基于人工智能算法的地浸采区产量预测
随着地浸采铀工艺的日趋成熟，地浸勘探领域智能化逐渐完善，通过与新一代大数据、人工智能算法的深度融合，极大程度地提高了勘探工作效率与质量。
地浸与水冶过程也基本实现了实时监控与数据集成调度，但在对于在生产过程中采集的数据仍然存在只收集不处理，或仅对数据直观判断的情况。
对于海量数据，未进行深层挖掘与分析建模，不仅无法根据已有的生产参数确定未来计划安排，也无法精准把握矿区的生产趋势。
在铀矿采区开发的中后期，随着金属浸采率不断增加，其浸出液铀浓度与水量通常呈下降趋势，通过洗井，注液过滤、增强抽注循环等方式虽能够短期内增加金属产量。
但囿于资源总量，整体上金属产量仍然呈降低趋势，导致开采成本显著增加。
实际生产中井场集控室与水冶车间对抽注液量、压力、金属浓度等参数的实时监控与采集，不仅能够对生产异常即时诊断，更是形成了广泛全面的生产数据库。
可根据长周期下的生产参数建立数据模型，从而准确预测金属产量，这有利于采区未来生产制度的调整与矿区的整体经济性评价。
目前，铀矿采区金属日产量预测主要通过平均铀浓度与日抽液量乘积求取，误差较大。
基于人工智能算法的采区产量预测在铀矿领域研究较少，而在石油天然气、煤炭、稀土等领域应用较为广泛且成熟。
薛永超等人使用深度森林算法对油井产量做出预测，获得92%左右的预测精度，该方法在传统的随机森林算法上做出了极大改进，但在精度上仍然存在优化空间。
蔡光琪等人基于原煤剥离量等自变量提出了改进的切比雪夫神经网络，该方式较传统BP神经网络运算资源小且精度更高。但未考虑储量方面因素，具有一定局限性。
马承杰考虑到传统数值模拟方式的缺陷，从储层物性出发，使用长短期记忆神经网络与循环神经网络建立LSTM数据模型，该模型性能优越，能够更好地捕捉时序关系差异。
但在长期预测上精度仍有局限性，需进一步优化输入参数。
当前人工智能算法主要用于解决分类和回归问题，而本研究中的地浸产量预测问题，属于数据拟合回归范畴，因此诸如SVM、决策树、KNN等众多分类算法并不适用，应当从回归预测算法中选取合适算法进行。
常见的回归算法有人工神经网络、卷积神经网络、BP神经网络、逻辑回归、多元线性回归等。
矿区内抽注液井数量多，现场针对单井能够获取的参数较为单一（仅有流量、金属浓度），数据维度过低，不利于高精度数值模型的建立。
因此，笔者从数据集成角度考虑，以整个采区金属日产量为研究对象，增加注液压力、注氧压力、浸采率等输入参数，从资源总量与浸采工艺数据入手，建立金属产量预测模型。
本研究中可用的数据既有各生产参数，也有相对应的每日金属量数据，可以采用有监督学习的算法。
多元线性回归建模速度快、算力需求小、模型可解释性强，常被用于煤炭价格、地下水水位、煤矿井下瓦斯体积分数等具体指标数据的预测，与本研究中的数据类型较为契合。
人工神经网络（ANN）属于黑箱模型，可以充分逼近各类非线性关系，还具有并行分布处
理于自适应未知参数的特点，该方法在页岩油藏产量与地下水涌水量等地质参数预测方面都有成功运用的先例。
在地浸采铀生产后期，金属产量持续下降，其铀浓度也随浸采工艺影响而不断变化，通过抽液量与浓度的乘积不能准确计算金属产量。
通过对某矿床C10采区实际生产数据进行归纳与分析，采用人工神经网络模型对该采区金属日产量进行预测，并使用多元线性回归模型与之比较。
结果表明二者均具有良好的精确度和泛化能力，其中人工神经网络模型效果更优，对金属日产量预测平均误差仅为-0.36%，预测结果离群值较少且误差分布均衡。
该方式较简单计算金属日产量在精度上显著提高，使用人工神经网络模型预测采区产量能够为制定生产计划与增产提供理论指导。
