基于深度学习的地浸采矿浸出液金属浓度预测系统及方法技术方案

本发明专利技术公开了一种基于深度学习的地浸采矿浸出液金属浓度预测系统及方法，该系统包括依次连接的基于时间注意力机制的时间卷积网络模块和长短期记忆网络模块；时间卷积网络模块用于提取历史数据的时间特征，长短期记忆网络模块用于预测地浸采矿浸出液金属浓度；将采集的各抽注单元的浸出液金属浓度及各孔抽注液量的历史数据归一化后输入至时间卷积网络模块，时间卷积网络模块输出时间特征数据至长短期记忆网络模块，长短期记忆网络模块输出对应抽注单元的地浸采矿浸出液金属浓度的预测值。本发明专利技术相较于现有的方法有较好的泛化能力，能够使矿山企业更为精准掌握一定时期的资源储量利用和消耗情况。源储量利用和消耗情况。源储量利用和消耗情况。

【技术实现步骤摘要】
基于深度学习的地浸采矿浸出液金属浓度预测系统及方法


[0001]本专利技术涉及一种浸出液金属浓度预测方法，特别涉及一种基于深度学习的地浸采矿浸出液金属浓度预测系统及方法。

技术介绍

[0002]目前，地浸采矿是指根据某些矿物的物理化学特性，将溶浸剂注入矿层或矿堆，在化学浸出、热力、质量传递以及水动力等作用下，实现对地下矿床或地表矿石中有价矿物由固态转到液态或气态的转化并进行有效同收，以此来达到以低成本生产开采矿床的目的。地浸采矿技术因其在生产成本控制、环境保护、资源利用率和建设周期等方面的诸多优势，日益受到采矿工作者的青睐。浸出液金属浓度作为施工设计和生产计划所依据的主要指标，影响着各采区经济成本的高低，对确定矿产资源开采量具有重要意义。由于浸出液金属浓度变化具有不稳定性，矿山的开采量和保有资源量也处于动态变化过程中。通过对浸出液金属浓度的预测，有利于帮助矿山企业掌握一定时期内的资源储量利用和消耗情况。
[0003]深度学习(DeepLearning，DL)是机器学习(MachineLearning，ML)领域中的一个新的研究方向。深度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的地浸采矿浸出液金属浓度预测系统，其特征在于，该系统包括依次连接的基于时间注意力机制的时间卷积网络模块和长短期记忆网络模块；时间卷积网络模块用于提取历史数据的时间特征，长短期记忆网络模块用于预测地浸采矿浸出液金属浓度；将采集的各抽注单元的浸出液金属浓度及各孔抽注液量的历史数据归一化后输入至时间卷积网络模块，时间卷积网络模块输出时间特征数据至长短期记忆网络模块，长短期记忆网络模块输出对应抽注单元的地浸采矿浸出液金属浓度的预测值。2.根据权利要求1所述的基于深度学习的地浸采矿浸出液金属浓度预测系统，其特征在于，时间卷积网络模块包括依次连接的多个残差模块；每个残差模块包括依次连接的卷积单元A、时间注意力机制模块A、卷积单元B、时间注意力机制模块B；卷积单元A与卷积单元B均包括依次连接的膨胀因果卷积层、权值规范化层、激活函数层和正则化层。3.根据权利要求2所述的基于深度学习的地浸采矿浸出液金属浓度预测系统，其特征在于，每个残差模块还包括一个卷积层A；输入至卷积单元A的数据同时输入至卷积层A，卷积层A的输出与时间注意力机制模块B的输出融合后作为残差模块的输出。4.根据权利要求2所述的基于深度学习的地浸采矿浸出液金属浓度预测系统，其特征在于，时间注意力机制模块A和时间注意力机制模块B均包括一个卷积层B和sigmoid激活函数层；卷积层B对输入向量y1进行卷积，利用sigmoid函数生成权值系数W，然后将权值系数乘以原始输入向量y1，形成一个新的输出向量y2；时间注意力机制模块A和时间注意力机制模块B的数学表达式如下：W＝σ(Conv1D(y1))；其中，σ表示sigmoid函数；Conv1D表示一维卷积；表示Hadamard积。5.一种基于深度学习的地浸采矿浸出液金属浓度预测方法，其特征在于，该方法设置依次连接的基于时间注意力机制的时间卷积网络模块和长短期记忆网络模块；时间卷积网络模块用于提取历史数据的时间特征，长短期记忆网络模块用于预测地浸采矿浸出液金属浓度；将采集的各抽注单元的浸出液金属浓度及各孔抽注液量的历史数据归一化后输入至时间卷积网络模块，使时间卷积网络模块输出时间特征数据至长短期记忆网络模块，使长短期记...

【专利技术属性】
技术研发人员：许林英，张嘉静，
申请(专利权)人：天津大学，
类型：发明
国别省市：