人工神经网络结合SHAP可解释性模型优化重铬酸钠形成工艺的机理研究与应用

本研究针对冶金工艺优化难题，创新性地将人工神经网络(ANN)与SHapley可解释性模型(SHAP)相结合，系统研究了焙烧-浸出过程中温度、时间、Cr:NaCl配比等参数对重铬酸钠(Na2Cr2O7)形成的影响机制。研究确定了最佳工艺条件（焙烧温度1046.26°C、酸浓度12M等），实现了铬提取率96.95%的同时显著降低Fe/Al/Mg杂质含量，为高纯度铬盐生产提供了可解释的智能优化方案。

　　

在铬盐工业生产中，传统重铬酸钠(Na₂Cr₂O₇)制备工艺面临两大核心挑战：一是传统碳酸钠焙烧法会产生大量温室气体CO₂，违背联合国可持续发展目标（SDG13）；二是工艺参数复杂，铬(VI)的毒性和致癌性要求必须精确控制反应条件以最小化残留。更棘手的是，现有方法难以解析温度、时间、配比等多参数间的非线性相互作用，导致铬提取率与产品纯度难以兼顾。

针对这些难题，国外研究人员创新性地将人工智能技术与可解释性建模相结合。发表在《Engineering Applications of Artificial Intelligence》的这项研究，通过整合人工神经网络(ANN)的预测能力和SHAP（SHapley Additive exPlanations）的可解释性分析，建立了首个涵盖焙烧-浸出全流程的智能优化模型。研究团队采用响应面法(RSM)设计了80组实验，通过生成对抗网络(GAN)将数据扩增至945组以解决过拟合问题。关键技术包括：1）多目标ANN建模，同时优化铬提取率（最大化）和Fe/Al/Mg杂质含量（最小化）；2）SHAP值计算解析各参数贡献度；3）全局敏感性分析确定关键控制因子。

研究结果部分，3.1节"ANN模型性能与敏感性分析"显示，模型在epoch 7达到最佳验证性能（MSE=435.88），R²>0.99。温度被确认为最敏感参数（系数383），其次是硫酸浓度（245）和Cr:NaCl配比（187）。3.2节"模型可解释性SHAP分析"通过决策图揭示：1000-1100°C为最优焙烧温度窗，Cr:NaCl=1.5时形成Na₃[CrO₄Cl]中间体最利于铬提取。最终模型预测在1046.26°C焙烧、12M H₂SO₄浸出条件下，可获得铬提取率96.95%且杂质Fe/Mg/Al分别降至7.89%、4.24%、6.39%。

这项研究的突破性在于：首次将SHAP可解释性分析引入冶金工艺优化，解决了传统ANN"黑箱"难题；通过Cl^-配位化学机理解释了NaCl配比的影响（见反应式17-20）；相比传统RSM方法，可行性区域扩大47%。该成果不仅为绿色铬盐生产提供了具体工艺参数（如避免>1100°C导致的Fe₂O₃过度生成），其ANN-SHAP耦合框架更可推广至其他复杂冶金流程的优化。研究团队特别指出，该方法通过减少Cr⁶⁺残留和CO₂排放，直接支持了SDG13气候行动目标，展现了人工智能在可持续冶金中的巨大潜力。