《Swarm and Evolutionary Computation》:Fusion-modeling-driven adversarial coevolutionary robust MOPSO for the zinc leaching process under feed disturbances
编辑推荐:
摘要锌浸出过程(ZLP)的操作设定值优化对于资源利用、过程稳定性和杂质控制至关重要。通过调节废酸和锌焙砂的进料量,可以调控连续搅拌釜反应器(CSTR)系统中五个反应釜的pH值、反应强度、锌溶解度和三价铁离子去除率。然而,复杂的反应机理、不确定的进料扰动以及耦合的目标和约束条件
摘要
锌浸出过程(ZLP)的操作设定值优化对于资源利用、过程稳定性和杂质控制至关重要。通过调节废酸和锌焙砂的进料量,可以调控连续搅拌釜反应器(CSTR)系统中五个反应釜的pH值、反应强度、锌溶解度和三价铁离子去除率。然而,复杂的反应机理、不确定的进料扰动以及耦合的目标和约束条件使得鲁棒优化变得困难。本文提出了一种融合建模驱动的对抗共演化鲁棒多目标粒子群优化算法(FD-ACR-MOPSO),用于优化多种物料流的操作设定值。首先,构建了一种融合驱动的动态预测模型,将CSTR物料平衡与XGBoost动力学补偿相结合,以提高在不同进口条件下响应评价的准确性。其次,操作种群与扰动种群协同演化,以识别不利情景并根据操作解的搜索角色施加扰动压力。第三,过程风险反馈自适应调整粒子学习和归档引导,引导种群远离敏感边界并趋向鲁棒可行区域。对比实验和消融实验表明,FD-ACR-MOPSO在所测试的扰动条件下实现了鲁棒锌产量、单位操作成本和出口三价铁离子控制之间的良好平衡。
引言
锌是一种重要的有色金属,广泛用于防腐、合金制造、电池和化工生产。湿法冶金锌生产是锌提取的主要途径之一,其中锌浸出过程(ZLP)连接了焙烧、溶液净化、电积和产品质量控制。其性能高度依赖于废酸添加和分级锌焙砂补充的操作设定值。这些耦合的物料流调控酸碱平衡和反应釜pH值分布,从而影响反应强度、锌溶解度、铁沉淀、净浸出锌产量、单位操作成本和出口Fe3+浓度 [1], [2]。在实际操作中,其调节仍主要依赖操作员经验、离线检测和固定规则。与此同时,主焙砂进料速率、ZnO和Fe2O3品位以及有效废酸浓度随时间变化。结合非线性反应耦合,这些扰动可能导致针对标称条件优化的操作设定值失去性能或可行性。因此,需要进行鲁棒操作设定值优化,以在不断变化的进料条件下维持生产、经济性能和过程安全。
准确的动态评价是在这些扰动下优化操作设定值的前提。基于反应动力学、物料平衡和反应器特性的机理模型已被开发用于描述锌溶解和铁沉淀 [3], [4], [5]。尽管这些模型保留了物理可解释性,但固定的动力学参数无法充分表征焙砂组成、酸浓度和进料速率的变化。数据驱动模型提供了描述非线性过程关系的替代手段。Zhou等人 [6] 采用神经网络对锌浸出过程进行建模,Long等人 [7] 提出了一种半监督LSTM方法用于在线pH估计,Zhang等人 [8] 开发了用于反应状态感知的级联模型。最近,Xie等人 [9] 在工业反应器网络中结合了一性原理建模、状态和参数估计以及数据驱动补偿。Velioglu等人 [10] 针对物理知识和过程数据有限的动态化学过程引入了一种物理信息模型。然而,对于同时受进料组成和流量变化影响的锌浸出级联系统,融合建模的研究仍然不足。
操作优化也在几个湿法冶金子过程中得到了研究。Liu等人 [11] 使用响应面法优化了含铜镉残渣的金属锌浸出率。Zhang等人 [12] 将神经网络与多目标优化相结合,用于锌浸出渣的清洁利用。Xie等人 [13] 开发了一种结合神经网络和模糊逻辑模型的分级优化控制方法。Sun等人 [14] 协调电流密度和酸锌比来管理锌电积的操作状态迁移。在变化或不确定的条件下,Xie等人 [15] 研究了除铁的多目标优化和控制,Chen等人 [16] 建立了锌精矿配料的随机约束模型,Zhou等人 [17] 将动态多目标优化与模糊决策相结合用于铜离子去除。这些研究提高了特定子过程中的锌浸出率、经济性或杂质控制,但未能同时解决不利进料扰动的主动识别和耦合物料流操作设定值优化问题。
进化和群智能算法为非线性多目标优化提供了灵活的工具 [18], [19], [20]。动态多目标方法跟踪操作条件演化过程中Pareto最优解的变化 [21], [22]。Jiang等人 [23] 开发了一种考虑输入噪声下收敛性和鲁棒性的鲁棒多目标进化算法。Salih和Matalon [24] 将鲁棒多目标优化表述为候选解与不确定性之间的博弈,允许在搜索过程中生成不利条件。竞争共演化提供了一个相关的框架,其中解种群和不确定性种群交互演化。Benford等人 [25] 利用这一机制平衡平均条件和最坏条件下的性能。然而,许多鲁棒方法仍然依赖预定义或随机采样的情景,并且没有将扰动压力与不同操作粒子的搜索状态进行协调。此外,硬约束比较在违反发生之前无法提供关于过程敏感性的信息。
这些研究留下了三个挑战:变化进料下的动态评价、不利扰动的主动发现以及敏感过程边界附近的约束搜索。为解决这些问题,本文提出了一种融合建模驱动的对抗共演化鲁棒多目标粒子群优化方法(FD-ACR-MOPSO),用于多种物料流的操作设定值优化。其主要贡献总结如下:
(1) 融合驱动的动态预测模型(FD-DPM)将XGBoost动力学补偿嵌入由五个反应釜组成的CSTR模型中。它允许动力学随进料变化,同时保持物料平衡结构。
(2) 操作-扰动对抗共演化机制(OD-ACM)主动搜索不利进口情景,并将操作子种群与具有不同攻击强度的扰动子集相匹配。
(3) 基于过程风险反馈的自适应约束搜索策略(PRF-ACS)利用过程风险信息指导的成功自适应和归档引导,将粒子导向鲁棒可行区域。
本文其余部分组织如下。第2节建立鲁棒操作设定值优化问题并呈现FD-DPM。第3节介绍FD-ACR-MOPSO。第4节报告仿真、消融和对比结果。第5节总结全文并讨论未来工作。
章节摘要
融合驱动的建模与鲁棒优化
本节建立了五反应釜ZLP的鲁棒操作设定值优化问题。本文使用的主要符号和单位可参见表1。首先,通过结合五反应釜CSTR级联物料平衡模型与XGBoost补偿动力学构建了FD-DPM。然后,基于预测的过程响应建立鲁棒动态设定值优化问题。
FD-ACR-MOPSO算法框架
为求解进口扰动下ZLP的鲁棒多目标操作设定值优化问题,所提出的FD-ACR-MOPSO框架设计如图1所示。它集成了用于动态评价的FD-DPM、用于不利扰动识别的OD-ACM和用于约束搜索的PRF-ACS,从而引导种群趋向鲁棒可行操作区域。
在每次评价中,和被输入FD-DPM以模拟五反应釜浸出轨迹。
实验环境与指标
第2节开发的FD-DPM用于评价五反应釜锌浸出过程。所有算法均使用Python 3.12.4实现,并在Windows 11系统上运行,处理器为Intel Core i7-12700,内存为16 GB。
FD-DPM的预测精度使用MAPE、RMSE和进行评价。优化性能使用下尾净浸出锌产量、平均单位操作成本、下尾锌浸出率和上尾出口Fe3+
结论
本文提出了一种FD-ACR-MOPSO算法,用于进口扰动下五反应釜ZLP的鲁棒多目标操作设定值优化。FD-DPM评价候选操作设定值的动态响应。OD-ACM和PRF-ACS被集成到优化框架中以增强不利扰动评价和约束搜索。仿真结果表明,FD-ACR-MOPSO提高了下尾净浸出锌产量,降低了单位操作成本,并维持了
CRediT作者贡献声明
韩宏伟:资源、项目管理、数据管理。李士龙:撰写——原稿、方法。侯莹:撰写——审阅与编辑、撰写——原稿。王晶晶:撰写——审阅与编辑、撰写——原稿。李芳雨:撰写——审阅与编辑、撰写——原稿。
利益冲突声明
作者声明不存在可能影响本文所述工作的已知竞争性财务利益或个人关系。
致谢
本工作得到了国家自然科学基金(批准号92467205、62125301和批准号92567303)、新一代人工智能国家重点研发计划(批准号2025ZD0123700-5)、北京市新源计划(批准号20240484694)、青年北京学者(批准号037)、国家科技重大专项(批准号2025ZD1607104)以及北京市自然科学基金(批准号L2603012)的资助。
韩宏伟|李士龙|侯莹|王晶晶|李芳雨