资源描述:
第5 9 卷第3 期 20 07 年8 月 有色金属 N o n f e r r o t l M e t a l s V 0 1 .5 9 .N o .3 A l 曙u s t2 007 人工神经网络在锌精矿矿浆浸出与 萃取耦合操作中的应用 康晓红,朱红 北京交通大学理学院,北京1 0 0 0 4 4 摘要将人工神经网络方法应用于锌精矿的在浆浸出与硫磺萃取耦合操作的研究,建立锌授出率与各工艺参数之阊的关系, 并对新工艺参数下的锌浸出率进行预报。结果表明预报数据与试验数据能很好吻合,预报结果与试验值的绝对误差小于2 .5 %。 关键词冶金技术;锌精矿;人工神经网络;浸出;萃取 中图分类号T F S 0 3 .2 1 文献标识码A 文章编号1 0 0 1 一0 2 1 l 2 0 0 7 0 3 0 0 6 2 一0 3 人工神经网络 a r t i f i c i a ln e u r a ln e t w o r k ,简称为 A N N 是一类试图模拟人脑神经网络结构的新型数 据处理系统,具有自适应、自学习的功能,特别适合 处理复杂、非线性系统的建模、预测[ 1 | 。由于其信 息具有分布存储的特点,所建立的模型具有一定程, 度的抗干扰性。近年来,人工神经网络在化学、化工 以及材料设计等诸多领域得到了广泛应用,成为数 据处理的一种有效手段[ 2 - 3 】。 将人工神经网络方法应用于锌精矿的矿浆浸出 与硫磺萃取耦合操作的研究,建立了锌浸出率与各 工艺参数之间的关系,并对新工艺参数下的锌浸出 率进行了预报,实现了人工神经网络技术对工艺参 数的优化和预报。 ’’ 1 人工神经网络工作原理L 4 咱J 人工神经网络目前应用较广泛的训练方法为误 差反向传播 b a c k e r r o rp r o g a g a f i n g ,B P 算法。B P 网 络由输入层 i n p u tl a y e r 、输出层 o u t p u tl a y e r 和隐含 层 h i d d e nh y e r 组成,隐含层可以是多层,传递函数 为斯格莫都 S i g m o i d 函数。B P 算法的学习过程包括 信息的正向传播和误差的反向传播。在信号正向传 播的过程中,输入信息从输入层经隐含层逐层处理并 传向输出层。如果输出层不能得到预期的输出,则将 误差信号按原路返回,通过修改各层神经元之间连接 权值,使得误差信号最小,从而完成网络的学习过程。 网络各层神经元之间的连接权以及隐含层、输 收稿日期2 0 0 5 一l l 0 7 基金项目校基金资助项目 S 0 6 J 0 1 2 0 作者简介康晓 1 9 7 4 一 .女。河北昌黎县人,讲师,博士,主要从 事纳米材料与湿法冶金等方面的研究。 出层各神经元阀值的调整量按下列关系计算 f a { 1 /[ 1 e x p 一2 二侧俨f 一已 ] ;△侧o N 犀吐口, 私侧白 N o 卢 1 ;A v O N a e j k a l k 私v f , N 0 口 9 3 ;2 类点叩 9 3 。 采用5 的三层B P 网络结构,利用斯格莫都传 递函数,学习系数口 0 .6 ,卢 0 .5 ,惯性系数为 0 .4 ,调整连接权∞由,以最近5 0 0 次的训练误差 0 .1 6 4 6 为收敛标志,训练人工神经网络次数为8 万 次。用训练好的人工神经网络对各样本的分类值进 行拟合,人工神经网络对锌浸出率学习及拟合结果 如表2 和图1 所示,横坐标表示试验值,纵坐标表示 人工神经网络的拟合值,可以看出,线性相关系数接 近l 。误差较小。 图1 人工神经网络对锌浸出率学习及拟合结果 F i g .1L e a r n i n ga n dc o r r e l a t i o nr e s u l t so f z i n ce x t r a c t i n gb yA N N 表1 试验样本点 T a b l e1 S a m p l e so fm e .鹄u t e m e l t l t 序号蹦彬T / C “墨,,二m 龟‰ 126 2 .9 78 50 .52 032 6 6 .6 5 9 3 .9 2 9 7 .1 8 4 0 .2 5 3 4 .4 4 7 9 .6 9 9 0 .2 4 9 4 .2 4 9 7 .1 8 9 8 .4 3 9 8 .6 l 9 1 .6 l 9 3 .0 6 9 4 .7 7 9 5 .o o 9 4 .9 6 9 6 .∞ 9 5 .8 6 5 7 .1 5 8 0 .5 9 9 2 .6 1 9 6 .4 3 9 6 .8 8 9 7 .1 8 9 6 .7 7 9 5 .1 4 表2 人工神经网络学习及拟合结果 “Table2L e a r n i n ga n dc o r r e l a t i o nr e s u l t sb yA N N 序号 l i l l dT /℃ [ C H C l ] / t o o l L 一1 V o /m L t P a C / g L _ 1 口∞/%7 叫/%D c a l - e x p E r r o r /% l28 5O .52 0326 2 .9 76 3 .4 3 0 70 .4 6 0 7 ‘228 512 0326 6 .6 56 7 .1 1 5 90 .4 6 5 9 318 532 0329 3 .9 2 9 7 .0 2 0 83 .1 0 0 8 4l8 542 0329 7 .1 89 8 .4 3 6 71 .2 5 6 7 526 532 0324 0 .2 54 0 .5 1 8 00 .2 6 8 0 628 532 0O .523 4 .4 43 4 .4 7 0 90 .1 2 6 9 7 28 5 3 2 0 l 2 7 9 .6 98 0 .2 3 8 10 .5 4 8 1 828 532 0 ’ 1 .52帅.2 49 0 .6 2 4 60 .3 8 4 6 9l8 532 0229 4 .2 49 3 .9 9 7 1一O .2 4 2 9 1 0l8 532 0329 7 .1 89 7 .0 2 0 80 .1 5 9 2 1 118 532 0429 8 .4 39 8 .3 0 1 40 .1 2 8 6 1 218 532 0 529 8 .6 1 9 8 .8 5 7 9 0 .2 4 7 9 1 328 531329 1 .6 19 2 .6 4 7 61 .0 3 7 6 1 418 531 .53 ⋯ 29 3 .0 69 3 .2 9 6 00 .2 3 6 0 1 5l8 532329 4 .7 79 3 .8 3 0 60 .9 3 9 4 1 6 l 8 5 3 1 0329 59 6 .4 6 5 81 .4 6 5 8 1 7l 8 5 3 1 5329 4 .9 69 6 .7 9 2 61 .8 3 2 6 1 8l8 532 5329 6 9 7 .2 1 5 6 1 .2 1 5 6 1 9l8 533 0329 5 .8 69 7 .3 8 8 01 .5 2 8 0 2 02 8 532 03O5 7 .1 56 1 .4 9 8 54 .3 4 8 5 2 1 28 5 32 0 3O .18 0 .5 97 5 .4 5 8 65 .1 3 1 3 2 228 532 03O .3 9 2 .6 l8 9 .6 0 8 73 .0 0 1 3 0 .7 3 1 6 0 .6 9 9 0 3 .3 0 1 5 1 .2 9 3 2 O .6 6 5 7 0 .3 6 9 4 0 .6 8 7 8 0 .4 2 6 2 0 .2 5 7 8 0 .1 6 3 8 0 .1 3 0 7 0 .2 5 1 4 1 .1 3 2 6 0 .2 5 3 6 0 .9 9 1 3 1 .5 4 2 9 1 .9 2 9 9 1 .2 6 6 2 1 .5 9 4 0 7 .6 0 8 9 6 .3 6 7 2 3 .2 4 0 6 丝.墅.。..垫2 竺 竺 墅 箜 旦 箜..竺 垫 1 3 6 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 O玑玑玑l 2 5 加 3 3 3 3 j 1 j 2 3 4 5 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 O l 加加∞∞∞∞加∞加加加。2 m塔笱∞加加∞∞∞加∞加 l 3 4 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 32;222;2跖酷黔豁舒2髂晒2跖222;2酤晒龉222踮 2 l 1 2 2 2 2 l 1 l l 2 l l l l l i 2 2 2 l l l l 1 2 3 4 ,0 7 0 9 加n 心n M u撕“埔“.加n毖幻孔笱拍打 万方数据 6 4 有色金属第5 9 卷 2 .2 人工神经网络预报的结果与实验验证 训练好的人工神经网络可以对设计样本进行定 量预报。表3 是对预留的5 组预报结果与试验结果 的比较。可以看出预报偏差绝对值均小于2 .5 %,预 报值与试验值吻合得很好,同时预报偏差绝对值的 最大值为2 .2 %,平均值为1 .3 %,均小于训练偏差 绝对值的最大值7 .6 %,平均值1 .4 %,这说明人工 神经网络的训练未出现“过拟合”,训练结果是可信 的,能用于指导实验。 表3 设计样本的预报与实验结果比较 T a b l e3P r e d i c t i o na n dt e s tr e s u l t so fd e s i g n e ds a m p l e s T /℃ [ C H C I ] / t o o l - L - 1 y o /m L t /h C / g L “ 口钟/%铷/%D c 8 1 - e x p E r r o r /% 8 522 0328 6 .38 7 .0 7 5 80 .7 7 5 80 .8 9 9 0 8 532 0329 4 .9 69 7 .0 1 9 12 .0 5 9 12 .1 6 8 4 8 530 .5328 6 .5 98 7 .8 5 6 71 .2 6 6 71 .4 6 2 9 8 535 .O 3 ‘ 2 9 5 9 5 .5 9 2 4 0 .5 9 2 40 .6 2 3 6 8 533 53 2 9 6 .4 59 7 .5 3 9 71 .0 8 9 71 .1 2 9 8 3结论 利用5 3 1 的人工神经网络B P 模型,在已 有试验数据的基础上,对锌精矿矿浆浸出与硫磺萃 取的耦合操作工艺进行了模型化,建立了稳定的输 参考文献 人与输出非线性关系。并用训练好的人工神经网络 对设计的实验样本点进行了定量预报,预报结果与 试验值的误差绝对值小于2 .5 %,网络训练结果可 靠,能指导试验。 ’ 【1 ] 焦李成.神经网络的应用与实现【M ] .西安西安电子科技大学出版社,1 9 9 3 6 2 2 . [ 2 ] 刘国华,包宏,李文超.人工神经网络在材料设计中的应用及其若干共性问题的研究[ J ] .计算机与应用化学,2 0 0 1 , 1 8 4 3 8 8 3 9 2 . [ 3 ] 吕永文,夏宗宁,赖树纲,等.材料设计专家系统与人工神经网络的应用[ J 】.材料导报,1 9 9 4 ,8 6 1 4 . [ 4 ] 殷勤业,杨宗凯,谈正.模式识别与神经网络[ M ] .北京机械工业出版社,1 9 9 2 1 1 3 1 6 5 . 【5 ] T a n g Y S ,W a n g T C .T h e 啦o f n e u r a l n e t w o r k i np r e d i c t i n g t u r n i n g f o r c e [ J ] .J M a t e r i a l s P r o c e s s i n g T e e h ,1 9 9 5 ,4 7 3 /4 2 7 3 2 8 9 . , [ 6 】张兆春,吴铸,李重河.模式识别一人工神经网络在改善汽车发动机缸体铸件力学性能方面的应用[ J ] .金属学报, 1 9 9 8 。3 4 1 0 1 0 6 8 一1 0 7 2 . A p p l i c a t i o no fA r t i f i c i a lN e u r a lN e t w o r kt oS p h a l e r i t eL e a c h i n gb yF e C l 3 H C I T e t r a c h l o r o e t h y l e n eS y s t e m K A N GX i a o - h o n g ,Z H UH o n g S c h o o lo f i e n 罐,B e i j i n gJ i a o T o n gU n i v e r s i t y ,B e i j i n g1 0 0 0 4 4 ,C h i n a A b s t r a c t A r t i f i c i a ln e u r a ln e t w o r km e t h o di sa p p l i e dt ot h ei n v e s t i g a t i o nf o rt h ei n t e g e rp r o c e s so fs p h a l e r i t el e a c h i n g a n ds u l f u re x t r a c t i o ni nF .e C l 3 一H C l 一t e t r a c h l o r o e t h y l e n es y s t e m .T h er e l a t i o n s h i pb e t w e e nt h ez i n cr e c o v e r ya n d t h ef a c t o r si n f l u e n c i n go nl e a c h i n gp r o c e s si se s t a b l i s h e d .M e a n w h i l e ,t h ez i n cr e c o v e r yw i t ht h en e wf a c t o r si s p r e d i c t e dq u a n t i t a t i v e l y .T h er e s u l t ss h o wt h a tt h ec a l c u l a t i o nd a t aa r ew e l li na g r e e m e n tw i t he x p e r i m e n t a l o n e s .t h ea b s o l u t ee r r o ro fp r e d i c t i o ni sb e l o w2 .5 %. K e y w o r d s m e t a l l u r g i c a lt e c h n o l o g y ;z i n cc o n c e n t r a t e ;a r t i f i c i a ln e u r a ln e t w o r k ;l e a c h i n g ;e x t r a c t i o n ~一一一一一一 万方数据
展开阅读全文