一种融合GWO-VMD与双通道TCN-GRU的协同深度学习框架，用于锌湿法冶金净化过程中钴离子浓度的预测

《Scientific Reports》：A synergistic deep learning framework integrating GWO-VMD and dual-channel TCN-GRU for cobalt ion concentration prediction in zinc hydrometallurgical purification

　　

摘要

在锌的湿法冶金提纯过程中，准确预测钴离子浓度对于保持电解质纯度和工艺稳定性至关重要。然而，传统的实验室分析方法耗时较长，难以及时为工艺调整提供支持。本研究提出了一种GWO-VMD-TCN-GRU框架，用于对第二阶段提纯过程中的钴离子浓度进行一步预测。该框架中，GWO用于优化VMD参数，并将非平稳的浓度序列分解为趋势成分和细节成分；而TCN-GRU网络则用于捕捉局部波动和时间依赖性。实验使用了30天内连续采集的720个每小时数据样本。在固定的时间序列测试集上评估时，最终选定的模型分别取得了0.1349的RMSE值、0.1095的MAE值、0.9922的R2值以及0.9710的KGE值。与在相同固定测试协议下评估的典型统计模型、机器学习模型和深度学习模型相比，所提出的GWO-VMD-TCN-GRU模型的RMSE值降低了75.3%，降至94.5%；MAE值降低了73.1%，降至94.3%。此外还进行了五折时间序列验证，以评估模型在不同时间段上的泛化能力，其平均R2值为0.9824，KGE值为0.9582。基于SHAP的可解释性分析表明，滞后趋势特征对预测贡献最大，而细节特征则为短期波动跟踪提供了辅助信息。最后，研究人员开发了一个原型软件平台，可实现离线模型构建、在线预测、三阶段提纯过程可视化、锌粉添加量记录、警报信息显示以及监测记录导出等功能。总体而言，该框架展现了出色的钴离子浓度短期预测性能，能够为提纯过程监控以及操作人员判断锌粉添加量提供预测和预警信息。