陈 溥

(柳州铁道职业技术学院，广西 柳州 545616)

目前，国内外有关铜溶剂萃取过程中的建模研究较少，建立使用模型对于萃取过程中的自动控制有重要意义[1-5]。建立关键生产指标预测模型，对萃取过程的控制和优化至关重要，但影响过程操作的重要动力学传质速率无法测量。研究提出了一种适用于铜萃取过程中的结合机理模型和数据模型的混合模型。该模型由参数未知(传质速率)的机理模型和参数未知的数据预测模型组合而成。利用核偏最小二乘法(kernel partial least square，KPLS)建立传质速率预测模型，通过仿真与BP(back propagation)神经网络的混合模型进行对比分析。

1 铜溶剂萃取过程概述

铜萃取过程可分解为萃取、洗涤、反萃取3个阶段[6-7]。

萃取阶段：含有铜离子的水相与有机相混合，铜离子被萃入到有机相[8]。洗涤阶段：负载有机相用洗涤剂洗涤，将夹带的金属离子洗出有机相。反萃取阶段：用反萃取剂对洗涤后有机相进行反萃取，使铜离子返回水相。

影响铜溶剂萃取过程的因素有相比、温度、水相pH、萃取剂浓度、被萃取金属离子浓度等[9-10]。

2 混合建模

铜萃取过程机理模型的未知参数实际上无法测量，所以，提出了一种混合模型。该模型将机理模型和数据模型相结合，由参数(传质速率)未知的机理模型和参数未知的数据预测模型组成[11]。用KPLS法分别建立数据预测模型。

2.1 动态机理模型

动态机理模型描述萃取过程中组分浓度随时间的变化，是溶剂萃取过程控制系统的依据，有助于实现组分浓度优化控制。……