基于增强机器学习模型预测初始沉降速率的可持续矿物加工风险分析

《Scientific Reports》：Sustainable mineral processing risk analysis based initial settling rates prediction using enhanced machine learning models

　　

摘要

矿物加工尾矿（MPT）的主要污染隐患是有害物质向环境中浸出。文献表明，MPT需要进行有效的絮凝和聚合物辅助脱水，以确保其处置不会造成环境破坏。本研究采用理论建模框架，开发了一种混合机器学习（ML）模型，用于预测絮凝-脱水效率，旨在降低实验室测试成本。所提出的ML模型基于一种高效的高斯过程回归（GPR）模型，该模型采用特征影响策略（FIS），并使用误差噪声动态更新核矩阵，称为增强型GPR（EGPR）。此外，将核岭模型与SHAP（Shapley加法解释）方法耦合用于特征选择（FS），从17个输入变量（特征）中识别出最重要的特征。本研究的目标变量为初始沉降速率（ISR），利用EGPR模型进行预测。统计分析表明，EGPR模型在误差指标（R = 0.951，RMSE = 0.196，MAPE = 62.22）方面优于深度随机向量功能链接（DRVFL）、最小二乘支持向量机（LSSVM）、级联前馈神经网络（CFNN）和岭回归。其不确定性指数最低（UI = 17.65），表明该模型具有可靠性和准确性。风险分析（RA）表明，EGPR模型的总风险分数（TRS）最低（5.6），被归类为"极低"风险方法。此外，SHAP分析显示，固含量（SC）和絮凝剂投加量（FD）对ISR的预测具有正向影响。因此，本研究为预测ISR提供了一种基础方法论，可作为絮凝沉降研究中的重要工具，有助于优化化学药剂投加量、实时污染监测以及水回收储存能力的运行管理。