基于机器学习的微细矿物沉降上清液浊度预测研究
刘琪1
闵凡飞1
张雪菲2
1.安徽理工大学 材料科学与工程学院,安徽 淮南 2320002.安徽理工大学 地球与环境学院,安徽 淮南 232000
摘要：为了提升煤泥水沉降效率,解决人工加药依赖经验导致的药剂浪费及环境成本高的问题,实现上清液浊度的精准预测,提出了基于机器学习的微细矿物沉降上清液浊度预测方法.研究以石英和蒙脱石沉降试验后的上清液浊度为研究对象,选用氯化镁、氯化钙、明矾、聚合氯化铝和石膏作为凝聚剂,构建支持向量回归、决策树、K近邻、随机森林、线性回归和多层感知机 6种机器学习预测模型,并结合MSE,RMSE,MAE,MAPE,R2 指标来评估模型性能,探究了凝聚剂种类和矿浆浓度对上清液浊度的影响,并对 6种模型的拟合效果进行了评价.结果表明:石英和蒙脱石矿浆的沉降效果受不同凝聚剂影响存在差异,相同凝聚剂对不同浓度矿浆沉降趋势亦存在不同影响,二者的最优凝聚剂均为明矾;将机器学习算法的预测结果与试验结果进行对比,模型拟合精度由高到低的顺序为多层感知机、线性回归、随机森林、K近邻、决策树、支持向量回归模型;多层感知机模型在预测石英、蒙脱石等微细矿物的上清液浊度方面具有高精度,该模型的R2 值达到 0.99,且相较于线性回归模型,RMSE和MAE分别降低了 89.02%和87.25%.研究结果可为煤泥水处理中的智能加药系统开发提供理论指导和技术支持.
关键词：煤泥水沉降上清液浊度机器学习多层感知机浊度预测拟合精度
分类号：TD948.9(选矿)
资助基金：国家重点研发计划(2023YFC2907704)安徽理工大学研究生创新基金项目(2023cx2112)
论文发表日期：2025-04-30
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：9( 9-17 )
英文信息