铀矿冶

基于人工智能算法的地浸采区产量预测

PDF下载

贾皓 ¹^,² , 廖文胜 ¹^,² , 杜志明 ¹^,² , 王亚安 ¹^,² , 王立民 ¹^,²

铀矿冶 | 开采·选冶 2023,42(3): 10-16

收起

铀矿冶 |开采·选冶 2023 , 42 (3) : 10 -16

基于人工智能算法的地浸采区产量预测

全屏

贾皓¹^,², 廖文胜¹^,², 杜志明¹^,², 王亚安¹^,², 王立民¹^,²

作者信息

^1.核工业北京化工冶金研究院，北京　101149

^2.中核矿业科技集团有限公司，北京　101149

通讯作者:

廖文胜（1968—），男，江西赣州人，博士，正高级工程师，主要从事地浸采铀与化学方面研究。

作者简介:

贾皓（1996—），男，江苏沛县人，硕士，助理工程师，主要从事地浸采铀与人工举升工艺研究。

Production Prediction of In-situ Leaching Mining Area Based on Artificial Intelligence Algorithm

Hao JIA¹^,², Wensheng LIAO¹^,², Zhiming DU¹^,², Yaan WANG¹^,², Limin WANG¹^,²

Affiliations

^1.Beijing Research Institute of Chemical Engineering and Metallurgy, CNNC, Beijing 101149, China

^2.China Nuclear Mining Science and Technology Corporation, CNNC, Beijing 101149, China

出版时间: 2023-08-20 doi: 10.13426/j.cnki.yky.2023.02.07

文章导航

摘要

收起

在地浸采铀生产后期，金属产量持续下降，其铀浓度也受浸采工艺影响而不断变化，抽液量与浓度的乘积不能准确反映金属产量。通过对某矿床C10采区生产数据进行归纳与分析，采用人工神经网络模型对该采区金属日产量进行预测，并使用多元线性回归模型与之比较。结果表明二者均具有良好的精确度和泛化能力，其中人工神经网络模型效果更优，对金属日产量预测平均误差仅为-0.36%，预测结果离群值较少且误差分布均衡。与简单计算金属日产量相比，使用人工神经网络模型预测采区产量，在精度上显著提高，能够为制定生产计划与增产提供理论指导。

关键词

地浸铀矿 / 产量预测 / 人工神经网络 / 多元回归

Abstract

收起

At the later stage of production in the uranium mining area, the metal production usually continues to decline, and the metal concentration also changes with the influence of the intensified leaching process. At this time, the production cannot be accurately calculated by the liquid pumping volume and the concentration. Based on the induction and analysis of production parameters, a multiple linear regression model and an artificial neural network model are established for the prediction of daily metal production in a single mining area. The results show that both of them have good accuracy and generalization ability, the effect of artificial neural network model is better, the average error of metal daily production prediction is only -0.36%, the outliers are less and the error distribution is balanced. The accuracy of this method is significantly improved compared with the simple calculation to obtain the daily metal production. The use of artificial neural network model to predict the production of the mining area can provide solutions and theoretical guidance for the adjustment and change of leaching process and production system.

Key words

in-situ leaching uranium / production prediction / ANN / multiple linear regression

引用本文

贾皓, 廖文胜, 杜志明, 王亚安, 王立民. 基于人工智能算法的地浸采区产量预测. 铀矿冶, 2023 , 42 (3) : 10 -16 . DOI: 10.13426/j.cnki.yky.2023.02.07

Hao JIA, Wensheng LIAO, Zhiming DU, Yaan WANG, Limin WANG. Production Prediction of In-situ Leaching Mining Area Based on Artificial Intelligence Algorithm[J]. Uranium Mining and Metallurgy, 2023 , 42 (3) : 10 -16 . DOI: 10.13426/j.cnki.yky.2023.02.07

基金

收起

中核集团集中研发项目(〔2021〕A100-3)
总装和科工局项目(A90-1)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

张明林, 刘洋, 吴建勇, 等. 中国铀矿地质勘查信息化建设现状及“十四五”发展思路[J]. 世界核地质科学, 2021, 38(3): 287-294.

[2]

袁志华, 孙占学, 周义朋, 等. 绿色铀矿山研究进展[J]. 有色金属(冶炼部分), 2021(11): 85-95.

[3]

陈军利, 倪玉辉, 于宝民. 绿色铀矿山建设标准构建思路[J]. 铀矿冶, 2017, 36(3): 155-158.

[4]

关键, 侯江, 邢妍. 数字地浸铀矿山顶层设计研究[J]. 铀矿冶, 2021, 40(2): 134-138.

[5]

廖文胜, 王立民. 地浸采铀过程中抽注液量影响因素分析[J]. 铀矿冶, 2022, 41(2): 104-110.

[6]

薛永超, 袁志乾, 金青爽, 等. 基于深度森林算法的油井产量预测[J]. 科学技术与工程, 2022, 22(11): 4327-4334.

[7]

蔡光琪, 彭洪阁, 周毅勇, 等. 基于改进的切比雪夫神经网络的露天煤矿产量预测[J]. 中国矿业, 2010, 19(12): 88-89.

[8]

马承杰. 基于循环神经网络的油藏产量预测方法[J]. 内蒙古石油化工, 2021, 47(5): 108-112.

[9]

刘威, 陈文昊, 姜宇翔, 等. 基于多元线性回归模型对煤炭问题的研究[J]. 智慧中国, 2020, 55(9): 83-84.

[10]

李啸. 基于多元线性回归对地下水水位的预测——以山西定襄县平原区为例[J]. 海河水利, 2021(1): 19-21.

[11]

汝彦冬. 基于多元线性回归模型煤矿瓦斯体积分数预测[J]. 哈尔滨商业大学学报(自然科学版), 2017, 33(6): 735-737.

[12]

周玉辉, 龚杰, 盛广龙, 等. 基于人工神经网络的页岩油藏产量预测定量表征模型[J/OL]. 大庆石油地质与开发: 1-7[2023-06-01]. https://doi.org/10.19597/J.ISSN.1000-3754.202208029.

[13]

何国富, 张奇华, 柳耀琦, 等. 基于人工神经网络的地下水封洞库涌水量预测[J]. 水利与建筑工程学报, 2022, 20(5): 30-34+74.

[14]

鲁中歧, 肖文生, 崔俊国, 等. 基于参数优化神经网络的海底油气管道腐蚀泄漏预测[J]. 科学技术与工程, 2022, 22(20): 8673-8682.

[15]

盛茂, 李根生, 田守嶒, 等. 人工智能在油气压裂增产中的研究现状与展望[J]. 钻采工艺, 2022, 45(4): 1-8.

[16]

贾杨. 官地矿区采动地裂缝影响因素分析和发育规模预测[D]. 太原: 太原理工大学, 2020.

[17]

XU Z, GUO Y, SALEH J H. Efficient hybrid Bayesian optimization algorithm with adaptive expected improvement acquisition function[J]. Engineering Optimization, 2021, 53(10): 1786-1804.

2023年第42卷第3期

PDF下载

引用本文

BibTeX

文章信息

doi: 10.13426/j.cnki.yky.2023.02.07

接收时间：2023-02-15
首发时间：2026-10-23
出版时间：2023-08-20

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2023-02-15

基金

中核集团集中研发项目(〔2021〕A100-3)

总装和科工局项目(A90-1)

作者信息

^1.核工业北京化工冶金研究院，北京　101149

^2.中核矿业科技集团有限公司，北京　101149

通讯作者:

廖文胜（1968—），男，江西赣州人，博士，正高级工程师，主要从事地浸采铀与化学方面研究。

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/yky/CN/10.13426/j.cnki.yky.2023.02.07

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT