通过可解释的机器学习方法解析矿物分离机制

《Journal of Cleaner Production》：Decoding mineral separation mechanisms via interpretable machine learning

粒子分离机制解析与可解释AI优化框架研究

　　

杨勇|牛杰|唐云|廖海山|朱青敏|邓振斌|何明霞

贵州大学矿业学院，贵阳，550025，中国

摘要

目前，矿物加工的效率受到基于经验优化的限制，这主要是由于颗粒级分离物理过程的不透明性。为了解决这一挑战，我们提出了一个可解释的机器学习框架，该框架整合了分离实验、自动化矿物学和可解释的人工智能（XAI），以解码这些潜在机制。该框架揭示了操作参数作为动态特征选择器的作用，它们调节了几何特征和颗粒锁定状态对以成分为主的过程的约束程度。这一关键见解使得过程设计更加合理。通过实现数字颗粒跟踪，这种方法促进了基于机制的优化策略，减少了重复的物理实验，并采用了基于知识的控制。这种转变通过最小化传统试错测试所涉及的资源和能源消耗，显著提升了清洁生产水平。以赤铁矿磁分离作为概念验证，该框架成功地将机制洞察转化为具有实验验证的性能改进的两阶段策略。该方法论可以应用于基于颗粒的分离技术，实现了从基于经验的控制向基于机制控制的范式转变。

引言

矿物加工系统处理具有高经济价值的材料，但其操作仍然主要依赖于经验而非预测（Wills和Finch，2015；Fuerstenau等人，2007；Hodouin，2011）。一个关键的限制是对颗粒分离和纯化机制缺乏理解（Napier-Munn等人，1996；King，2001）。

根本的挑战在于将微观颗粒属性（包括尺寸、形态、成分、解离程度和表面特性）与宏观分离行为联系起来（Gupta和Yan，2016；Schulze，1984）。现有的基于物理的模型对颗粒几何形状、相互作用和运动做出了过于简化的假设。这些简化忽略了关键的多颗粒动力学、碰撞行为以及聚集和吸附等过程现象（Ralston等人，1999；Nguyen和Schulze，2004），从而影响了预测的准确性。因此，该行业仍然依赖于基于经验的试错方法，这些方法限制了过程效率和机制理解（McCoy和Auret，2019；Jovanovic和Miljanovic，2015）。

自动化矿物学（Gottlieb等人，2000；Fandrich等人，2007；Lamberg，2012）和可解释的人工智能（XAI）（Arrieta等人，2020；Adadi和Berrada，2018；Gunning等人，2019）为弥合这一差距提供了有希望的解决方案。基于扫描电子显微镜（SEM）的系统提供了全面的颗粒成分数据（Sutherland和Gottlieb，1991），尽管2D成像存在固有的立体学限制，但仍能够进行大规模的自动化矿物学分析（Bachmann等人，2017；Petruk，2000）。同时，XAI为科学洞察提供了关键的机制可解释性（Rudin，2019）。然而，一个关键挑战仍然存在：开发能够有效解码颗粒属性如何控制分离和纯化结果的框架（Evans等人，2015）。

我们提出了一个可迁移的框架，使用XAI定量解析颗粒分离和纯化机制。虽然通过磁分离作为高级纯化的模型进行了演示，但该框架为解码任何颗粒分离机制提供了一种可迁移的方法，实现了从基于经验的控制向基于机制的过程设计的范式转变。通过将自动化矿物学与可解释的机器学习（ML）相结合，我们揭示了分离行为背后的因果关系。我们的方法包括四个关键组成部分：（1）全面的颗粒表征，（2）分离结果的预测ML建模，（3）基于SHapley Additive exPlanations的性质-机制关系分析，以及（4）基于机制的过程优化。通过对不同操作条件下的颗粒行为进行系统分析，我们证明了外部参数动态调节了颗粒特征的相对重要性。该框架建立了一种通用的定量机制分析方法，适用于颗粒分离系统，以磁分离为例，推动了该领域从经验相关性向基于预测的、由机制引导的过程控制的进步，从而提高了采矿操作的资源和能源效率，对化学工程中的可持续纯化也有重要意义。

研究框架

本研究采用了一个系统框架（“颗粒表征 – 模型构建 – 预测验证 – 机制解释”；图1），利用颗粒级数据通过ML揭示了赤铁矿磁分离的机制。工作流程包括：1）通过磁分离实验和BPMA（BGRIMM Process Mineralogy Analyzer）获取颗粒特性和分离结果；2）构建和优化颗粒分离预测模型；3）

颗粒分离行为的机器学习预测

我们系统评估了八种机器学习算法，以开发颗粒分离的预测模型。通过对多个评估指标的比较分析（图2），确定了可靠地将颗粒属性与分离结果相关联所需的关键算法能力。

在10次独立的训练迭代中，我们对这些算法进行了基准测试：随机森林（RF）、极端梯度提升（XGB）、轻量级梯度提升机（LightGBM）、自适应提升

讨论

SHAP分析表明，操作参数不仅作为过程强化因素，还作为颗粒特征的动态选择器。这一发现将磁分离的理解从经验参数调整转变为基于机制的特征工程。传统方法将磁场强度视为线性放大器，期望所有颗粒类型都能获得均匀的性能提升。然而，我们的分析表明，磁场强度的作用

结论

我们建立了可解释的机器学习与颗粒分离行为之间的定量相关性，揭示了操作参数对颗粒特征重要性的动态调节机制。我们发现了一个根本性的转变：在低磁场下，过程主要由成分主导；而在高磁场下，形态变得重要。这种机制透明度克服了传统经验优化的局限性，使得竞争性因素的转换成为可能

CRediT作者贡献声明

杨勇：撰写 – 原稿撰写、可视化、软件开发、方法论设计、数据整理。牛杰：撰写 – 审稿与编辑、监督、方法论设计、概念构思。唐云：撰写 – 审稿与编辑、可视化、形式化分析。廖海山：撰写 – 审稿与编辑、验证。朱青敏：软件开发。邓振斌：撰写 – 审稿与编辑。何明霞：撰写 – 审稿与编辑。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

作者感谢贵州省科技规划项目（Qiankehezhicheng [2022] General 047）、贵州省科技支持项目（Qiankehe Support [2024] General 057）、贵州省人才计划（KJZY[2025]030）以及铜仁市科技规划项目（Tongshikeyan [2021] No. 14）的财政支持。我们还要感谢矿业工程领域的技术支持