考虑组分属性的铁尾矿非收敛行为预测的软计算技术

《Applied Computing and Geosciences》：Soft computing techniques for the prediction of non-convergent behaviour in iron tailings considering compositional attributes

　　

预测非符合地质材料的非收敛特性至关重要，因其行为具有不可预测性。影响其力学行为的重要因素之一是组分（化学与矿物学）。本文提出考虑组分属性的软计算技术用于预测铁尾矿的非收敛行为。研究人员采用人工神经网络(ANN)与自适应神经模糊推理系统(ANFIS)来预测铁尾矿的非收敛行为。利用化学成分（二氧化硅SiO2、三氧化二铝Al2O3、三氧化二铁Fe2O3）、矿物成分（石英Qz、赤铁矿He、高岭石Ke）及组合组分（SiO2、Al2O3、Fe2O3、Qz、He、Ke）成功预测了非收敛行为。总体而言，在使用化学成分、矿物成分及组合组分预测过渡行为方面，ANFIS被证明是最合适的预测模型，其平均性能指标R2、a20、a10、MAE、RMSE及MAPE分别为0.94、1.00、0.95、0.013、0.029和2.96。在利用化学成分、矿物成分及组合组分的ANN模型中观察到样品制备的影响，然而在利用这些组分的ANFIS模型中未观察到样品制备的影响。这进一步证实ANFIS预测非收敛行为优于ANN。敏感性分析表明，赤铁矿对过渡行为的控制作用最强，其次是石英、三氧化二铁、二氧化硅、高岭石和三氧化二铝。

研究背景与意义

天然与人工地质材料中存在偏离常规细粒与粗粒材料特性的行为，被称为非收敛或过渡行为（transitional behaviour），其在剪切与压缩响应中无唯一性，受初始状态影响显著。铁尾矿作为大规模产出的冶金矿产废弃物，其力学行为预测对尾矿库环境安全及循环经济下的资源化利用（关联可持续发展目标SDG 6、12、13、15）至关重要。然而现有研究对铁尾矿是否存在过渡行为存在矛盾结论，且传统实验室手段难以解析织物（fabric）中具体元素（如组分）对该行为的贡献，以往研究多聚焦颗粒级配，鲜见从化学与矿物学组分角度利用软计算（soft computing）技术进行预测。因此，研究人员开展本研究，旨在采用人工神经网络（ANN）与自适应神经模糊推理系统（ANFIS）结合多重线性回归（MLR），基于组分属性预测铁尾矿非收敛行为，以深化对其力学特性的理解，发表于《Applied Computing and Geosciences》。

主要关键技术方法

研究人员使用采自尼日利亚Itakpe不同地点的扰动铁尾矿样本，依据ASTM标准测定级配，利用配备能谱仪（EDS）的扫描电镜（SEM）定量主要化学成分SiO₂、Al₂O₃、Fe₂O₃，利用X射线衍射（XRD）分析主要矿物成分石英（Qz）、赤铁矿（He）、高岭石（Ke）。通过干压实（DC）、湿压实（WC）及泥浆（SL）法制备试样并进行固结试验，依Ponzoni等提出的方法确定非收敛指数（m）。采用102个数据点，分别构建以化学组分、矿物组分及组合组分为输入、m为输出的ANN（前馈反向传播，Levenberg-Marquardt算法，划分70%训练、15%验证、15%测试）与ANFIS（网格划分，三角隶属函数）模型，并以决定系数R²、a20、a10、MAE、RMSE、MAPE评价性能，采用余弦幅值法（CAM）进行敏感性分析。

研究结果

1. Introduction

研究人员指出非收敛行为在传统试验中无唯一响应，铁尾矿特性争议较大，既往研究链接过渡行为至颗粒特征但结论矛盾，表明组分可能是重要因素。传统试验难检测织物元素贡献，业界常用非收敛指数m量化该行为。人工智能如ANN与ANFIS在岩土参数预测有用，但此前少有研究将其用于尾矿过渡行为预测，且未见独立及组合使用化学与矿物组分进行预测的工作，故本研究具新颖性。

2. Materials and Methods

研究人员详述样本源自尼日利亚Itakpe，化学组分SiO₂（31.43%-59.60%）、Fe₂O₃（7.2%-57.30%）、Al₂O₃（2.7%-16.40%）由SEM-EDS获取；矿物组分石英（6.5%-29.7%）、赤铁矿（38%-69.30%）、高岭石（1.2%-21.2%）由XRD获取。通过DC、WC、SL三种制样的一维压缩试验至8500 kPa求取m。ANN架构经试错法优化（化学与组合组分为3/6-10-1，矿物组成为3-5-1），ANFIS采用网格划分与trimf函数，数据归一化防过拟合，以多项统计指标评估模型。

3. Results and Discussions

研究人员发现铁尾矿m值介于0.32-0.81，具强过渡行为。化学组分预测中，ANN与ANFIS的R²分别为0.93与0.95，MLR仅0.33；ANFIS各项误差指标（MAE 0.02, RMSE 0.027, MAPE 3.58）优于ANN（MAE 0.04, RMSE 0.05, MAPE 8.34），且ANFIS不受制样方法影响（DC、WC、SL的R²为0.98、0.96、0.95且点群重合），而ANN受制样影响（SL点群偏移）。矿物组分预测中，ANN的R²为0.95优于ANFIS的0.87，但分制样看ANFIS性能仍更稳定不受制样干扰；ANN在矿物组分预测中同样显示SL点群偏移。组合组分预测中，ANN与ANFIS的R²分别为0.93与0.89，ANFIS整体误差更小（MAE 0.02, RMSE 0.044, MAPE 4.20），且ANFIS依然不受制样影响，ANN则显示SL偏移。敏感性分析采用余弦幅值法得出各输入对m的控制强度依次为：赤铁矿（He）>石英（Qz）>三氧化二铁（Fe₂O₃）>二氧化硅（SiO₂）>高岭石（Ke）>三氧化二铝（Al₂O₃）。

4. Conclusions

研究人员总结铁尾矿具强非收敛行为，ANN与ANFIS均能利用化学组分（SiO₂、Al₂O₃、Fe₂O₃）、矿物组分（Qz、He、Ke）及组合组分成功预测，软计算模型优于MLR。化学组分预测中ANN受制样影响而ANFIS无；矿物与组合组分情况类似，ANN受制样偏移影响，ANFIS无。性能指标证实模型有效且ANFIS整体更优。研究表明利用软计算技术结合组分属性预测铁尾矿过渡行为可行，所建模型专用于铁尾矿，未来可拓展至其他材料及一维压缩外的地质力学特征以深化认知。

讨论部分总结与研究结论翻译

讨论部分研究人员对比了化学、矿物及组合组分下ANN与ANFIS的表现，指出ANFIS因能消解不同制样带来的初始状态差异，在非收敛行为预测上鲁棒性更强。敏感性分析量化了矿物成分的主导作用，特别是赤铁矿的高控制力。结论翻译如下：

化学与矿物学组分为天然及人工地质材料如尾矿的力学性能提供关键贡献，因此探索其对尾矿工程特性的影响十分重要。更为重要的是铁尾矿特性存在矛盾报道，若能从化学与矿物学组分预测其行为将极具价值。本文中，研究人员采用软计算技术，考虑组分属性预测铁尾矿的非收敛行为，通过采用人工神经网络(ANN)、自适应神经模糊推理系统(ANFIS)及多重线性回归(MLR)，利用化学与矿物学组分实现预测。铁尾矿的非收敛行为非常强烈。利用化学成分（二氧化硅SiO₂、三氧化二铝Al₂O₃、三氧化二铁Fe₂O₃）可通过ANN与ANFIS成功预测非收敛行为。性能指标证实使用化学成分时软计算模型预测过渡行为优于MLR；ANN模型中观察到制样影响，而ANFIS模型中未检测到制样影响。利用矿物成分（石英Qz、赤铁矿He、高岭石Ke），ANN、ANFIS与MLR均可预测铁尾矿过渡行为，但软计算模型优于MLR，制样影响与化学成分中ANN和ANFIS的情况相似。组合组分（SiO₂、Al₂O₃、Fe₂O₃、Qz、He、Ke）利用ANN、ANFIS与MLR亦可成功预测，制样影响与化学及矿物组分在ANN和ANFIS中一致。性能指标显示模型良好但软计算技术更优。研究结果证明了利用软计算技术考虑组分属性预测铁尾矿过渡行为的实用性。所建模型仅适用于铁尾矿，可考虑拓展至其他相关材料。可确定尾矿及相关材料除一维压缩参数外的其他地质力学特征并用于生成预测模型，以拓宽材料认知。

要不要我帮你把这篇论文解读里的关键专业术语（如ANFIS、非收敛指数m）整理成一份带解释的术语表，方便你后续查阅？