经网络(Artificial Neural Network, ANN)模型，并经实验验证，用于预测摩洛哥Jorf Lasfar工艺产磷石膏(Phosphogypsum, PG)中残留REE质量(Pmreeout)及淋出液中REE透过率(PREErl)。模型以磷石膏质量(Pmgydr)、REE浓度(Preei)及REE质量(Pmreei)为输入参数；隐层采用两种非线性激活函数(Logsig与Tansig)，输出层采用线性函数(Purelin)；训练算法为Levenberg–Marquardt算法。结果表明，所建ANN模型可精确估算Pmreeout(决定系数R2=0.9983，均方根误差RMSE=0.0006)及PREErl(R2=0.9548，RMSE=3.0026)，显示出其在未来优化提取工艺中的潜力。
论文解读：人工神经网络预测磷石膏淋洗分析中稀土元素滞留量与透过率的建模研究
该文发表于《South African Journal of Chemical Engineering》。稀土元素(Rare Earth Elements, REEs)因在永磁体、可再生能源及国防等领域的关键应用被欧盟列为关键原材料，但其分离提纯困难且传统工艺复杂。磷石膏(Phosphogypsum, PG)是湿法磷酸工业的副产物，被视为REEs的次级资源，然而现有浸出过程受多参数强非线性耦合影响，传统机理模型难以描述。目前将人工智能应用于PG中REE回收预测的研究仍受限于实验数据量与适用范围。为此，研究人员以摩洛哥Jorf Lasfar二水法工艺产PG为对象，构建前馈反向传播人工神经网络(Artificial Neural Network, ANN)模型，预测浸出后PG中残留REE质量(Pmreeout)及淋出液REE透过率(PREErl)，并通过统计指标评估模型性能，为工艺优化提供数据驱动工具。
主要关键技术方法：
研究人员采集摩洛哥Jorf Lasfar二水法工艺产磷石膏(Phosphogypsum, PG)样品，40℃烘干备用。淋洗实验采用2 M HNO3、1.5 M HCl及2 M H2SO4，固液比1:8，25℃搅拌2 h，添加氧化剂与还原剂，滤液经1 μm膜过滤待测。构建三层前馈反向传播ANN模型，输入层为3个变量——磷石膏质量(Pmgydr，50–200 g)、REE初始浓度(Preei，265.46–336.95 ppm)及REE初始质量(Pmreei，0.0133–0.0674 g)；隐层神经元数试取1–4个，分别搭配Logsig(Sigmoid)与Tansig双曲正切激活函数；输出层为线性Purelin函数，分别输出Pmreeout与PREErl两个目标变量。输入数据进行Min–Max归一化至[0.1, 0.9]，采用Levenberg–Marquardt算法训练。28组实验数据按60%训练、20%验证、20%测试划分。模型性能以决定系数(R2)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)及斜率–截距检验评估。
3. Results and discussion
研究人员对比不同隐层神经元数与激活函数的ANN架构性能。对于预测磷石膏中残留REE质量(Pmreeout)，3–3–1架构下Logsig与Tansig均表现优异，R2分别达0.9983与0.9984，RMSE均为0.0006，MAPE约3.23%–3.26%，斜率–截距检验99%置信区间包含斜率1与截距0，表明无系统偏差。两激活函数对该输出预测性能相近，反映固体相残留REE随输入变量变化较平滑、非线性程度较弱。对于淋出液REE透过率(PREErl)，3–3–1架构配Logsig函数效果最优(R2=0.9548，RMSE=3.0026，MAPE=7.25%)，略优于Tansig(最佳为3–2–1架构，R2=0.9530，RMSE=3.0599)；Logsig的非对称有界特性被认为更适于捕捉浸出过程中趋近饱和时的非线性动力学与扩散限制行为。部分高透过率区域预测值出现渐近稳定现象，归因于实验数据范围限制及体系物理上限。斜率–截距检验确认两最优模型在99%置信水平下统计显著且无偏。
4. Conclusions
研究人员开发了基于ANN的模型，以磷石膏质量、REE浓度及REE质量为输入，预测PG中残留REE质量(Pmreeout)与淋出液REE透过率(PREErl)。残留REE的最佳预测模型为3–3–1架构(Logsig或Tansig)，R2=0.9983，RMSE=0.0006；淋出液REE透过率最佳模型为3–3–1架构配Logsig隐层，R2=0.9548，RMSE=3.0026，Tansig下3–2–1架构次之(R2=0.9530，RMSE=3.0599)。结果表明所建ANN模型可稳健估算两目标变量，证明人工智能方法在建模并优化磷石膏中稀土元素浸出回收工艺方面具重要应用潜力。
