基于堆叠集成学习的黄铜熔渣铜浸出率预测模型及其在资源回收中的应用

本文推荐：本研究创新性地采用堆叠集成学习（GPR/SVR/LSBoost+LR meta-learner）建模，通过219组实验数据优化黄铜熔渣（含Cu 20%）的湿法冶金（H2SO4-H2O2体系）铜浸出参数（时间/酸浓度/温度等6变量），预测精度达R2=0.994，为工业废料资源化提供高效AI解决方案。

　　

Highlight亮点

• 首创堆叠集成学习模型（GPR/SVR/LSBoost+线性元学习器），铜浸出率预测精度显著提升

• 首次将机器学习应用于黄铜熔渣（brass melting slag）的铜回收研究，填补工业二次废料研究空白

• 基于219组系统实验数据，比多数既往研究更具样本多样性

• 数据驱动策略显著提升湿法冶金工艺效率，避免额外长期实验

Materials and methods材料与方法

实验采用经均质化处理的黄铜熔渣（XRF显示含Cu 20.3%），在H₂SO₄-H₂O₂体系中进行参数化浸出实验，监测6项关键参数：浸出时间（0.5-8h）、酸浓度（0.1-2M）、H₂O₂浓度（0-15%）、搅拌速度（200-600rpm）、温度（25-95°C）和固液比（1:10-1:50）。

Stacking model architecture and implementation堆叠模型架构

如图3所示的三阶段架构：

1. 数据预处理：对原始实验数据进行标准化并采用k折交叉验证（k=10）划分

2. 基模型训练：同步优化高斯过程回归（GPR）、支持向量回归（SVR）和最小二乘提升（LSBoost）的超参数

3. 元学习：通过线性回归整合基模型预测结果，最终输出铜浸出率预测值

Correlation analysis特征相关性分析

皮尔逊矩阵显示（图4）：温度（r=0.82）和酸浓度（r=0.79）与铜浸出率呈强正相关，而固液比（r=-0.65）呈负相关。SHAP值分析进一步揭示H₂O₂浓度在>7%时存在收益递减效应。

Conclusions结论

该堆叠模型在测试集表现优异（RMSE=0.853，R²=0.994），较单模型预测误差降低18.7%。研究证实机器学习可精准捕捉湿法冶金中的非线性相互作用，为工业级铜回收工艺优化提供智能决策工具。