本文選題：鈾的累計浸出率　切入點：支持向量機　出處：《東華理工大學》2016年碩士論文

【摘要】：鈾礦生物堆浸工藝是將鈾礦堆浸和生物浸出相結合的一項技術,它不僅保留了生物浸出技術的特點,還兼具鈾礦堆浸工藝的優(yōu)越性。因此,生物堆浸工藝憑借其良好的經(jīng)濟和環(huán)境效益,現(xiàn)如今已經(jīng)發(fā)展成為世界很多國家生產鈾礦的支撐性技術。目前,我國的鈾礦石呈現(xiàn)出類型復雜、中低品位居多等特點,而且已不能滿足我國核電長遠發(fā)展的需要。因此,為了完善鈾礦生物堆浸工藝的理論研究與實踐應用,采用一些數(shù)據(jù)挖掘方法建立數(shù)學模型,并借助統(tǒng)計分析軟件進行仿真實驗對生物浸鈾工藝進行研究具有重要的意義。為此,本文選取某礦區(qū)ZQ7堆浸柱在鈾礦生物堆浸工藝中產生的一批實測樣品數(shù)據(jù)作為樣本,建立了以下幾種數(shù)學模型對其進行研究分析:(1)構建BP神經(jīng)網(wǎng)絡模型對鈾的累計浸出率進行仿真實驗。為了排除劃分樣本的偶然性,本文對樣本進行了不同方式的劃分。實驗表明,該模型具有較好的模擬效果,能滿足一般實際生產的需求。其中,前53個樣本作為訓練集,后15個樣本作為測試集的劃分方式具有最好的模擬效果,其均方根誤差RMSE=0.7012,平均相對誤差MRE=0.491823;(2)建立基于主成分分析(PCA)的支持向量機(SVM)模型(PCA-SVM)對鈾的累計浸出率進行仿真實驗。由于生物堆浸工藝中各因素間存在著相互關聯(lián),所以采用PCA提取出累計貢獻率大于85%的三個主成分作為SVM模型的輸入變量。在實驗過程中利用網(wǎng)格搜索、遺傳(GA)算法、粒子群(PSO)算法對參數(shù)c和g進行優(yōu)化。實驗表明,經(jīng)PCA特征提取比未經(jīng)PCA特征提取的模型具有更好的模擬效果;在三種尋優(yōu)算法中,PSO算法有最好的搜索效率;PCA-PSO-SVM模型的模擬效果最好,其結果為:均方根誤差RMSE=0.0673,平均相對誤差MRE=0.000793;(3)將支持向量機作為分類器,建立基于平均影響值(MIV)的SVM模型(MIV-SVM)選擇特征子集�；贛IV算法可對特征因子進行排序,以此選取得到最高精度時的前7個特征,即Eh出,p H出,Fe2+出,Fe2+進,Fe3+進,Fe3+出,浸出液體積,將這7個特征作為SVM模型的輸入變量,其模擬效果優(yōu)于原始10個特征的效果,其結果為:均方根誤差RMSE=0.3519,平均相對誤差MRE=0.004173;(4)將支持向量機作為分類器,建立基于離散二進制粒子群(BPSO)算法的SVM模型選擇特征子集。最終BPSO算法篩選出最優(yōu)的特征子集包含:噴淋強度,Eh出,Fe2+進,Fe2+出,U出共5個特征,該模型的模擬結果為:均方根誤差RMSE=0.3332,平均相對誤差MRE=0.003985;(5)由于MIV-SVM和BPSO算法有其不同的優(yōu)勢及局限性,因此,可建立組合算法對樣本進行模擬分析。采用MIV-SVM算法對特征進行排序,快速去掉無關特征,然后以排序后的優(yōu)良子集初始化后續(xù)BPSO算法的部分種群,使其有一個好的搜索起點。最終MIV-SVM-BPSO模型的模擬結果為:均方根誤差RMSE=0.3071,平均相對誤差MRE=0.003528,其模擬效果均比單一的MIV-SVM和BPSO模型好。
[Abstract]:Bio-heap leaching of uranium ores is a combination of heap leaching and bioleaching of uranium ores. It not only retains the characteristics of bioleaching technology, but also has the advantages of heap leaching of uranium ores. Because of its good economic and environmental benefits, biological heap leaching technology has been developed into a supporting technology for uranium ore production in many countries in the world. At present, uranium ores in China are characterized by complex types, medium and low grade, and so on. Therefore, in order to perfect the theoretical research and practical application of bioreactor leaching process of uranium mine, some data mining methods are used to establish mathematical models. It is of great significance to study the bioleaching process with the help of statistical analysis software. In this paper, a batch of measured sample data produced by ZQ7 heap leaching column in uranium mine are selected as samples. The following mathematical models are established to study and analyze them. (1) A BP neural network model is constructed to simulate the cumulative leaching rate of uranium. In order to eliminate the contingency of dividing samples, In this paper, samples are divided in different ways. Experiments show that the model has good simulation effect and can meet the requirements of general production. Among them, the first 53 samples are used as training sets. The latter 15 samples have the best simulation effect as the partition of the test set. The root mean square error (RMSE) is 0.7012, and the mean relative error (MREE) is 0.491823 / 2). A support vector machine (SVM) model based on principal component analysis (PCA) is established to simulate the cumulative leaching rate of uranium. Therefore, three principal components whose cumulative contribution rate is more than 85% are extracted by PCA as input variables of SVM model. The parameters c and g are optimized by using grid search, genetic algorithm and particle swarm optimization algorithm. PCA feature extraction has better simulation effect than the model without PCA feature extraction, among the three optimization algorithms, it has the best search efficiency and the PCA-PSO-SVM model has the best simulation effect. The results are as follows: the root mean square error (RMSE) is 0.0673, and the mean relative error (MREE) is 0.000793K3). The support vector machine (SVM) is used as the classifier, and the SVM model based on the average influence value (MIV) is established to select the feature subset. Based on the MIV algorithm, the feature factors can be sorted. In this way, the first seven features of the SVM model are selected, that is, the first seven features, i.e., the volume of the leaching solution, the volume of the leachate, the simulation effect of which is better than the original 10 characteristics, and the simulation effect is better than that of the original 10 features. The results are as follows: root mean square error (RMSE) 0.3519, mean relative error (Mre) 0.004173 / 4) support vector machine (SVM) is used as classifier. The SVM model selection feature subset based on discrete binary particle swarm optimization (BPSO) algorithm is established. Finally, the optimal feature subset is selected by BPSO algorithm. The optimal feature subset consists of five features: spray intensity, Eh, Fe2, Fe2, Fe2, and Fe2, respectively. The simulation results of this model are as follows: root mean square error (RMSE) 0.3332, mean relative error (Mre) 0.003985 / 5) because MIV-SVM and BPSO have different advantages and limitations, a combined algorithm can be established to simulate and analyze samples. MIV-SVM algorithm is used to sort the features. Quickly remove irrelevant features, and then initialize some populations of the subsequent BPSO algorithm with a sorted fine subset. The simulation results of MIV-SVM-BPSO model are as follows: root mean square error (RMSE) 0.3071, average relative error MREE 0.003528. The simulation results are better than that of single MIV-SVM and BPSO models.
【學位授予單位】：東華理工大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TD958

【相似文獻】

相關期刊論文 前10條

1 潘其云;;揭開廣西鈾礦神秘的“頭蓋”[J];南方國土資源;2006年01期

2 韋行;;我國將獲得澳長期穩(wěn)定的鈾礦資源發(fā)展核電站[J];上海金屬;2009年06期

3 伍浩松;;印度發(fā)現(xiàn)本國第四大鈾礦[J];國外核新聞;2012年10期

4 伯煉;;澳大利亞鈾礦資源[J];鈾礦選冶;1981年05期

5 牛玉清;赴俄羅斯考察鈾礦地、堆浸技術[J];鈾礦冶;2000年03期

6 張振強;世界可地浸砂巖鈾礦第一國 哈薩克斯坦的鈾礦資源[J];國土資源;2001年03期

7 李子穎;;提高科技創(chuàng)新能力 加快鈾礦資源突破[J];中國核工業(yè);2006年08期

8 侯林波;姜諳男;陳勇;;吉林省某鈾礦的開采順序數(shù)值模擬研究[J];有色礦冶;2008年06期

9 郭志峰;;全球鈾礦資源至少可用100年[J];國外核新聞;2008年08期

10 盧利平;;必和必拓獎向中國長期提供鈾礦資源[J];功能材料信息;2008年Z1期

相關會議論文 前9條

1 閆強;王安建;王高尚;陳其慎;于汶加;李瑞萍;;鈾礦供需形勢分析與戰(zhàn)略對策[A];2010’第五屆綠色財富（中國）論壇會刊[C];2010年

2 李珍福;李學軍;;壤中α收集膜法用于尋找深部鈾礦的研究[A];1991年中國地球物理學會第七屆學術年會論文集[C];1991年

3 劉繼忠;;贛南硬巖低品位鈾礦資源開發(fā)利用前景的探討[A];第九屆全國采礦學術會議暨礦山技術設備展示會論文集[C];2012年

4 李振宗;;下莊鈾礦田深部探礦探討[A];全國鈾礦大基地建設學術研討會論文集（上）[C];2012年

5 花明;馬智勝;;關于我國鈾礦資源循環(huán)經(jīng)濟的若干思考[A];小型“循環(huán)經(jīng)濟”學術研討會論文匯編[C];2008年

6 何育華;;桃山礦田尋找富大鈾礦思考的幾個問題[A];中國核科學技術進展報告（第二卷）——中國核學會2011年學術年會論文集第1冊（鈾礦地質分卷）[C];2011年

7 蔡煜琦;朱鵬飛;李曉翠;張明林;張文明;朱曉彤;;我國鈾礦資源空間分布特征與大基地建設[A];全國鈾礦大基地建設學術研討會論文集（上）[C];2012年

8 郭春影;徐浩;龐雅慶;高飛;劉佳林;;諸廣山南部長江鈾礦田構造控礦模式[A];全國鈾礦大基地建設學術研討會論文集（上）[C];2012年

9 宋連東;;GIS在鈾礦找礦中的應用[A];中國核科學技術進展報告（第二卷）——中國核學會2011年學術年會論文集第1冊（鈾礦地質分卷）[C];2011年

相關重要報紙文章 前10條

1 早報記者 俞佳;澳外長：中澳已啟動鈾礦采購談判[N];東方早報;2005年

2 記者　 卞晨;全球鈾礦可供人類至少使用85年[N];科技日報;2006年

3 本報記者 于祥明;鈾礦市場開放實施細則已在制定[N];上海證券報;2008年

4 本報記者 徐虞利;中鋼集團將加速開發(fā)中亞鈾礦[N];上海證券報;2008年

5 于祥明;鈾礦熱倒逼國內理順勘探開發(fā)機制[N];上海證券報;2008年

6 陳浩;必和必拓要向中國賣鈾礦[N];21世紀經(jīng)濟報道;2008年

7 王威 國土資源部信息中心;澳大利亞鈾礦開發(fā)進入黃金時期[N];地質勘查導報;2009年

8 本報駐蒙古國記者 霍文;蒙古國鈾礦成為經(jīng)濟增長點[N];人民日報;2009年

9 本報記者 白晶;蒙古鈾礦開發(fā) 俄羅斯搶得先機[N];中國能源報;2009年

10 李少華;全球探明鈾礦夠用百年以上[N];地質勘查導報;2010年

相關碩士學位論文 前5條

1 莫順權;鈾礦通風井尾氣核素氡大氣遷移數(shù)值模擬[D];南華大學;2015年

2 宋月嬋;數(shù)據(jù)降維算法在鈾礦堆浸工藝中的應用研究[D];東華理工大學;2016年

3 吳莎莉;我國鈾礦冶工業(yè)可持續(xù)發(fā)展研究[D];南華大學;2011年

4 張代英;老黑山地區(qū)鈾礦（多金屬）找礦方向研究[D];成都理工大學;2009年

5 廖軍;金安公司發(fā)展戰(zhàn)略研究[D];南華大學;2014年

，

本文編號：1659963