基于CA-CNN-BiLSTM-LightGBM混合模型对砂岩型铀矿原位浸出过程中电导率与铀浓度之间关系的研究

《Journal of Environmental Radioactivity》：Research on the relationship between electrical conductivity and uranium concentration in sandstone-hosted uranium in-situ leaching based on a CA-CNN-BiLSTM-LightGBM hybrid model

铀浓度预测与电导率-铀浓度关系建模研究提出CA-CNN-BiLSTM-LightGBM混合模型，通过CNN提取局部耦合特征，BiLSTM捕捉时序依赖，注意力机制增强特征权重，LightGBM纠正残差，在测试集上实现R2=0.962，MAE=1.121 mg/L，RMSE=1.828 mg/L，为砂石铀矿原位浸出过程优化提供数据支持。

　　

魏振华|钟胜宇|刘志峰

教育部核技术应用工程研究中心（华东理工大学），中国南昌，330013

摘要

在砂岩型铀矿的原位浸出（ISL）过程中，电导率（EC）与浸出液中的铀浓度（U）之间存在密切耦合。作为反映溶液离子强度和渗流通道发育的关键监测指标，EC的变化与铀的浸出性能密切相关，可以支持操作决策（例如，注入配方和注入-生产调度），从而提高工艺的稳定性和效率。然而，受硫酸盐（SO₄^2?）浓度等水化学参数的影响，EC与U之间的关系表现出明显的非线性和阶段依赖性，这难以用传统的经验模型来捕捉。为了解决这一挑战，开发了一种基于深度学习的混合模型CA-CNN-BiLSTM-LightGBM（LGBM），用于铀浓度预测和EC-U响应特性分析。CNN从EC及相关水化学变量中提取局部耦合特征，BiLSTM捕捉EC变化对铀浓度的滞后响应及其特有的上升-平台-下降模式，而通道注意力机制结合自编码器重构约束则增强了特征权重和表示的稳定性。LightGBM的引入进一步修正了深度模型的残差，提高了在极端操作条件下的拟合精度。实验表明，所提出的模型优于Ridge、LightGBM、LSTM和GRU等基线模型，在测试集上的R²值为0.962，MAE为1.121 mg/L，RMSE为1.828 mg/L，为砂岩型铀矿ISL过程中的工艺参数优化和智能控制提供了一个可靠的数据驱动工具。

引言

铀是发展核能的重要基础资源，其高效且环境可持续的提取对于保障国家能源安全具有重要意义（Li和Yao，2024；Su等人，2025b）。由于环境兼容性和经济优势，原位浸出（ISL）已成为砂岩型铀矿的主要开采技术。在各种ISL技术中，使用CO₂ + O₂作为浸出剂的中性浸出技术能够在相对温和的水化学条件下实现铀的氧化和络合，从而在铀回收和地层稳定性之间取得平衡，因此被视为中国绿色铀矿开采的重要途径（Qiu等人，2022）。借助多参数水化学监测仪器和数字化信息系统，可以在原位浸出过程中常规获取铀浓度（Liao和Wang，2020）、电导率（EC）、硫酸盐（SO₄^2?）浓度等水化学参数的连续时间序列数据，为数据驱动的工艺建模提供了基础（Liu和Zhang，2025）。

近年来，人工智能（AI）技术越来越多地应用于铀矿原位浸出过程中的建模、预测和过程调控（Liu等人，2025d）。现有研究采用了人工神经网络、多层感知器和深度学习模型（如CNN-LSTM）对金属产量、铀浓度、酸度和注入速率等宏观指标进行回归分析，显著提高了预测精度和趋势跟踪能力（Aizhulov等人，2024；Liu等人，2025a；Liu等人，2025b）。一些研究进一步结合了集成学习和长序列建模，将深度神经网络与LightGBM、时间卷积网络（TCN）或编码器-解码器框架相结合，在复杂的非线性条件下表现出强大的泛化性能（Liu等人，2025c）。此外，如CNN-BiLSTM、CNN-GRU和增强注意力机制的时间网络等混合架构在风力发电预测、岩爆风险识别、渗流流预测和水质变化分析等领域取得了显著成果。这些研究表明，基于卷积的特征提取、时间依赖性建模和注意力加权的组合方法非常适合处理多变量、受噪声污染的工业时间序列数据（Li等人，2025；Long等人，2024；Zhang等人，2025）。

现有的关于铀矿原位浸出（ISL）过程建模的研究主要集中在预测和跟踪总体生产指标上，如铀浓度、产量、注入/生产速率和浸出效率。大多数工作通过将多源变量整合到一个统一的输入框架中来改进宏观预测和趋势监测。在常规的井场监测中，电导率（EC）通常比铀浓度更容易高频且连续地获取。在中性浸出条件下，硫酸盐（SO₄^2?）的变化往往与硫化物矿物（如黄铁矿）的氧化溶解过程相关，可以在一定程度上作为氧化强度和地层溶解贡献的操作代理指标（M. Hu等人，2024）。值得注意的是，较高的SO₄^2?浓度可能与更氧化的操作环境相关，这在经验上与改善的铀浸出效果相关；而在Ca²⁺存在的情况下，它还可能促进硫酸盐的沉淀（如CaSO₄），导致孔隙或流道堵塞，从而降低质量传递和浸出效率（Zhao等人，2019）。因此，从操作角度来看，系统地表征和量化EC、SO₄^2?和铀浓度之间的关系对于状态诊断和提高铀产量至关重要。

因此，本研究提出了一种CA-CNN–BiLSTM–LightGBM混合模型，该模型结合了具有通道注意力的卷积神经网络和双向长短期记忆网络进行特征表示，并引入了基于LightGBM的残差校正模块以提高预测精度（Jia等人，2024）。所提出的框架用于表征和预测电导率（EC）与铀浓度之间的数据驱动动态关系，为现场实践提供了数据支持和参考依据，以解释浸出效率、诊断操作状态，并根据监测到的EC变化范围指导操作调整，从而提高采矿效率和经济效益。

模型构建

CA-CNN-BiLSTM模型构建

构建的CA-CNN-BiLSTM模型包括一个CNN分支（Li等人，2025）、一个BiLSTM分支和一个基于通道注意力的残差融合模块，这些组件共同从多源监测数据中提取局部耦合模式和复杂响应特征，从而学习EC与U之间的主导非线性映射关系。

数据预处理

本研究使用的原位浸出（ISL）现场数据集K1来自中国某矿业公司运营的砂岩型铀矿的现场生产监测数据。该数据集包括碳酸氢盐（HCO₃^?）、硫酸盐（SO₄^2?）、溶解氧（DO）、电导率（EC）、pH值、泵送速率（Q）和铀浓度。数据覆盖了2023年6月至2024年10月的时期，采样间隔为每天一次。现场数据由矿山收集和记录。

模型评估指标

为了定量评估模型在铀浓度预测方面的性能，本研究采用了三种常用的评估指标：平均绝对误差（MAE）、均方根误差（RMSE）和决定系数（R²）。这些指标从三个互补的角度评估了模型的预测性能——误差大小、误差分布和拟合优度，从而全面反映了模型在中性CO₂

结论

• (1)
  模型开发与定位：本研究开发了一种CA-CNN-BiLSTM-LGBM混合深度学习模型，用于预测中性CO₂+O₂原位浸出（ISL）条件下砂岩型铀矿中的铀浓度，并在不同SO₄^2?浓度背景下对EC-U关系进行情景推断，为基于EC监测数据动态变化的操作解释和决策支持提供了定量依据。
• (2)
  性能与外部因素

CRediT作者贡献声明

魏振华：监督、方法论、概念化。钟胜宇：撰写——初稿、可视化、验证、正式分析、数据整理。刘志峰：撰写——审稿与编辑、调查。

资金来源

教育部核技术应用工程研究中心的开放基金项目：铀矿石γ谱测井数据的智能分析算法研究（HJSJYB 2021-12）；江西核地球科学数据科学与系统工程技术中心的开放基金项目：铀矿石γ谱测井数据的智能分析算法应用（JETRCNGDSS202202）；

利益冲突声明

作者声明他们没有已知的利益冲突或个人关系可能影响本文所述的工作。

致谢

我们感谢华东理工大学对这项实验的支持。

同时，我们也感谢我们的领导、同事和学生在实验过程中的协助。