云南东南部波珠山观芳钨矿花岗岩中黑云母的矿物学与地球化学特征及其对岩石成因和矿化作用的影响 戴 张 陈 柳伦轩 陈 仙超 刘 栩龙 周 浩虎 卢 博德 左 若涵 张 石涛

《Minerals》：Mineralogical and Geochemical Characteristics of Biotite in Granite from the Guanfang Tungsten Deposit, Bozhushan, Southeastern Yunnan, and Their Implications for Petrogenesis and Mineralization Dai Zhang, Liurunxuan Chen, Xianchao Chen, Xuelong Liu, Jiehu Zhou, Bode Lu, Ruohan Zuo and Shitao Zhang

　　

摘要

据作者所知，这是首项专注于湿式垂直搅拌介质磨矿的工业机器学习（ML）研究。该研究开发并验证了机器学习模型，用于预测关键运行参数，包括磨机出料产品粒度、磨机进料浆液流量、磨机功率消耗以及铜厂湿式垂直搅拌介质磨机的 Specific Energy Consumption（单位能耗）。研究采用了基于物理原理的工作流程，结合了基于流变系数的变量筛选与搅拌磨矿的基本原理，定义了20种不同的结构化模型输入场景。实验中使用了六种回归方法：线性回归（LR）、精细树回归（FTR）、支持向量回归（SVR）、随机森林回归（RFR）、人工神经网络回归（ANN）和高斯过程回归（GPR），并利用工厂传感器数据进行训练和验证，评估指标为 R2 和 RMSE。总体性能表现尚可，其中高斯过程回归（GPR）的预测准确性最高，其次是随机森林回归/人工神经网络（RFR/ANN），而线性回归（LR）、支持向量回归（SVR）和精细树回归（FTR）的表现较低。此外，还通过敏感性分析概念性地评估了进料粒度的潜在影响，该分析假设能够实时测量进料粒度。由于进料粒度参数（F??）并非独立测量，而是通过能量-粒度关系推算得出，因此相关精度提升仅作为理论上的上限参考值，而非独立的预测能力。总体而言，研究结果支持在搅拌磨矿作业中利用机器学习进行决策支持，并为未来使用独立测量的进料粒度数据（或可靠的替代传感器）开展研究提供了依据。