文摘为克服传统测量浮选回收率方式存在的低效率、滞后性等问题,结合紫金山硫化铜矿浮选厂生产情况,采用基于MI(Mutual Information)互信息法对选厂原矿品位、丁铵黑药用量等浮选条件因子进行特征选择,在此基础上,建立了基于BP(Back Propagation)、GWO-BP(Grey Wolf Optimizer-Back Propagation)、I-GWO-BP(Improved-Grey Wolf Optimizer-Back Propagation)的三种浮选回收率预测模型,并选取紫金山硫化铜矿浮选车间生产数据进行神经网络训练与验证试验,分析了浮选回收率预测模型的准确性。结果表明:相较于基于BP、GWO-BP的浮选回收率预测模型而言,基于I-GWO-BP的浮选回收率预测模型具有更大的相关系数和更小的均方误差根,说明该模型泛化拟合能力更强,对浮选回收率的预测值在很大程度上逼近于真实值,预测精度更高。本研究结果可为实现浮选回收率高效、准确、自动的在线预测技术开发提供支持。
