基于堆叠集成学习的黄铜废料铜浸出率数据驱动预测研究

本研究创新性地采用堆叠集成学习（GPR/SVR/LSBoost+LR meta-learner）模型，通过6大实验参数（浸出时间、酸浓度、H2O2浓度等）预测黄铜熔渣的铜浸出率，以RMSE 0.853、R2 0.994的优异性能实现湿法冶金（hydrometallurgy）工艺优化，为工业废料资源化提供AI驱动新范式。

　　

研究亮点

• 首创将堆叠集成学习模型（结合GPR、SVR和LSBoost基学习器与线性元学习器）应用于黄铜熔渣铜浸出率预测，实现更高精度与泛化能力

• 首次针对黄铜熔渣（brass melting slag）这一工业二次废料开展机器学习辅助的铜回收研究，填补领域空白

• 通过219组系统实验构建数据集，相较既往小样本研究显著提升模型在多变工艺条件下的可靠性

材料与方法

堆叠模型架构与实施

为捕捉浸出工艺中复杂的非线性相互作用，本研究采用三层架构的堆叠集成学习：

阶段1：数据预处理与分区

原始实验数据经过标准化处理后，按7:3比例拆分为训练集和测试集，确保模型评估的客观性。

阶段2：基模型训练

三大核心算法同步优化：

• 高斯过程回归（GPR）捕捉参数间概率关系

• 支持向量回归（SVR）构建高维特征空间决策边界

• 最小二乘提升（LSBoost）通过迭代决策树修正误差

阶段3：元学习与最终预测

基模型的预测结果作为新特征输入线性回归（LR）元学习器，像"智慧陪审团"般综合各模型优势，最终输出铜浸出率预测值。

相关性分析与特征重要性

通过皮尔逊相关系数矩阵发现：酸浓度（r=0.82）和温度（r=0.79）与铜浸出率呈强正相关，而固液比（r=-0.61）则显示负向影响。有趣的是，H₂O₂浓度在0.5-1.5 M区间存在"甜蜜点"，过高反而会抑制铜溶解——这解释了传统单变量优化常遗漏的阈值效应。

结论

本研究所构建的"AI冶金专家系统"不仅实现铜浸出率预测误差（MAE 0.668%）较传统方法降低42%，更揭示参数间的协同效应：当酸浓度1.5M与温度75°C组合时，铜回收率出现"1+1>2"的增效现象。该模型可直接嵌入现有湿法冶金生产线，每年为处理万吨级黄铜废料的企业节省300+小时实验调试时间。