基于粒子群算法优化BP神经网络的溶浸开采浸出率预测

摘要：

为了研究溶浸开采过程中浸出率的预测问题,以含锑硫化矿的浸出过程为例,采用经粒子群算法优化的BP神经网络模型预测浸出率.首先分析得出影响矿物浸出率的主要因素,并将已有样本数据进行变量训练,建立BP神经网络预测模型;其次利用粒子群算法优化该模型;最后分别利用BP神经网络模型和PSO-BP神经网络模型预测浸出率,并对比2种模型预测值与实际值的误差精度.研究结果表明:影响含锑硫化矿浸出率的主要因素有温度、时间、液固比、搅拌速度和HCl浓度,且这些因素相互影响,其与浸出率呈现高度非线性关系,采用粒子群算法优化的BP神经网络模型训练精度较高,对浸出率的预测更精确,相比BP神经网络,该模型得出的预测结果与实际值的相对误差以及方差都有明显下降.由此可见,该预测模型对当前矿区溶浸开采的浸出率优化有一定的参考价值.

关键词：溶浸开采、浸出率、变量训练、BP神经网络、粒子群优化、误差分析

所属期刊栏目：28

分类号：TD87(矿山开采)

资助基金：国家自然科学基金青年基金项目"基于人工智能的矿山技术经济指标动态优化";国家自然科学基金项目"基于属性驱动的矿体动态建模及更新方法研究";中国博士后科学基金面上项目"辰州矿业采掘计划可视化编制与优化研究";湖南省科技计划项目"辰州矿业采掘计划可视化编制与优化研究"

在线出版日期：2020-03-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：82-89