人工神经网络模型在预测长期实验规模酸矿渗出中的应用

酸矿渗出（AMD）是煤炭 mining 行业中常见的环境问题，由过境物或废石中的硫化矿物氧化形成。通过AMD预测酸生成对于过境物管理和制定采后土地利用规划至关重要。用于预测AMD的方法之一是实验室规模动力学测试，通过代表性样本在时间上确定酸形成率。然而，该测试需要耗时较长且大量化学试剂，导致成本效率低下。另一方面，机器学习有潜力从实验室规模动力学测试数据中学习模式。本研究描述了使用人工神经网络（ANN）建模预测实验室规模动力学测试结果的方法。基于83周的实验室规模动力学测试数据（100%潜在酸生成岩石），采用了各种ANN模型。模型监测pH、ORP、导电性、TDS、硫酸盐以及重金属（Fe和Mn）。本研究获得的整体nash-Sutcliffe效率（NSE）为0.99（训练和验证数据），表明与实际实验室规模动力学测试数据之间存在强相关性和准确预测。这表明ANN能够从过去的数据中学习模式、趋势和季节性，以实现准确预测，从而凸显其在解决AMD问题方面的重要贡献。这项研究也有望为一种新型预测AMD的方法奠定基础，在未来的应用中实现高效、准确且具有成本效益。