非线性预测算法在铀矿堆浸工艺中的应用研究

发布时间：2020-05-25 04:42

【摘要】：生物浸出技术通常指由自然界存在的微生物对矿石进行的细菌氧化或生物氧化.即它是利用一些微生物或其代谢产物具有氧化、还原、溶解或吸附某些矿物或离子的作用来提取矿石或溶液中的有价金属的一种技术.它在铀矿中的应用始于20世纪50年代.研究表明细菌堆浸技术具有良好的经济效益和环境效益.我国铀矿石的堆浸工业生产始于八十年代初期,并于2002年成功实现产业化,取得了良好的技术经济效益. 近年来对铀矿堆浸技术的研究,特别是对堆浸过程的建模分析已越来越引起人们的关注.如何建立合理的堆浸工艺的数学模型,为不断完善铀矿堆浸系统的理论与实践提供可靠的定量研究方法,是铀矿堆浸工艺中一个热点与难点问题.在具体的生产工艺中,影响堆浸工艺铀矿浸出率的因素较多,且工艺的运行中产生的数据具有时序性、非线性的特点,这就要求我们应用非线性时间序列分析方法研究堆浸现象,探寻其变化规律. 现实世界中绝大多数事物性质都具有混沌性.本文采用由某批次铀矿堆浸工艺产生的样品数据,首先,利用单一GM(1,n）模型对铀的累计浸出率做了预测及拟合分析,利用BP神经网络进行了预测研究.然后,对铀矿堆浸系统进行混沌识别,借助相空间重构理论,构建了基于相空间重构的局部最邻近预测算法、基于相空间重构的灰色预测算法,对铀的累计浸出率进行了联合预测和拟合分析. 利用上述方法对铀的累计浸出率预测效果如下:(1)基于单一GM(1,n）模型的预测结果为平均相对预测误差是0.0739,小误差概率是P=0.6154,后验差比值C=1.0041;(2)采用经典BP神经网络预测算法得到的平均相对预测误差为0.0081;(3)利用重构后相空间上的点作为最邻近点,采用局部最邻近预测技术分别进行了四组预测,预测结果为最大平均相对预测误差是R1=4.8664e-004,最小为R2=7.5822e-005;(4)基于相空间重构和GM(1,n）模型组合预测算法的预测结果为平均相对预测误差是0.0063,小误差概率为P=1,后验差比值为C=0.1831. 对铀的累计浸出率的拟合效果为:(1)基于单一GM(1,n)模型的拟合结果为平均相对预测误差是0.0087,小误差概率是P=1,后验差比值是C=0.3493;(2)采用基于相空间重构和GM(1,n)模型组合算法的拟合结果为平均相对预测误差是0.0046,小误差概率是P=1,后验差比值是C=0.1631. 通过本文研究表明,铀矿堆浸工艺系统具有混沌的性质,且基于相空间重构的两种预测算法的预测效果均较好,基于相空间重构的预测算法是比较科学的预测算法. 本文中，计算机仿真均采用MATLAB语言,所引用的数据来自堆浸工艺生产中某矿区ZQ8堆浸柱运行过程中产生的一批实测数据.
【图文】：

示意图,堆浸法,地表,示意图

1图 1-1 地表堆浸法示意图Fig.1-1 surface heap leaching diagram微生物技术在铀矿的应用始于 20 世纪 50 年代.细菌浸出铀镭公司”在1953年开始进行的铀矿自然浸出研究,并在1956年的

结构图,多层感知器

3.1 BP 算法原理神经网络预测是一种非线性学习的过程. 基本的几种神经网络模型有:模型[22]、径向基网络模型[23]、Hopfield 网络模型和自适应模型等.BP 算法是一种基于感知器的用于前馈多层网络的监督学习算法[24]. 本络采用的是误差反向传播的梯度下降算法学习规则[25].这种算法是神经网络经典的，使用最广泛、最有效、算法最成熟的一类 BP 神经网络模型，实现习的设想，当给定网络一个输入模式时，，它从输入层单元传到隐含层单元，单元逐层处理后再发送到输出层单元，经输出层单元处理后产生一个输出模一个逐层状态更新的过程，称为前向传播，如果输出响应与期望输出模式有满足要求，则转入误差反向传播，将误差值沿连接通路逐层反向传送并修正权值和阈值，当各个训练模式都满足要求时，那么学习结束.多层感知器结构图一般如下图所示[26].
【学位授予单位】：东华理工大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TP301.6;N941.5

【参考文献】