【摘要】：生物浸出技術(shù)通常指由自然界存在的微生物對礦石進(jìn)行的細(xì)菌氧化或生物氧化.即它是利用一些微生物或其代謝產(chǎn)物具有氧化、還原、溶解或吸附某些礦物或離子的作用來提取礦石或溶液中的有價金屬的一種技術(shù).它在鈾礦中的應(yīng)用始于20世紀(jì)50年代.研究表明細(xì)菌堆浸技術(shù)具有良好的經(jīng)濟(jì)效益和環(huán)境效益.我國鈾礦石的堆浸工業(yè)生產(chǎn)始于八十年代初期,并于2002年成功實(shí)現(xiàn)產(chǎn)業(yè)化,取得了良好的技術(shù)經(jīng)濟(jì)效益. 近年來對鈾礦堆浸技術(shù)的研究,特別是對堆浸過程的建模分析已越來越引起人們的關(guān)注.如何建立合理的堆浸工藝的數(shù)學(xué)模型,為不斷完善鈾礦堆浸系統(tǒng)的理論與實(shí)踐提供可靠的定量研究方法,是鈾礦堆浸工藝中一個熱點(diǎn)與難點(diǎn)問題.在具體的生產(chǎn)工藝中,影響堆浸工藝鈾礦浸出率的因素較多,且工藝的運(yùn)行中產(chǎn)生的數(shù)據(jù)具有時序性、非線性的特點(diǎn),這就要求我們應(yīng)用非線性時間序列分析方法研究堆浸現(xiàn)象,探尋其變化規(guī)律. 現(xiàn)實(shí)世界中絕大多數(shù)事物性質(zhì)都具有混沌性.本文采用由某批次鈾礦堆浸工藝產(chǎn)生的樣品數(shù)據(jù),首先,利用單一GM(1,n）模型對鈾的累計(jì)浸出率做了預(yù)測及擬合分析,利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了預(yù)測研究.然后,對鈾礦堆浸系統(tǒng)進(jìn)行混沌識別,借助相空間重構(gòu)理論,構(gòu)建了基于相空間重構(gòu)的局部最鄰近預(yù)測算法、基于相空間重構(gòu)的灰色預(yù)測算法,對鈾的累計(jì)浸出率進(jìn)行了聯(lián)合預(yù)測和擬合分析. 利用上述方法對鈾的累計(jì)浸出率預(yù)測效果如下:(1)基于單一GM(1,n）模型的預(yù)測結(jié)果為平均相對預(yù)測誤差是0.0739,小誤差概率是P=0.6154,后驗(yàn)差比值C=1.0041;(2)采用經(jīng)典BP神經(jīng)網(wǎng)絡(luò)預(yù)測算法得到的平均相對預(yù)測誤差為0.0081;(3)利用重構(gòu)后相空間上的點(diǎn)作為最鄰近點(diǎn),采用局部最鄰近預(yù)測技術(shù)分別進(jìn)行了四組預(yù)測,預(yù)測結(jié)果為最大平均相對預(yù)測誤差是R1=4.8664e-004,最小為R2=7.5822e-005;(4)基于相空間重構(gòu)和GM(1,n）模型組合預(yù)測算法的預(yù)測結(jié)果為平均相對預(yù)測誤差是0.0063,小誤差概率為P=1,后驗(yàn)差比值為C=0.1831. 對鈾的累計(jì)浸出率的擬合效果為:(1)基于單一GM(1,n)模型的擬合結(jié)果為平均相對預(yù)測誤差是0.0087,小誤差概率是P=1,后驗(yàn)差比值是C=0.3493;(2)采用基于相空間重構(gòu)和GM(1,n)模型組合算法的擬合結(jié)果為平均相對預(yù)測誤差是0.0046,小誤差概率是P=1,后驗(yàn)差比值是C=0.1631. 通過本文研究表明,鈾礦堆浸工藝系統(tǒng)具有混沌的性質(zhì),且基于相空間重構(gòu)的兩種預(yù)測算法的預(yù)測效果均較好,基于相空間重構(gòu)的預(yù)測算法是比較科學(xué)的預(yù)測算法. 本文中，計(jì)算機(jī)仿真均采用MATLAB語言,所引用的數(shù)據(jù)來自堆浸工藝生產(chǎn)中某礦區(qū)ZQ8堆浸柱運(yùn)行過程中產(chǎn)生的一批實(shí)測數(shù)據(jù).
【圖文】：

1圖 1-1 地表堆浸法示意圖Fig.1-1 surface heap leaching diagram微生物技術(shù)在鈾礦的應(yīng)用始于 20 世紀(jì) 50 年代.細(xì)菌浸出鈾鐳公司”在1953年開始進(jìn)行的鈾礦自然浸出研究,并在1956年的

3.1 BP 算法原理 神經(jīng)網(wǎng)絡(luò)預(yù)測是一種非線性學(xué)習(xí)的過程. 基本的幾種神經(jīng)網(wǎng)絡(luò)模型有:模型[22]、徑向基網(wǎng)絡(luò)模型[23]、Hopfield 網(wǎng)絡(luò)模型和自適應(yīng)模型等.BP 算法是一種基于感知器的用于前饋多層網(wǎng)絡(luò)的監(jiān)督學(xué)習(xí)算法[24]. 本絡(luò)采用的是誤差反向傳播的梯度下降算法學(xué)習(xí)規(guī)則[25].這種算法是神經(jīng)網(wǎng)絡(luò)經(jīng)典的，使用最廣泛、最有效、算法最成熟的一類 BP 神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)習(xí)的設(shè)想，當(dāng)給定網(wǎng)絡(luò)一個輸入模式時，，它從輸入層單元傳到隱含層單元，單元逐層處理后再發(fā)送到輸出層單元，經(jīng)輸出層單元處理后產(chǎn)生一個輸出模一個逐層狀態(tài)更新的過程，稱為前向傳播，如果輸出響應(yīng)與期望輸出模式有滿足要求，則轉(zhuǎn)入誤差反向傳播，將誤差值沿連接通路逐層反向傳送并修正權(quán)值和閾值，當(dāng)各個訓(xùn)練模式都滿足要求時，那么學(xué)習(xí)結(jié)束.多層感知器結(jié)構(gòu)圖一般如下圖所示[26].
【學(xué)位授予單位】：東華理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2013
【分類號】：TP301.6;N941.5

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王海燕,朱梅;混沌時間序列單變量和多變量重構(gòu)的預(yù)測比較(英文)[J];Journal of Southeast University(English Edition);2003年04期

2 張雨;任成龍;;確定重構(gòu)相空間維數(shù)的方法[J];國防科技大學(xué)學(xué)報;2005年06期

3 靳伍銀;劉昊;張馳;馮瑞成;;非線性時間序列的相空間重構(gòu)參數(shù)估計(jì)的新算法[J];蘭州理工大學(xué)學(xué)報;2009年04期

4 陳敏;葉曉舟;;混沌時間序列的判定方法研究[J];信息技術(shù);2008年06期

5 邱欣,池汝安,徐盛明,朱國才;堆浸工藝及理論的研究進(jìn)展[J];金屬礦山;2000年11期

6 姚洪興;姜桂仁;耿霞;;相空間重構(gòu)中參數(shù)確定方法的新探討[J];江蘇大學(xué)學(xué)報(自然科學(xué)版);2005年S1期

7 蔣培,胡曉棠;一種新的選擇相空間重構(gòu)參數(shù)的方法[J];機(jī)械科學(xué)與技術(shù);2001年03期

8 劉光萍;杜萍;王琨;;分形理論在湖泊富營養(yǎng)化評價中的應(yīng)用[J];江西農(nóng)業(yè)大學(xué)學(xué)報;2005年06期

9 許穎;陳輝;;基于G-P算法的滬市混沌性分析[J];科技創(chuàng)業(yè)月刊;2007年12期

10 陸婕,顧圣士,蔣馥;多維時間序列在相空間重構(gòu)中的應(yīng)用[J];洛陽大學(xué)學(xué)報;2002年02期

本文編號：2679587