贾 皓,廖文胜,杜志明,王亚安,王立民

(1.核工业北京化工冶金研究院,北京 101149;2.中核矿业科技集团有限公司,北京 101149)

随着地浸采铀工艺的日趋成熟,地浸勘探领域智能化逐渐完善,通过与大数据、人工智能算法的深度融合,大幅提高了勘探工作效率与质量[1];地浸与水冶过程也基本实现了实时监控与数据集成调度,但对于在生产过程中采集的数据仍然存在只收集不处理,或仅对数据直观判断的情况[2]。对于海量数据,未进行深层挖掘与分析建模,不仅无法根据已有的生产参数安排未来生产计划,也无法精准把握矿区的生产趋势[3-4]。

在铀矿采区开发的中后期,随着金属浸采率不断增加,其浸出液铀浓度与水量通常呈下降趋势,通过洗井、注液过滤、增强抽注循环等方式虽能够在短期内增加金属产量[5];但囿于资源总量,整体上金属产量仍呈降低趋势,导致开采成本显著增加。实际生产中的井场,在集控室与水冶车间对抽注液量、压力、金属浓度等参数的实时监控与采集,不仅能够对生产异常即时诊断,更有利于形成广泛全面的生产数据库。根据长周期下的生产参数建立数据模型,从而准确预测金属产量,可为采区未来生产制度的调整与矿区的整体经济性评价提供参考。

1 预测算法研究现状

1.1 智能算法应用领域

目前,铀矿采区金属日产量预测主要通过平均铀浓度与日抽液量乘积求取,误差较大。基于人工智能算法的采区产量预测在铀矿领域研究较少,而在石油天然气、煤炭、稀土等领域应用较为成熟。……