基于机器学习的工业生物湿法冶金铜阴极质量实时预测研究
《Scientific Reports》:An interpretable machine learning framework for real-time copper cathode quality prediction in industrial bioleaching–solvent extraction–electrowinning operations
【字体:
大
中
小
】
时间:2026年09月22日
来源:Scientific Reports 4.9
编辑推荐:
## 摘要
在工业生物湿法冶金铜生产中对阴极质量进行实时预测极具挑战性,原因在于复杂的工艺交互作用和操作 variability。传统方法依赖于产后检测,无法实现主动缺陷预防。本研究利用商业浸出-溶剂萃取-电积设施343天的操作数据,开发了一个可解释的机器学习框架,用于实时
## 摘要在工业生物湿法冶金铜生产中对阴极质量进行实时预测极具挑战性,原因在于复杂的工艺交互作用和操作 variability。传统方法依赖于产后检测,无法实现主动缺陷预防。本研究利用商业浸出-溶剂萃取-电积设施343天的操作数据,开发了一个可解释的机器学习框架,用于实时分类阴极质量。研究使用15个关键工艺参数,评估了四种监督算法:决策树、K近邻、支持向量机和人工神经网络。决策树在预测性能和可解释性之间取得了最佳平衡,达到97.08%的准确率、94.62%的精确率、94.62%的召回率、94.61%的F1分数以及0.965的受试者工作特征曲线下面积。关键驱动因素包括精矿水分(12.14%)、酸度(8.37%)和氧化还原电位(6.24%)。其透明的规则体系可支持与现有可编程逻辑控制器系统的集成。该框架通过实时工艺监测和决策支持,具有减少不合格阴极生产的潜力。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号