基于XGBoost-ELM的氧化鋁溶出率預測研究

周廷儼，李晉宏

(北方工業大學信息學院，北京 100144)

0 引言

隨著我國鋁工業的大力發展，電解鋁和氧化鋁工業也隨之快速發展，鋁土礦資源匱乏已經成為制約我國鋁工業發展的瓶頸，提高鋁土礦的利用率有利于緩解資源緊缺的現狀，是保障鋁工業可持續發展的有效途徑。要提高鋁土礦的利用率就要充分提取鋁土礦中的氧化鋁，提前預測氧化鋁的溶出率能夠及時地對原料配比和溶出環境做一定的調整，從而最大限度地提取氧化鋁。我國鋁土礦質量較差，以一水硬鋁石型鋁土礦為主，原礦漿制備在氧化鋁生產過程中具有重要作用。能否制備出可以最大限度提取氧化鋁的礦漿就需要提前預測原礦漿中參與化學反應的物料的細度，物質之間的配比，最佳溶出環境等，目前人工智能技術已經廣泛應用在各個領域，在預測方面也取得了較好的成果。

李勇剛等[1-3]采用神經網絡和分布式SVM建立苛性比值的軟測量模型，結構復雜、訓練時間長、泛化能力有待提高；張艷存等[4]結合加權LS-SVM的思想和主元分析法（PCA）的特征提取能力，提出基于PCAWLSSVM的苛性比值和溶出率軟測量模型，結構復雜，預測精度也不太理想。

極限學習機（ELM）是一種新的單隱含層前饋神經網絡（Single-hidden Layer Feedforward Neural network，SLFN），該算法能夠隨機產生輸入層與隱含層之間的連接權值和隱含層神經元的閾值，只需要確定隱含層神經元的個數及激活函數便可以得到全局最優解，再加上該算法具有學習速度快、泛化性能好等優點，本文將利用極限學習機對氧化鋁溶出率進行預測。

1 XGBoost和ELM原理

1.1 XGBoost原理

1.2 ELM原理

極限學習機（ELM）[6]是一種新型的單隱含層前饋神經網絡算法，輸入層與隱含層間的連接權值及隱含層神經元的閾值隨機產生，只需確定隱含層神經元個數及隱含層神經元的激活函數便可以得到全局最優解。與傳統的訓練方法相比，該算法具有學習速度快、泛化性能好等優點。極限學習機的網絡結構圖如圖1所示。

圖1 極限學習機結構圖

其中：wij為輸入層與隱含層之間的連接權重，Ok為隱含層的閾值，βij為隱含層與輸出層之間的連接權重。

2 氧化鋁溶出率影響因素及預測算法流程

2.1 影響氧化鋁溶出率的因素

在拜耳法生產氧化鋁工藝中，溶出的目的是將鋁土礦中的氧化鋁溶解成鋁酸鈉溶液，其效果好壞將直接影響到拜爾法生產氧化鋁的技術經濟指標，氧化鋁高壓溶出的過程中物理、化學反應復雜，固液氣相共存，影響氧化鋁溶出率的因素非常多，且它們的影響程度差距很大。采用基于XGBoost的ELM模型預測氧化鋁溶出率，可以提前優化溶出條件以達到較高的溶出率。由工藝流程可得氧化鋁溶出率與原礦漿配料分子比、堿液濃度、礦石細磨程度、溶出溫度、溶出時間等有關。具體工藝流程中可化驗的氧化鋁溶出率影響因素如表1所示。

2.2 算法流程

基于XGBoost-ELM的預測模型包括兩個步驟：①在影響氧化鋁溶出率的眾多因素中選取重要影響因素；②構建氧化鋁溶出率預測模型。

表1 氧化鋁溶出率的影響因素

影響氧化鋁溶出率的因素眾多，為了防止過擬合，利用XGBoost算法對表1中的影響因素進行重要性排序，選取主要特征作為預測模型的輸入。生產過程中，溶出溫度和溶出時間是影響溶出率的兩個重要因素，可直接作為模型的輸入，只需對剩余的因素進行排序，挑選前7位的特征和溶出溫度、溶出時間一起作為模型的輸入，溶出率作為模型的輸出，對該模型進行訓練。溶出率計算公式：

其中：溶出赤泥A/S是指溶出赤泥中Al2O3/SiO2含量的比值。

3 基于XGBoost的ELM模型

XGBoost訓練數據來源于中國鋁業數據中心，選取2020年中的100組數據作為樣本，樣本數據由溶出溫度、溶出時間、原礦漿固相、原礦漿Na2O、原礦漿RP、原礦漿-63μm、原礦漿-150μm、原礦漿固相A12O3、原礦漿固相SiO2、原礦漿固相CaO、原礦漿固相A/S、原礦漿固相C/S、入磨鋁土礦A/S、溶出率組成，剔除不完整和有明顯錯誤的樣本，保證數據的可靠性。

利用XGBoost對樣本訓練后的輸出結果如圖2所示。

圖2 XGBoost 模型重要性排序結果

由圖2可得重要性排列在前7位的分別是入磨鋁土礦A/S，原礦漿固相A12O3，原礦漿-63μm，原礦漿固相C/S，原礦漿RP，原礦漿固相A/S，原礦漿Na2O。

可得最終作為模型輸入的特征為入磨鋁土礦A/S，原礦漿固相A12O3，原礦漿-63μm，原礦漿固相C/S，原礦漿RP，原礦漿固相A/S，原礦漿Na2O、溶出溫度和溶出時間，然后用ELM建立預測模型用于實際數據的仿真試驗。

從中國鋁業數據中心2020年的數據中重新選取400組數據作為樣本集，剔除不完整和有明顯錯誤的樣本，保證數據的可靠性，剩余樣本中80%作為訓練集，20%作為測試集。

仿真結果如圖3～4所示。

圖3 ELM 模型預測結果

圖4 XGBoost-ELM 模型預測結果

由仿真結果可見，XGBoost-ELM模型的預測精度更高。表2描述了ELM、SVR、XGBoost-ELM三種不同模型的預測精度和訓練時間。

表2 不同模型的性能比較

由表2可以看出XGBoost-ELM模型的預測精度和訓練時間較其他兩種有較好的效果。

4 結論

本文提出了基于XGBoost-ELM的氧化鋁溶出率預測模型，首先利用XGBoost算法對影響氧化鋁溶出率的眾多因素進行重要性排序，然后挑選出影響因素排列前7的因素與溶出溫度和溶出時間一起作為預測模型的輸入并對模型進行訓練，最后將訓練好的模型用于實際的數據進行預測，并與SVR模型和未經處理的ELM模型進行對比，結果顯示XGBoost-ELM預測模型結構精度較高，速度更快，能較好的預測氧化鋁溶出率。