CN115440317B - 一种浸出铀浓度的预测方法及装置、电子设备、存储介质 - Google Patents

一种浸出铀浓度的预测方法及装置、电子设备、存储介质 Download PDF

Info

Publication number
CN115440317B
CN115440317B CN202210856589.XA CN202210856589A CN115440317B CN 115440317 B CN115440317 B CN 115440317B CN 202210856589 A CN202210856589 A CN 202210856589A CN 115440317 B CN115440317 B CN 115440317B
Authority
CN
China
Prior art keywords
uranium
concentration
network
lstm
leached
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210856589.XA
Other languages
English (en)
Other versions
CN115440317A (zh
Inventor
贾明滔
蒋权
陈梅芳
苏学斌
阳奕汉
王博琛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202210856589.XA priority Critical patent/CN115440317B/zh
Publication of CN115440317A publication Critical patent/CN115440317A/zh
Application granted granted Critical
Publication of CN115440317B publication Critical patent/CN115440317B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/20—Recycling

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mining & Mineral Resources (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Biomedical Technology (AREA)
  • Animal Husbandry (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Molecular Biology (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Agronomy & Crop Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种浸出铀浓度的预测方法及装置、电子设备、存储介质，所述浸出铀浓度的预测方法采用LSTM‑CNN复合模型进行浸出铀浓度预测，其中，先通过CNN网络从可控参数中提取特征值数据作为LSTM网络的输入，可以最大化数据特征，然后采用LSTM网络基于CNN网络提取的特征值数据和前一日预测值进行当日浸出铀浓度预测，结合了卷积神经网络的特征提取优势和长短期记忆网络的特征记忆特性，将可控参数与历史预测值相结合，可以有效解决浸出铀浓度预测中部分特征参数存在混沌属性且难以准确获取和描述的问题，大大提高了浸出铀浓度预测结果的准确性。

Description

一种浸出铀浓度的预测方法及装置、电子设备、存储介质
技术领域
本发明涉及浸出铀浓度预测技术领域，特别地，涉及一种浸出铀浓度的预测方法及装置、电子设备、计算机可读取的存储介质。
背景技术
地浸采铀是指使用浸出剂与矿物发生化学反应，产生含铀浸出液并提取的采、选、冶一体化采铀方法。通过浸出铀浓度预测，可以对抽注工艺进行动态调整，优化井场布置和工艺过程，测算项目经济效益并决定生产资料的分配，因此浸出铀浓度是地浸采铀生产的重要指标，对其进行预测具有切实意义。浸出铀浓度与单元地层的渗透性能、铀品位、其他成分含量、抽注孔数量、抽注液量、注入溶浸液浓度、浸出液PH值、浸出时间等有关，其中的可控参数有：抽注孔数量、抽注液量、注入溶浸液浓度、浸出液PH值、浸出时间等，而地层渗透性能、铀品位、其他成分含量等参数随着浸出的过程不断改变且难于实时获取和描述，存在混沌属性。同时，根据生产实测数据，浸出铀浓度不仅随着地浸作业产生趋势性变化，且在一年当中的各个季度也存在规律性变化，这可能与地温、地下水渗流等难以掌握的环境因素有关。因此，很难使用简单的曲线拟合或灰色预测模型来进行精准的浸出铀浓度预测。
发明内容
本发明提供了一种浸出铀浓度的预测方法及装置、电子设备、计算机可读取的存储介质，以解决现有技术无法精准预测浸出铀浓度的技术问题。
根据本发明的一个方面，提供一种浸出铀浓度的预测方法，包括以下内容：
构建LSTM-CNN模型和浸出铀浓度历史数据库，所述浸出铀浓度历史数据库包括浸出铀浓度的历史预测值、历史实测值和历史可控参数，所述LSTM-CNN模型包括CNN网络、LSTM网络和Dense网络，所述CNN网络作为输入层，用于从输入的可控参数中提取特征值数据，所述LSTM网络作为隐藏层，用于基于CNN网络提取的特征值数据和前一日预测值进行当日浸出铀浓度预测，所述Dense网络作为输出层，用于输出所述LSTM网络的预测结果；
利用浸出铀浓度历史数据库中的数据对LSTM-CNN模型进行训练；
将进行浸出铀浓度预测当日的可控参数输入至训练好的LSTM-CNN模型中，输出当日的浸出铀浓度预测值。
进一步地，将预测当日一年前的同一天之前的90日浸出铀浓度实测值均值与CNN网络提取的特征值数据、前一日预测值共同作为LSTM网络的输入。
进一步地，所述LSTM网络的循环单元的执行公式为：
Figure BDA0003754644570000021
Figure BDA0003754644570000022
/>
Figure BDA0003754644570000023
Figure BDA0003754644570000024
Figure BDA0003754644570000025
其中，d表示预测当日的日期，
Figure BDA0003754644570000026
表示预测当日一年前的同一天之前的90日浸出铀浓度实测值均值，σ()表示sigmoid激活函数，tanh()表示tanh激活函数，Wz[]、Wr[]、Wh[]均表示权重矩阵，hd-1表示前一日的预测值，xd表示CNN网络提取出的预测当日的特征值数据，*表示遗忘运算，zd、rd、/>
Figure BDA0003754644570000027
分别表示经过对应的激活函数、权重矩阵计算得到的特征数据，hd表示当日的浸出铀浓度预测值。
进一步地，所述CNN网络的训练过程具体为：
将浸出铀浓度历史数据库中的历史可控参数和历史实测值按照日期顺序进行依次排序，将日期对应的历史可控参数和历史实测值分别作为输入和输出对CNN网络进行迭代训练，直至CNN网络满足精度要求。
进一步地，所述LSTM网络的训练过程具体为：
利用训练好的CNN网络从历史可控参数中提取特征值样本数据；
将特征值样本数据、前一日预测值、一年前的同一天之前的90日浸出铀浓度实测值均值作为输入，将对应的浸出铀浓度实测值作为输出，对LSTM网络的网络参数进行迭代训练；
在迭代训练过程中对LSTM网络的预测准确度进行评价，直至LSTM网络的预测准确度满足要求。
进一步地，采用准确度判断系数对LSTM网络的预测准确度进行评价：
Figure BDA0003754644570000031
其中，R2表示准确度判断系数，hd表示LSTM网络输出的第d天浸出铀浓度预测值，Hd表示第d天的实际浸出铀浓度值，
Figure BDA0003754644570000032
表示[i,n]这段日期内的浸出铀浓度实测值均值。
进一步地，还包括以下内容：
将预测当日的可控参数、浸出铀浓度实测值、浸出铀浓度预测值保存至浸出铀浓度历史数据库。
另外，本发明还提供一种浸出铀浓度的预测装置，包括：
模型构建模块，用于构建LSTM-CNN模型和浸出铀浓度历史数据库，所述浸出铀浓度历史数据库包括浸出铀浓度的历史预测值、历史实测值和历史可控参数，所述LSTM-CNN模型包括CNN网络、LSTM网络和Dense网络，所述CNN网络作为输入层，用于从输入的可控参数中提取特征值数据，所述LSTM网络作为隐藏层，用于基于CNN网络提取的特征值数据和前一日预测值进行当日浸出铀浓度预测，所述Dense网络作为输出层，用于输出所述LSTM网络的预测结果；
模型训练模块，用于利用浸出铀浓度历史数据库中的数据对LSTM-CNN模型进行训练；
预测模块，用于将进行浸出铀浓度预测当日的可控参数输入至训练好的LSTM-CNN模型中，输出当日的浸出铀浓度预测值。
另外，本发明还提供一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行如上所述的方法的步骤。
另外，本发明还提供一种计算机可读取的存储介质，用于存储对浸出铀浓度进行预测的计算机程序，所述计算机程序在计算机上运行时执行如上所述的方法的步骤。
本发明具有以下效果：
本发明的浸出铀浓度的预测方法，采用LSTM-CNN复合模型进行浸出铀浓度预测，其中，先通过CNN网络从可控参数中提取特征值数据作为LSTM网络的输入，可以最大化数据特征，然后采用LSTM网络基于CNN网络提取的特征值数据和前一日预测值进行当日浸出铀浓度预测，结合了卷积神经网络的特征提取优势和长短期记忆网络的特征记忆特性，将可控参数与历史预测值相结合，可以有效解决浸出铀浓度预测中部分特征参数存在混沌属性且难以准确获取和描述的问题，大大提高了浸出铀浓度预测结果的准确性。
另外，本发明的浸出铀浓度的预测装置同样具有上述优点。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例的浸出铀浓度的预测方法的流程示意图。
图2是本发明优选实施例的LSTM-CNN模型的网络结构示意图。
图3是本发明优选实施例的LSTM网络的循环单元示意图。
图4是本发明优选实施例的LSTM网络的训练流程示意图。
图5是本发明优选实施例中对测试集中10个不同钻孔进行浸出铀浓度预测的预测结果准确度统计示意图。
图6是本发明另一实施例的浸出铀浓度的预测方法的流程示意图。
图7是本发明另一实施例的浸出铀浓度的预测装置的模块结构示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由下述所限定和覆盖的多种不同方式实施。
如图1所示，本发明的优选实施例提供一种浸出铀浓度的预测方法，包括以下内容：
步骤S1：构建LSTM-CNN模型和浸出铀浓度历史数据库，所述浸出铀浓度历史数据库包括浸出铀浓度的历史预测值、历史实测值和历史可控参数，所述LSTM-CNN模型包括CNN网络、LSTM网络和Dense网络，所述CNN网络作为输入层，用于从输入的可控参数中提取特征值数据，所述LSTM网络作为隐藏层，用于基于CNN网络提取的特征值数据和前一日预测值进行当日浸出铀浓度预测，所述Dense网络作为输出层，用于输出所述LSTM网络的预测结果；
步骤S2：利用浸出铀浓度历史数据库中的数据对LSTM-CNN模型进行训练；
步骤S3：将进行浸出铀浓度预测当日的可控参数输入至训练好的LSTM-CNN模型中，输出当日的浸出铀浓度预测值。
可以理解，本实施例的浸出铀浓度的预测方法，采用LSTM-CNN复合模型进行浸出铀浓度预测，其中，先通过CNN网络从可控参数中提取特征值数据作为LSTM网络的输入，可以最大化数据特征，然后采用LSTM网络基于CNN网络提取的特征值数据和前一日预测值进行当日浸出铀浓度预测，结合了卷积神经网络的特征提取优势和长短期记忆网络的特征记忆特性，将可控参数与历史预测值相结合，可以有效解决浸出铀浓度预测中部分特征参数存在混沌属性且难以准确获取和描述的问题，大大提高了浸出铀浓度预测结果的准确性。
可以理解，在所述步骤S1中，所述浸出铀浓度历史数据库中的历史数据包括浸出铀浓度的历史预测值、历史实测值和历史可控参数，三者根据日期一一对应。其中，可控参数具体包括日期、抽注孔数量、抽注液量、注入溶浸液浓度、浸出液PH值、浸出时间等。如图2所示，所述LSTM-CNN模型的网络结构包括CNN网络、LSTM网络和Dense网络，其中，CNN网络作为输入层，用于从输入的可控参数中提取出特征值数据，LSTM网络作为隐藏层，用于基于CNN网络提取的特征值数据和前一日预测值进行当日浸出铀浓度预测，Dense网络则作为输出层，用于输出LSTM网络的预测结果。其中，CNN网络、LSTM网络和Dense网络均属于现有成熟的神经网络，其具体网络结构属于现有技术，故在此不再赘述。本发明通过采用CNN网络从浸出铀浓度相关的可控参数中提取特征数据，可以实现特征数据的最大化，再通过LSTM网络基于CNN网络提取的特征数据和前一日预测值进行当日浸出铀浓度预测，充分利用了CNN网络的特征提取优势和LSTM网络的特征记忆特性，实现了可控参数和历史数据相结合，可以有效解决浸出铀浓度预测中部分特征参数存在混沌属性且难以准确获取和描述的问题，大大提升了浸出铀浓度预测结果的准确性。
可以理解，在所述步骤S2中，所述CNN网络的训练过程具体为：
将浸出铀浓度历史数据库中的历史可控参数和历史实测值按照日期顺序进行依次排序，将日期对应的历史可控参数和历史实测值分别作为输入和输出对CNN网络进行迭代训练，直至CNN网络满足精度要求。
例如，以某地浸铀矿项目为例，数据集为项目10个不同钻孔在2017年10月1日-2021年12月31日的浸出铀浓度实测数据h1～h1554及对应的可控参数。以日期、抽注孔数量、抽注液量、注入溶浸液浓度、浸出液PH值、浸出时间等可控参数作为输入值，以浸出铀浓度实测值h1～h1554作为输出，对CNN网络进行迭代训练，直至CNN网络满足精度要求。
可选地，将预测当日一年前的同一天之前的90日浸出铀浓度实测值均值与CNN网络提取的特征值数据、前一日预测值共同作为LSTM网络的输入，所述LSTM网络基于CNN网络提取的特征值数据、前一日预测值、预测当日一年前的同一天之前的90日浸出铀浓度实测值均值进行当日的浸出铀浓度预测。通过将预测当日一年前的同一天之前的90日浸出铀浓度实测值均值一同作为LSTM网络的输入，引入了浸出铀浓度历史数据存在的季节性特征规律，强化了预测效果，进一步提升了预测精度。
可以理解，所述LSTM网络在传统LSTM网络的基础上采用了门控制循环单元(GateRecurrent Unit，GRU)，如图3所示，将记忆单元与输出门进行了结合。该循环单元在输入中将前一日的输出结果与一年前同一天之前的90日浸出铀浓度实测值均值进行了结合，共同参与循环单元的计算，该循环单元的执行公式具体为：
Figure BDA0003754644570000071
Figure BDA0003754644570000072
Figure BDA0003754644570000073
Figure BDA0003754644570000074
Figure BDA0003754644570000075
其中，d表示预测当日的日期，
Figure BDA0003754644570000076
表示预测当日一年前的同一天之前的90日浸出铀浓度实测值均值，σ()表示sigmoid激活函数，tanh()表示tanh激活函数，Wz[]、Wr[]、Wh[]均表示权重矩阵，hd-1表示前一日的预测值，xd表示CNN网络提取出的预测当日的特征值数据，*表示遗忘运算，zd、rd、/>
Figure BDA0003754644570000081
分别表示经过对应的激活函数、权重矩阵计算得到的特征数据，hd表示当日的浸出铀浓度预测值。
可以理解，如图4所示，在所述步骤S2中，所述LSTM网络的训练过程具体为：
步骤S21：利用训练好的CNN网络从历史可控参数中提取特征值样本数据；
步骤S22：将特征值样本数据、前一日预测值、一年前的同一天之前的90日浸出铀浓度实测值均值作为输入，将对应的浸出铀浓度实测值作为输出，对LSTM网络的网络参数进行迭代训练；
步骤S23：在迭代训练过程中对LSTM网络的预测准确度进行评价，直至LSTM网络的预测准确度满足要求。
例如，以某地浸铀矿项目为例，测试集为项目10个不同钻孔在2017年10月1日-2021年12月31日的历史可控参数，先采用训练好的CNN网络从历史可控参数中提取出特征值样本数据序列x1～x1554，特征值样本数据序列中的特征值样本数据按照时间依次排序。然后，根据日期将对应的特征值样本数据xd、前一日预测值hd-1、一年前同一天之前的90日浸出铀浓度实测值均值
Figure BDA0003754644570000084
作为LSTM网络的输入，将对应的浸出铀浓度实测值作为输出，对LSTM网络的网络参数进行迭代训练。在迭代训练过程中，具体采用准确度判断系数对LSTM网络的预测准确度进行评价：
Figure BDA0003754644570000082
其中，R2表示准确度判断系数，hd表示LSTM网络输出的第d天浸出铀浓度预测值，Hd表示第d天的实际浸出铀浓度值，
Figure BDA0003754644570000083
表示[i,n]这段日期内的浸出铀浓度实测值均值。可以理解，所述准确度判断系数R2可以表示浸出铀浓度预测结果与按实际浸出铀浓度均值来预测(即均值法预测)的差距，若R2等于0，则表明该预测方法等同于均值法预测，若R2大于0，则表明该预测方法优于均值法预测，且越接近1效果越好，若R2小于0则认为该预测方法等同于随机预测。因此，可以通过设置一个预设阈值，当准确度判断系数R2达到预设阈值时，则判定LSTM网络的预测精度能满足要求，该预设阈值的具体数值可以根据需要进行设定，例如可设为0.8、0.85、0.9甚至0.95等。其中，测试集中10个不同钻孔的准确度判定系数统计结果如图5所示，可以看出准确度判定系数R2均高于0.9，预测精度较高。
可选地，如图6所示，在本发明的另一实施例中，所述浸出铀浓度的预测方法还包括以下内容：
步骤S4：将预测当日的可控参数、浸出铀浓度实测值、浸出铀浓度预测值保存至浸出铀浓度历史数据库。
可以理解，每次进行浸出铀浓度预测和实测后，将预测当日的可控参数、浸出铀浓度实测值、浸出铀浓度预测值保存至浸出铀浓度历史数据库，可以为未来的浸出铀浓度预测提供历史数据。
可以理解，为了验证本发明的LSTM-CNN模型的预测精度，本申请发明人采用了训练好的LSTM-CNN模型对某地浸铀矿项目的10个不同钻孔在2022年1月1日-2022年1月10日的浸出铀浓度进行预测。
具体地，先确定该10个钻孔在2022年1月1日-2022年1月10日的可控数据，将其输入训练好的LSTM-CNN模型中，CNN网络从输入的可控数据中获取特征值数据x1555～x1564，LSTM网络在进行预测时会从浸出铀浓度历史数据库中根据时间先后顺序调取h1554～h1563，并计算h～1555～h～1564，与输入的特征值数据x1555～x1564共同输入至第1555～1564个循环单元中进行计算。LSTM循环单元将计算结果输出为浸出铀浓度预测值h1555～h1564，并将预测值h1555～h1564保存至浸出铀浓度历史数据库，以供后续预测使用。
另外，如图7所示，本发明的另一实施例还提供一种浸出铀浓度的预测装置，优选采用上述的预测方法，其包括：
模型构建模块，用于构建LSTM-CNN模型和浸出铀浓度历史数据库，所述浸出铀浓度历史数据库包括浸出铀浓度的历史预测值、历史实测值和历史可控参数，所述LSTM-CNN模型包括CNN网络、LSTM网络和Dense网络，所述CNN网络作为输入层，用于从输入的可控参数中提取特征值数据，所述LSTM网络作为隐藏层，用于基于CNN网络提取的特征值数据和前一日预测值进行当日浸出铀浓度预测，所述Dense网络作为输出层，用于输出所述LSTM网络的预测结果；
模型训练模块，用于利用浸出铀浓度历史数据库中的数据对LSTM-CNN模型进行训练；
预测模块，用于将进行浸出铀浓度预测当日的可控参数输入至训练好的LSTM-CNN模型中，输出当日的浸出铀浓度预测值。
可以理解，本实施例的浸出铀浓度的预测装置，采用LSTM-CNN复合模型进行浸出铀浓度预测，其中，先通过CNN网络从可控参数中提取特征值数据作为LSTM网络的输入，可以最大化数据特征，然后采用LSTM网络基于CNN网络提取的特征值数据和前一日预测值进行当日浸出铀浓度预测，结合了卷积神经网络的特征提取优势和长短期记忆网络的特征记忆特性，将可控参数与历史预测值相结合，可以有效解决浸出铀浓度预测中部分特征参数存在混沌属性且难以准确获取和描述的问题，大大提高了浸出铀浓度预测结果的准确性。
另外，本实施例的装置中的各个模块与上述方法实施例的各个步骤相对应，故各个模块的工作原理在此不再赘述，参考上述方法实施例即可。
另外，本发明的另一实施例还提供一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行如上所述的方法的步骤。
另外，本发明的另一实施例还提供一种计算机可读取的存储介质，用于存储对浸出铀浓度进行预测的计算机程序，所述计算机程序在计算机上运行时执行如上所述的方法的步骤。
一般计算机可读取存储介质的形式包括：软盘(floppy disk)、可挠性盘片(flexible disk)、硬盘、磁带、任何其与的磁性介质、CD-ROM、任何其余的光学介质、打孔卡片(punch cards)、纸带(paper tape)、任何其余的带有洞的图案的物理介质、随机存取存储器(RAM)、可编程只读存储器(PROM)、可抹除可编程只读存储器(EPROM)、快闪可抹除可编程只读存储器(FLASH-EPROM)、其余任何存储器芯片或卡匣、或任何其余可让计算机读取的介质。指令可进一步被一传输介质所传送或接收。传输介质这一术语可包含任何有形或无形的介质，其可用来存储、编码或承载用来给机器执行的指令，并且包含数字或模拟通信信号或其与促进上述指令的通信的无形介质。传输介质包含同轴电缆、铜线以及光纤，其包含了用来传输一计算机数据信号的总线的导线。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种浸出铀浓度的预测方法，其特征在于，包括以下内容：
构建LSTM-CNN模型和浸出铀浓度历史数据库，所述浸出铀浓度历史数据库包括浸出铀浓度的历史预测值、历史实测值和历史可控参数，所述LSTM-CNN模型包括CNN网络、LSTM网络和Dense网络，所述CNN网络作为输入层，用于从输入的可控参数中提取特征值数据，所述LSTM网络作为隐藏层，用于基于CNN网络提取的特征值数据和前一日预测值进行当日浸出铀浓度预测，所述Dense网络作为输出层，用于输出所述LSTM网络的预测结果；
利用浸出铀浓度历史数据库中的数据对LSTM-CNN模型进行训练；
将进行浸出铀浓度预测当日的可控参数输入至训练好的LSTM-CNN模型中，输出当日的浸出铀浓度预测值；
将预测当日一年前的同一天之前的90日浸出铀浓度实测值均值与CNN网络提取的特征值数据、前一日预测值共同作为LSTM网络的输入；
所述LSTM网络的循环单元的执行公式为：
Figure FDA0004184593060000011
Figure FDA0004184593060000012
Figure FDA0004184593060000013
Figure FDA0004184593060000014
Figure FDA0004184593060000015
其中，d表示预测当日的日期，
Figure FDA0004184593060000016
表示预测当日一年前的同一天之前的90日浸出铀浓度实测值均值，σ()表示sigmoid激活函数，tanh()表示tanh激活函数，Wz[]、Wr[]、Wh[]均表示权重矩阵，hd-1表示前一日的预测值，xd表示CNN网络提取出的预测当日的特征值数据，*表示遗忘运算，zd、rd、/>
Figure FDA0004184593060000017
分别表示经过对应的激活函数、权重矩阵计算得到的特征数据，hd表示当日的浸出铀浓度预测值。
2.如权利要求1所述的浸出铀浓度的预测方法，其特征在于，所述CNN网络的训练过程具体为：
将浸出铀浓度历史数据库中的历史可控参数和历史实测值按照日期顺序进行依次排序，将日期对应的历史可控参数和历史实测值分别作为输入和输出对CNN网络进行迭代训练，直至CNN网络满足精度要求。
3.如权利要求1所述的浸出铀浓度的预测方法，其特征在于，所述LSTM网络的训练过程具体为：
利用训练好的CNN网络从历史可控参数中提取特征值样本数据；
将特征值样本数据、前一日预测值、一年前的同一天之前的90日浸出铀浓度实测值均值作为输入，将对应的浸出铀浓度实测值作为输出，对LSTM网络的网络参数进行迭代训练；
在迭代训练过程中对LSTM网络的预测准确度进行评价，直至LSTM网络的预测准确度满足要求。
4.如权利要求3所述的浸出铀浓度的预测方法，其特征在于，采用准确度判断系数对LSTM网络的预测准确度进行评价：
Figure FDA0004184593060000021
其中，R2表示准确度判断系数，hd表示LSTM网络输出的第d天浸出铀浓度预测值，Hd表示第d天的实际浸出铀浓度值，
Figure FDA0004184593060000022
表示[i,n]这段日期内的浸出铀浓度实测值均值。
5.如权利要求1所述的浸出铀浓度的预测方法，其特征在于，还包括以下内容：
将预测当日的可控参数、浸出铀浓度实测值、浸出铀浓度预测值保存至浸出铀浓度历史数据库。
6.一种浸出铀浓度的预测装置，采用如权利要求1～5任一项所述的预测方法，其特征在于，包括：
模型构建模块，用于构建LSTM-CNN模型和浸出铀浓度历史数据库，所述浸出铀浓度历史数据库包括浸出铀浓度的历史预测值、历史实测值和历史可控参数，所述LSTM-CNN模型包括CNN网络、LSTM网络和Dense网络，所述CNN网络作为输入层，用于从输入的可控参数中提取特征值数据，所述LSTM网络作为隐藏层，用于基于CNN网络提取的特征值数据和前一日预测值进行当日浸出铀浓度预测，所述Dense网络作为输出层，用于输出所述LSTM网络的预测结果；
模型训练模块，用于利用浸出铀浓度历史数据库中的数据对LSTM-CNN模型进行训练；
预测模块，用于将进行浸出铀浓度预测当日的可控参数输入至训练好的LSTM-CNN模型中，输出当日的浸出铀浓度预测值。
7.一种电子设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行如权利要求1～5任一项所述的方法的步骤。
8.一种计算机可读取的存储介质，用于存储对浸出铀浓度进行预测的计算机程序，其特征在于，所述计算机程序在计算机上运行时执行如权利要求1～5任一项所述的方法的步骤。
CN202210856589.XA 2022-07-20 2022-07-20 一种浸出铀浓度的预测方法及装置、电子设备、存储介质 Active CN115440317B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210856589.XA CN115440317B (zh) 2022-07-20 2022-07-20 一种浸出铀浓度的预测方法及装置、电子设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210856589.XA CN115440317B (zh) 2022-07-20 2022-07-20 一种浸出铀浓度的预测方法及装置、电子设备、存储介质

Publications (2)

Publication Number Publication Date
CN115440317A CN115440317A (zh) 2022-12-06
CN115440317B true CN115440317B (zh) 2023-05-26

Family

ID=84240908

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210856589.XA Active CN115440317B (zh) 2022-07-20 2022-07-20 一种浸出铀浓度的预测方法及装置、电子设备、存储介质

Country Status (1)

Country Link
CN (1) CN115440317B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106886846A (zh) * 2017-04-26 2017-06-23 中南大学 一种基于长短期记忆循环神经网络的银行网点备付金预测方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2480825C2 (ru) * 2010-10-04 2013-04-27 Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Адыгейский государственный университет" (ФГБОУ ВПО "АГУ") Способ прогнозирования времени наступления и уровня паводков
CN103093285A (zh) * 2013-01-22 2013-05-08 清华大学 基于人工神经网络的短期负荷预测方法
CN110796856B (zh) * 2019-10-16 2022-03-25 腾讯科技（深圳）有限公司 车辆变道意图预测方法及变道意图预测网络的训练方法
CN111667308A (zh) * 2020-05-29 2020-09-15 中国工商银行股份有限公司 广告推荐预测系统及方法
CN111738512B (zh) * 2020-06-22 2022-05-24 昆明理工大学 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法
CN111950698A (zh) * 2020-07-01 2020-11-17 燕山大学 基于卷积-门控循环神经网络的水泥回转窑电耗预测方法
CN112684701A (zh) * 2020-12-01 2021-04-20 哈尔滨工程大学 一种基于长短时记忆网络和高斯过程回归的船舶运动预报方法
CN114239407A (zh) * 2021-12-20 2022-03-25 湘潭大学 一种基于cnn-gru的电压态势感知方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106886846A (zh) * 2017-04-26 2017-06-23 中南大学 一种基于长短期记忆循环神经网络的银行网点备付金预测方法

Also Published As

Publication number Publication date
CN115440317A (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
Rajabi et al. Uncertainty-based simulation-optimization using Gaussian process emulation: application to coastal groundwater management
CN113052371B (zh) 基于深度卷积神经网络的剩余油分布预测方法及装置
CN111144542B (zh) 油井产能预测方法、装置和设备
CN108921279A (zh) 水库日入水量预测方法
CN113236228B (zh) 一种单井产量快速预测方法及系统
CN114492211B (zh) 一种基于自回归网络模型的剩余油分布预测方法
CN113792479A (zh) 一种基于物理约束的煤层气藏压裂效果评价方法
CN107944550A (zh) 一种基于探测式深度网络的时空大数据预测方法
CN115982141A (zh) 一种针对时序数据预测的特征优化方法
CN113627639A (zh) 用于碳酸盐岩缝洞型储层的试井产能预测方法及系统
CN113221458B (zh) 盾构刀盘扭矩多步预测方法和系统
CN115440317B (zh) 一种浸出铀浓度的预测方法及装置、电子设备、存储介质
Shi et al. Prediction of mechanical behavior of rocks with strong strain-softening effects by a deep-learning approach
CN114718556A (zh) 人工裂缝参数的获取方法、装置及设备
Morgenroth et al. A novel long-short term memory network approach for stress model updating for excavations in high stress environments
CN113887125B (zh) 一种复杂仿真系统运行有效性评估方法
CN113537354B (zh) 一种基于深度学习的含水层结构阶段式随机反演识别方法
Li et al. A gated recurrent unit network model for predicting open channel flow in coal mines based on attention mechanisms
CN113011657A (zh) 进行台风水位预测的方法、装置、电子设备及存储介质
CN115929289B (zh) 基于时间顺序的页岩气产量预测方法及装置
CN114384886B (zh) 基于长短期记忆网络与注意力机制的井筒积液预测方法
CN117390973B (zh) 基于多层感知机模型的矿山爆破炮孔利用率预测方法
CN117875154A (zh) 一种陆域天然气水合物产能预测方法、系统和电子设备
CN118313506A (zh) 基于pca和ga优化bp神经网络的岩溶隧道稳定性预测方法
CN117634685A (zh) 一种基于卷积神经网络的致密砂岩产能预测方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant