基于XGBoost-ELM的氧化鋁溶出率預(yù)測(cè)研究

周廷儼，李晉宏

(北方工業(yè)大學(xué)信息學(xué)院，北京 100144)

0 引言

隨著我國(guó)鋁工業(yè)的大力發(fā)展，電解鋁和氧化鋁工業(yè)也隨之快速發(fā)展，鋁土礦資源匱乏已經(jīng)成為制約我國(guó)鋁工業(yè)發(fā)展的瓶頸，提高鋁土礦的利用率有利于緩解資源緊缺的現(xiàn)狀，是保障鋁工業(yè)可持續(xù)發(fā)展的有效途徑。要提高鋁土礦的利用率就要充分提取鋁土礦中的氧化鋁，提前預(yù)測(cè)氧化鋁的溶出率能夠及時(shí)地對(duì)原料配比和溶出環(huán)境做一定的調(diào)整，從而最大限度地提取氧化鋁。我國(guó)鋁土礦質(zhì)量較差，以一水硬鋁石型鋁土礦為主，原礦漿制備在氧化鋁生產(chǎn)過程中具有重要作用。能否制備出可以最大限度提取氧化鋁的礦漿就需要提前預(yù)測(cè)原礦漿中參與化學(xué)反應(yīng)的物料的細(xì)度，物質(zhì)之間的配比，最佳溶出環(huán)境等，目前人工智能技術(shù)已經(jīng)廣泛應(yīng)用在各個(gè)領(lǐng)域，在預(yù)測(cè)方面也取得了較好的成果。

李勇剛等[1-3]采用神經(jīng)網(wǎng)絡(luò)和分布式SVM建立苛性比值的軟測(cè)量模型，結(jié)構(gòu)復(fù)雜、訓(xùn)練時(shí)間長(zhǎng)、泛化能力有待提高；張艷存等[4]結(jié)合加權(quán)LS-SVM的思想和主元分析法（PCA）的特征提取能力，提出基于PCAWLSSVM的苛性比值和溶出率軟測(cè)量模型，結(jié)構(gòu)復(fù)雜，預(yù)測(cè)精度也不太理想。

極限學(xué)習(xí)機(jī)（ELM）是一種新的單隱含層前饋神經(jīng)網(wǎng)絡(luò)（Single-hidden Layer Feedforward Neural network，SLFN），該算法能夠隨機(jī)產(chǎn)生輸入層與隱含層之間的連接權(quán)值和隱含層神經(jīng)元的閾值，只需要確定隱含層神經(jīng)元的個(gè)數(shù)及激活函數(shù)便可以得到全局最優(yōu)解，再加上該算法具有學(xué)習(xí)速度快、泛化性能好等優(yōu)點(diǎn)，本文將利用極限學(xué)習(xí)機(jī)對(duì)氧化鋁溶出率進(jìn)行預(yù)測(cè)。

1 XGBoost和ELM原理

1.1 XGBoost原理

1.2 ELM原理

極限學(xué)習(xí)機(jī)（ELM）[6]是一種新型的單隱含層前饋神經(jīng)網(wǎng)絡(luò)算法，輸入層與隱含層間的連接權(quán)值及隱含層神經(jīng)元的閾值隨機(jī)產(chǎn)生，只需確定隱含層神經(jīng)元個(gè)數(shù)及隱含層神經(jīng)元的激活函數(shù)便可以得到全局最優(yōu)解。與傳統(tǒng)的訓(xùn)練方法相比，該算法具有學(xué)習(xí)速度快、泛化性能好等優(yōu)點(diǎn)。極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1所示。

圖1 極限學(xué)習(xí)機(jī)結(jié)構(gòu)圖

其中：wij為輸入層與隱含層之間的連接權(quán)重，Ok為隱含層的閾值，βij為隱含層與輸出層之間的連接權(quán)重。

2 氧化鋁溶出率影響因素及預(yù)測(cè)算法流程

2.1 影響氧化鋁溶出率的因素

在拜耳法生產(chǎn)氧化鋁工藝中，溶出的目的是將鋁土礦中的氧化鋁溶解成鋁酸鈉溶液，其效果好壞將直接影響到拜爾法生產(chǎn)氧化鋁的技術(shù)經(jīng)濟(jì)指標(biāo)，氧化鋁高壓溶出的過程中物理、化學(xué)反應(yīng)復(fù)雜，固液氣相共存，影響氧化鋁溶出率的因素非常多，且它們的影響程度差距很大。采用基于XGBoost的ELM模型預(yù)測(cè)氧化鋁溶出率，可以提前優(yōu)化溶出條件以達(dá)到較高的溶出率。由工藝流程可得氧化鋁溶出率與原礦漿配料分子比、堿液濃度、礦石細(xì)磨程度、溶出溫度、溶出時(shí)間等有關(guān)。具體工藝流程中可化驗(yàn)的氧化鋁溶出率影響因素如表1所示。

2.2 算法流程

基于XGBoost-ELM的預(yù)測(cè)模型包括兩個(gè)步驟：①在影響氧化鋁溶出率的眾多因素中選取重要影響因素；②構(gòu)建氧化鋁溶出率預(yù)測(cè)模型。

表1 氧化鋁溶出率的影響因素

影響氧化鋁溶出率的因素眾多，為了防止過擬合，利用XGBoost算法對(duì)表1中的影響因素進(jìn)行重要性排序，選取主要特征作為預(yù)測(cè)模型的輸入。生產(chǎn)過程中，溶出溫度和溶出時(shí)間是影響溶出率的兩個(gè)重要因素，可直接作為模型的輸入，只需對(duì)剩余的因素進(jìn)行排序，挑選前7位的特征和溶出溫度、溶出時(shí)間一起作為模型的輸入，溶出率作為模型的輸出，對(duì)該模型進(jìn)行訓(xùn)練。溶出率計(jì)算公式：

其中：溶出赤泥A/S是指溶出赤泥中Al2O3/SiO2含量的比值。

3 基于XGBoost的ELM模型

XGBoost訓(xùn)練數(shù)據(jù)來源于中國(guó)鋁業(yè)數(shù)據(jù)中心，選取2020年中的100組數(shù)據(jù)作為樣本，樣本數(shù)據(jù)由溶出溫度、溶出時(shí)間、原礦漿固相、原礦漿Na2O、原礦漿RP、原礦漿-63μm、原礦漿-150μm、原礦漿固相A12O3、原礦漿固相SiO2、原礦漿固相CaO、原礦漿固相A/S、原礦漿固相C/S、入磨鋁土礦A/S、溶出率組成，剔除不完整和有明顯錯(cuò)誤的樣本，保證數(shù)據(jù)的可靠性。

利用XGBoost對(duì)樣本訓(xùn)練后的輸出結(jié)果如圖2所示。

圖2 XGBoost 模型重要性排序結(jié)果

由圖2可得重要性排列在前7位的分別是入磨鋁土礦A/S，原礦漿固相A12O3，原礦漿-63μm，原礦漿固相C/S，原礦漿RP，原礦漿固相A/S，原礦漿Na2O。

可得最終作為模型輸入的特征為入磨鋁土礦A/S，原礦漿固相A12O3，原礦漿-63μm，原礦漿固相C/S，原礦漿RP，原礦漿固相A/S，原礦漿Na2O、溶出溫度和溶出時(shí)間，然后用ELM建立預(yù)測(cè)模型用于實(shí)際數(shù)據(jù)的仿真試驗(yàn)。

從中國(guó)鋁業(yè)數(shù)據(jù)中心2020年的數(shù)據(jù)中重新選取400組數(shù)據(jù)作為樣本集，剔除不完整和有明顯錯(cuò)誤的樣本，保證數(shù)據(jù)的可靠性，剩余樣本中80%作為訓(xùn)練集，20%作為測(cè)試集。

仿真結(jié)果如圖3～4所示。

圖3 ELM 模型預(yù)測(cè)結(jié)果

圖4 XGBoost-ELM 模型預(yù)測(cè)結(jié)果

由仿真結(jié)果可見，XGBoost-ELM模型的預(yù)測(cè)精度更高。表2描述了ELM、SVR、XGBoost-ELM三種不同模型的預(yù)測(cè)精度和訓(xùn)練時(shí)間。

表2 不同模型的性能比較

由表2可以看出XGBoost-ELM模型的預(yù)測(cè)精度和訓(xùn)練時(shí)間較其他兩種有較好的效果。

4 結(jié)論

本文提出了基于XGBoost-ELM的氧化鋁溶出率預(yù)測(cè)模型，首先利用XGBoost算法對(duì)影響氧化鋁溶出率的眾多因素進(jìn)行重要性排序，然后挑選出影響因素排列前7的因素與溶出溫度和溶出時(shí)間一起作為預(yù)測(cè)模型的輸入并對(duì)模型進(jìn)行訓(xùn)練，最后將訓(xùn)練好的模型用于實(shí)際的數(shù)據(jù)進(jìn)行預(yù)測(cè)，并與SVR模型和未經(jīng)處理的ELM模型進(jìn)行對(duì)比，結(jié)果顯示XGBoost-ELM預(yù)測(cè)模型結(jié)構(gòu)精度較高，速度更快，能較好的預(yù)測(cè)氧化鋁溶出率。