用于预测浮选生产运行情况的机器学习模型的重点是生产操作变量值。在这些模型中,选矿生产运行的一些基本情况(例如对矿物表面的气泡-颗粒相互作用进行表征的物理化学变量值)在很大程度上被忽略了。然而,矿物颗粒的这些物理化学变量值(包括气泡和矿浆)会对浮选生产运行状况产生影响。因此,本研究旨在通过不同的变量值(包括物理化学的变量值)来改善对浮选生产效率的预测。
在用于预测的4个机器学习模型中,随机森林模型的效果是最好的,因此随后采用这个模型对变量的重要性进行了研究。最重要的变量值包括接触角、粒径、气泡直径、颗粒电荷、捕收剂浓度、浮选作业时间和矿物种类数量等。本次研究对局限性(例如设定条件和经验主义问题)和指示意义也进行了阐述。最后,研究工作的期望是对使用机器学习对浮选生产的物理化学变量值的变化情况进行研究给予更多的关注,以便于获得一个更广泛适用的经验性浮选模型。
来源:中国地质调查局地学文献中心
声明:转载此文是出于传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益,请作者持权属证明与本网联系,我们将及时更正、删除,谢谢。 联系方式:services@kjzj.com