《Hydrometallurgy》：Prediction of the copper electrorefining process using a data-driven model oriented towards the development of a digital twin
编辑推荐：
•提出了一种基于数据的铜电解精炼车间模型。•采用了LSTM编码器-解码器递归神经网络。•该模型能够准确预测各种场景，为决策提供支持。引言铜电解精炼是生产高纯度铜的最后阶段，通过电化学方法去除阳极中的杂质（Popov等人，2002年）。这一过程涉及众多相互影响的变量，由于化学因素与
- •
提出了一种基于数据的铜电解精炼车间模型。
- •
采用了LSTM编码器-解码器递归神经网络。
- •
该模型能够准确预测各种场景，为决策提供支持。
引言
铜电解精炼是生产高纯度铜的最后阶段，通过电化学方法去除阳极中的杂质（Popov等人，2002年）。这一过程涉及众多相互影响的变量，由于化学因素与操作因素之间的复杂相互作用，再加上工艺本身的不确定性，使得操作参数的同步监测与控制变得十分困难（Newman和Balsara，2021年；Chen等人，2024年）。
由于矿浆成分的波动性增加，电解槽中处理的阳极杂质浓度也在上升（Risopatron，2022年）。这种情况给电解精炼带来了新的挑战，也对传统的操作模式提出了考验（Chen等人，2024年）。
铜电解精炼是一个受多种操作变量影响的复杂工艺。目前的趋势是通过引入机械化与自动化手段来提升电解槽的现代化水平，比如使用机器人阴极剥离机、阳极预处理机以及废料清洗和打包机等设备。然而，目前的自动工艺控制水平仍然较低，仅有少数控制回路，例如电解质温度控制，这可能是因为电解精炼过程的反应速率较慢，处理时间以天计。同样，生产方案的规划与分析大多依赖从业人员的经验以及质量平衡计算，很少考虑电解精炼过程背后的物理现象。总体而言，许多电解槽仍依靠操作人员的专业知识来进行工艺控制（Salas等人，2022年）。
为了解决并优化电解精炼系统，研究人员运用计算流体力学方法来研究电解质流动、离子分布以及颗粒传输情况，以此模拟电解精炼槽内的各种现象（Ziegler和Evans，1986a；1986b）。另一种研究方法则是通过对电解质流动、电流密度、阳极成分等传统变量及其对阴极质量的影响进行实验分析（Cifuentes等人，2009年）。
近年来，人工智能工具的发展为工艺的监测与控制带来了新可能。Li等人（2021年）将卷积神经网络应用于红外图像分析，用于检测短路故障。Correa等人（2021年）则比较了递归神经网络、长短期记忆网络以及带注意力机制的编码器-解码器模型在预测阴极缺陷方面的性能，结果表明后者优于传统方法。
除了运用人工智能工具外，工业4.0技术——如实时传感器、先进的数据分析技术、人工智能以及数字孪生技术——也为提前预测故障、动态调整操作参数、提升工艺稳定性以及优化能源和资源利用提供了可能（Corporación Alta Ley，2020年）。
不过，目前大多数研究都集中在最终的阴极质量指标或对电解槽的部分表征上。尚未见到专门用于预测工艺及性能变量的基于数据的数字孪生模型，而这些模型对于提前发现异常并优化工艺运行至关重要。在此背景下，本研究旨在利用历史数据构建一种基于深度学习的模型，用于预测电解质的成分以及主要的性能指标。与以往的研究不同，该方法侧重于通过调整关键输入变量来评估不同的操作方案，从而为决策制定和早期工艺优化提供依据。最终目标是为推动电解槽向工业4.0标准迈进做出贡献。本文的其余部分结构如下：第2节介绍开展本研究所需的背景知识，包括铜电解精炼的基本原理以及所使用的深度学习模型；第3节详细阐述研究方法，包括数据库、数据预处理流程以及模型构建过程；第4节汇报研究结果，并分析所提模型的预测性能与适用性；最后，第5节总结主要研究结论。
章节要点
铜电解精炼
电解精炼是硫化矿加工流程的最后一步，属于电化学工艺，通过电流作用去除铜阳极中的杂质，从而获得高纯度铜。该工艺在电解槽中进行，电解槽内装有铜阳极和阴极（可以是永久性的不锈钢板，也可以是初始用的铜板），这些部件均浸没在电解液中，如图1所示。当通电后，阳极上的铜会被氧化
数据库
该数据库包含26个变量，包括阳极和电解液的化学浓度、电解液温度、电流密度、水的流量、酸的流量，以及电流效率、阴极的物理与化学缺陷率等工艺性能指标。这些数据按单个阴极循环进行整理，共计有1869个循环可用于分析。表1展示了数据库中部分选定变量的统计概况。
贝叶斯优化
表3和表4展示了通过贝叶斯优化得到的最佳预测性能的时间序列数据集（2020–2022年）对应的超参数配置。这些结果反映了针对每个目标变量所需的具体调整方案。
模型构建
利用贝叶斯优化得到的最终参数，在2020–2022年的数据集上对模型进行了训练。这种最终配置取得了最佳性能，在训练集上展现了最低的MAPE值
结论
本研究开发了一种基于LSTM编码器-解码器架构的基于数据的模型，证明了该模型具备预测铜电解精炼过程中电解质化学成分及工艺性能变量的能力。同时，还采用了贝叶斯方法对模型超参数进行了优化。
该模型的应用使得人们能够评估未来的操作方案，进而探究正常操作参数出现偏差时的影响。
该模型所给出的预测结果具有较好的
CRediT作者贡献说明
Javiera Minder：撰写原始稿件、可视化处理、模型验证、软件开发、方法设计、实验研究、正式分析、数据整理、概念构思。Juan Carlos Salas：撰写原始稿件、项目监督、项目管理、方法设计、概念构思。Felipe Nú?ez：参与稿件审阅与编辑、项目监督、方法设计、资金筹集、概念构思。
利益冲突声明
作者们声明存在以下可能被视为潜在利益冲突的财务利益/个人关系：Juan Carlos Salas表示获得了CHILE的ANID机构提供的资金支持。其他作者则声明自己没有已知的可能影响本文研究成果的财务利益或个人关系。
致谢
作者们衷心感谢ANID机构通过ANID/Subdirección de Investigación Aplicada/Concurso IDeA I+D 2023/ID23I10206以及ANID CPS-RTC CIA250016等项目所提供的资金支持。同时，作者们也感谢CODELCO Chuquicamata公司为提供用于本研究的操作数据所给予的帮助。此外，作者们还使用了ChatGPT来提升手稿的英文质量，使用之后又对内容进行了仔细的审核与修改
Javiera Minder|Juan Carlos Salas|Felipe Nú?ez
