基于人工智能算法的地浸采區産量預測
随着地浸采鈾工藝的日趨成熟，地浸勘探領域智能化逐漸完善，通過與新一代大資料、人工智能算法的深度融合，極大程度地提高了勘探工作效率與品質。
地浸與水冶過程也基本實作了實時監控與資料內建排程，但在對于在生産過程中采集的資料仍然存在隻收集不處理，或僅對資料直覺判斷的情況。
對于海量資料，未進行深層挖掘與分析模組化，不僅無法根據已有的生産參數确定未來計劃安排，也無法精準把握礦區的生産趨勢。
在鈾礦采區開發的中後期，随着金屬浸采率不斷增加，其浸出液鈾濃度與水量通常呈下降趨勢，通過洗井，注液過濾、增強抽注循環等方式雖能夠短期内增加金屬産量。
但囿于資源總量，整體上金屬産量仍然呈降低趨勢，導緻開采成本顯著增加。
實際生産中井場集控室與水冶工廠中的房間對抽注液量、壓力、金屬濃度等參數的實時監控與采集，不僅能夠對生産異常即時診斷，更是形成了廣泛全面的生産資料庫。
可根據長周期下的生産參數建立資料模型，進而準确預測金屬産量，這有利于采區未來生産制度的調整與礦區的整體經濟性評價。
目前，鈾礦采區金屬日産量預測主要通過平均鈾濃度與日抽液量乘積求取，誤差較大。
基于人工智能算法的采區産量預測在鈾礦領域研究較少，而在石油天然氣、煤炭、稀土等領域應用較為廣泛且成熟。
薛永超等人使用深度森林算法對油井産量做出預測，獲得92%左右的預測精度，該方法在傳統的随機森林算法上做出了極大改進，但在精度上仍然存在優化空間。
蔡光琪等人基于原煤剝離量等自變量提出了改進的切比雪夫神經網絡，該方式較傳統BP神經網絡運算資源小且精度更高。但未考慮儲量方面因素，具有一定局限性。
馬承傑考慮到傳統數值模拟方式的缺陷，從儲層物性出發，使用長短期記憶神經網絡與循環神經網絡建立LSTM資料模型，該模型性能優越，能夠更好地捕捉時序關系差異。
但在長期預測上精度仍有局限性，需進一步優化輸入參數。
目前人工智能算法主要用于解決分類和回歸問題，而本研究中的地浸産量預測問題，屬于資料拟合回歸範疇，是以諸如SVM、決策樹、KNN等衆多分類算法并不适用，應當從回歸預測算法中選取合适算法進行。
常見的回歸算法有人工神經網絡、卷積神經網絡、BP神經網絡、邏輯回歸、多元線性回歸等。
礦區内抽注液井數量多，現場針對單井能夠擷取的參數較為單一（僅有流量、金屬濃度），資料次元過低，不利于高精度數值模型的建立。
是以，筆者從資料內建角度考慮，以整個采區金屬日産量為研究對象，增加注液壓力、注氧壓力、浸采率等輸入參數，從資源總量與浸采工藝資料入手，建立金屬産量預測模型。
本研究中可用的資料既有各生産參數，也有相對應的每日金屬量資料，可以采用有監督學習的算法。
多元線性回歸模組化速度快、算力需求小、模型可解釋性強，常被用于煤炭價格、地下水水位、煤礦井下瓦斯體積分數等具體名額資料的預測，與本研究中的資料類型較為契合。
人工神經網絡（ANN）屬于黑箱模型，可以充分逼近各類非線性關系，還具有并行分布處
理于自适應未知參數的特點，該方法在頁岩油藏産量與地下水湧水量等地質參數預測方面都有成功運用的先例。
在地浸采鈾生産後期，金屬産量持續下降，其鈾濃度也随浸采工藝影響而不斷變化，通過抽液量與濃度的乘積不能準确計算金屬産量。
通過對某礦床C10采區實際生産資料進行歸納與分析，采用人工神經網絡模型對該采區金屬日産量進行預測，并使用多元線性回歸模型與之比較。
結果表明二者均具有良好的精确度和泛化能力，其中人工神經網絡模型效果更優，對金屬日産量預測平均誤差僅為-0.36%，預測結果離群值較少且誤差分布均衡。
該方式較簡單計算金屬日産量在精度上顯著提高，使用人工神經網絡模型預測采區産量能夠為制定生産計劃與增産提供理論指導。
