基于I−GWO−BP神经网络的紫金山铜矿浮选回收率预测研究夏永涛1，马英强1,2，印万忠1，衷水平1,2，鲁军3，张德文3，詹殷权11.福州大学紫金地质与矿业学院，福建福州350108；2.福建省新能源金属绿色提取与高值利用重点实验室，福建福州350108；3.紫金矿业集团股份有限公司，福建上杭364200中图分类号：TD952.1文献标识码：A文章编号：1001−0076（2023）03−0051−09DOI：10.13779/j.cnki.issn1001-0076.2023.03.005摘要为克服传统测量浮选回收率方式存在的低效率、滞后性等问题，结合紫金山硫化铜矿浮选厂生产情况，采用基于MI（MutualInformation）互信息法对选厂原矿品位、丁铵黑药用量等浮选条件因子进行特征选择，在此基础上，建立了基于BP（BackPropagation）、GWO−BP（GreyWolfOptimizer−BackPropagation）、I−GWO−BP（Improved−GreyWolfOptimizer−BackPropagation）的三种浮选回收率预测模型，并选取紫金山硫化铜矿浮选车间生产数据进行神经网络训练与验证试验，分析了浮选回收率预测模型的准确性。结果表明：相较于基于BP、GWO−BP的浮选回收率预测模型而言，基于I−GWO−BP的浮选回收率预测模型具有更大的相关系数和更小的均方误差根，说明该模型泛化拟合能力更强，对浮选回收率的预测值在很大程度上逼近于真实值，预测精度更高。本研究结果可为实现浮选回收率高效、准确、自动的在线预测技术开发提供支持。关键词浮选回收率；互信息法；BP神经网络；改进的灰狼算法浮选回收率是衡量选矿生产质量的重要指标之一。通过人工化验、仪器测量、计算获得的实时回收率数据可帮助工人及时调整浮选条件进而改善浮选指标，但这种方式效率低、成本高、误差大。同时，通过传统的物理化学反应和内部因素来建立浮选回收率预测模型有很大难度。因此，一些学者通过软测量建模的研究方法，以期实现对浮选回收率的快速、自动、准确预测。尤其是近年来，人工神经网络在浮选回收率预测方面应用逐渐变多。刘青等[1]在大量现场生产数据的基础上，分别采用多元线性回归和BP神经网络建模精准实现了对金矿选矿厂浮选回收率的预测。刘利敏等[2]利用BP神经网络对矿浆浓度、pH值、充气量大小、药剂用量、泡沫层厚度与浮选回收率之间的数学关系进行了拟合，其输出值能以较高精度逼近实际样本数据。王衡嵩等[3]建立了磨矿细度、戊基黄药用量、碳酸钠用量、硫酸铜用量和硫化钠用量与浮选回收率的反向传播神经网络（BPNN）模型，通过验证实验表明：浮选回收率较响应...
