基于XGBoost-ELM的氧化铝溶出率预测研究

周廷俨，李晋宏

(北方工业大学信息学院，北京 100144)

0 引言

随着我国铝工业的大力发展，电解铝和氧化铝工业也随之快速发展，铝土矿资源匮乏已经成为制约我国铝工业发展的瓶颈，提高铝土矿的利用率有利于缓解资源紧缺的现状，是保障铝工业可持续发展的有效途径。要提高铝土矿的利用率就要充分提取铝土矿中的氧化铝，提前预测氧化铝的溶出率能够及时地对原料配比和溶出环境做一定的调整，从而最大限度地提取氧化铝。我国铝土矿质量较差，以一水硬铝石型铝土矿为主，原矿浆制备在氧化铝生产过程中具有重要作用。能否制备出可以最大限度提取氧化铝的矿浆就需要提前预测原矿浆中参与化学反应的物料的细度，物质之间的配比，最佳溶出环境等，目前人工智能技术已经广泛应用在各个领域，在预测方面也取得了较好的成果。

李勇刚等[1-3]采用神经网络和分布式SVM建立苛性比值的软测量模型，结构复杂、训练时间长、泛化能力有待提高；张艳存等[4]结合加权LS-SVM的思想和主元分析法（PCA）的特征提取能力，提出基于PCAWLSSVM的苛性比值和溶出率软测量模型，结构复杂，预测精度也不太理想。

极限学习机（ELM）是一种新的单隐含层前馈神经网络（Single-hidden Layer Feedforward Neural network，SLFN），该算法能够随机产生输入层与隐含层之间的连接权值和隐含层神经元的阈值，只需要确定隐含层神经元的个数及激活函数便可以得到全局最优解，再加上该算法具有学习速度快、泛化性能好等优点，本文将利用极限学习机对氧化铝溶出率进行预测。

1 XGBoost和ELM原理

1.1 XGBoost原理

1.2 ELM原理

极限学习机（ELM）[6]是一种新型的单隐含层前馈神经网络算法，输入层与隐含层间的连接权值及隐含层神经元的阈值随机产生，只需确定隐含层神经元个数及隐含层神经元的激活函数便可以得到全局最优解。与传统的训练方法相比，该算法具有学习速度快、泛化性能好等优点。极限学习机的网络结构图如图1所示。

图1 极限学习机结构图

其中：wij为输入层与隐含层之间的连接权重，Ok为隐含层的阈值，βij为隐含层与输出层之间的连接权重。

2 氧化铝溶出率影响因素及预测算法流程

2.1 影响氧化铝溶出率的因素

在拜耳法生产氧化铝工艺中，溶出的目的是将铝土矿中的氧化铝溶解成铝酸钠溶液，其效果好坏将直接影响到拜尔法生产氧化铝的技术经济指标，氧化铝高压溶出的过程中物理、化学反应复杂，固液气相共存，影响氧化铝溶出率的因素非常多，且它们的影响程度差距很大。采用基于XGBoost的ELM模型预测氧化铝溶出率，可以提前优化溶出条件以达到较高的溶出率。由工艺流程可得氧化铝溶出率与原矿浆配料分子比、碱液浓度、矿石细磨程度、溶出温度、溶出时间等有关。具体工艺流程中可化验的氧化铝溶出率影响因素如表1所示。

2.2 算法流程

基于XGBoost-ELM的预测模型包括两个步骤：①在影响氧化铝溶出率的众多因素中选取重要影响因素；②构建氧化铝溶出率预测模型。

表1 氧化铝溶出率的影响因素

影响氧化铝溶出率的因素众多，为了防止过拟合，利用XGBoost算法对表1中的影响因素进行重要性排序，选取主要特征作为预测模型的输入。生产过程中，溶出温度和溶出时间是影响溶出率的两个重要因素，可直接作为模型的输入，只需对剩余的因素进行排序，挑选前7位的特征和溶出温度、溶出时间一起作为模型的输入，溶出率作为模型的输出，对该模型进行训练。溶出率计算公式：

其中：溶出赤泥A/S是指溶出赤泥中Al2O3/SiO2含量的比值。

3 基于XGBoost的ELM模型

XGBoost训练数据来源于中国铝业数据中心，选取2020年中的100组数据作为样本，样本数据由溶出温度、溶出时间、原矿浆固相、原矿浆Na2O、原矿浆RP、原矿浆-63μm、原矿浆-150μm、原矿浆固相A12O3、原矿浆固相SiO2、原矿浆固相CaO、原矿浆固相A/S、原矿浆固相C/S、入磨铝土矿A/S、溶出率组成，剔除不完整和有明显错误的样本，保证数据的可靠性。

利用XGBoost对样本训练后的输出结果如图2所示。

图2 XGBoost 模型重要性排序结果

由图2可得重要性排列在前7位的分别是入磨铝土矿A/S，原矿浆固相A12O3，原矿浆-63μm，原矿浆固相C/S，原矿浆RP，原矿浆固相A/S，原矿浆Na2O。

可得最终作为模型输入的特征为入磨铝土矿A/S，原矿浆固相A12O3，原矿浆-63μm，原矿浆固相C/S，原矿浆RP，原矿浆固相A/S，原矿浆Na2O、溶出温度和溶出时间，然后用ELM建立预测模型用于实际数据的仿真试验。

从中国铝业数据中心2020年的数据中重新选取400组数据作为样本集，剔除不完整和有明显错误的样本，保证数据的可靠性，剩余样本中80%作为训练集，20%作为测试集。

仿真结果如图3～4所示。

图3 ELM 模型预测结果

图4 XGBoost-ELM 模型预测结果

由仿真结果可见，XGBoost-ELM模型的预测精度更高。表2描述了ELM、SVR、XGBoost-ELM三种不同模型的预测精度和训练时间。

表2 不同模型的性能比较

由表2可以看出XGBoost-ELM模型的预测精度和训练时间较其他两种有较好的效果。

4 结论

本文提出了基于XGBoost-ELM的氧化铝溶出率预测模型，首先利用XGBoost算法对影响氧化铝溶出率的众多因素进行重要性排序，然后挑选出影响因素排列前7的因素与溶出温度和溶出时间一起作为预测模型的输入并对模型进行训练，最后将训练好的模型用于实际的数据进行预测，并与SVR模型和未经处理的ELM模型进行对比，结果显示XGBoost-ELM预测模型结构精度较高，速度更快，能较好的预测氧化铝溶出率。