本發(fā)明涉及礦石分選，具體涉及一種礦石分選性能評估方法、系統(tǒng)及介質(zhì)，可用于礦石預(yù)拋廢、礦物富集等領(lǐng)域的算法評估和優(yōu)化。

背景技術(shù)：

1、隨著礦業(yè)的發(fā)展，礦石資源的高效利用變得越來越重要。礦石分選技術(shù)作為礦石預(yù)處理的重要環(huán)節(jié)，對提高礦石品位、降低選礦成本具有重要意義?；趚射線透射成像（xrt）的礦石分選技術(shù)由于其高效、非破壞性等優(yōu)點，得到了廣泛應(yīng)用。在礦石分選過程中，分選算法的性能直接影響分選效果。常見的分選算法包括傳統(tǒng)的統(tǒng)計模型和先進(jìn)的機(jī)器學(xué)習(xí)模型。然而，這些算法的評估通常依賴于代理指標(biāo)，如二分類精度，或單一的回收率和拋廢率，無法全面反映算法在不同條件下的性能。此外，缺乏對分選上限的認(rèn)知，無法指導(dǎo)用戶根據(jù)礦石特性和生產(chǎn)需求選擇最優(yōu)的分選策略。因此，迫切需要一種能夠全面評估礦石分選性能的方法，不僅可以量化礦石分選算法的整體性能，還能幫助用戶了解目標(biāo)礦石的分選潛力，指導(dǎo)分選策略的制定和優(yōu)化?，F(xiàn)有礦石分選技術(shù)中，評估分選算法性能的方式存在多方面的不足。傳統(tǒng)評估方法通常依賴于代理指標(biāo)或單一指標(biāo)，難以全面反映分選算法在不同條件下的性能，尤其是在生產(chǎn)環(huán)境需求變動或礦石性質(zhì)復(fù)雜時，代理指標(biāo)或單一指標(biāo)無法為用戶提供足夠的信息來優(yōu)化分選策略。此外，現(xiàn)有技術(shù)缺乏對分選上限的認(rèn)知，用戶無法知道在理想狀態(tài)下能夠達(dá)到的最佳回收率和拋廢率組合，難以做出有效的生產(chǎn)決策。代理指標(biāo)的局限性非常明顯。例如，分選算法a使用均方誤差（mse）指標(biāo)，而分選算法b使用二分類精度（binary?accuracy），則此時算法之間的表現(xiàn)無法直接比較。此外，即使算法c同樣使用二分類精度作為性能評價指標(biāo)，但算法b和算法c對二分類的定義不同，也會導(dǎo)致指標(biāo)無法直接被比較。而單一指標(biāo)，如常用的“回收率-拋廢率”組合，同樣有其局限性。這主要是由于這回收率和拋廢率都是越高越好，但它們往往是互斥的（拋出更多礦石會提升拋廢率，但同時會降低回收率）。例如，分選算法a的回收率和拋廢率為70%和60%，而分選算法b是90%和30%，基于這種單一指標(biāo)很難對兩個算法進(jìn)行全面的評價。

技術(shù)實現(xiàn)思路

1、本發(fā)明要解決的技術(shù)問題：針對現(xiàn)有技術(shù)的上述問題，提供一種礦石分選性能評估方法、系統(tǒng)及介質(zhì)，本發(fā)明旨在通過構(gòu)建“回收率-拋廢率”曲線實現(xiàn)量化礦石分選算法的實際表現(xiàn)和理想表現(xiàn)，提供全面的礦石分選算法評估結(jié)果以指導(dǎo)用戶選擇合適的礦石分選算法。

2、為了解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案為：

3、一種礦石分選性能評估方法，包括下述步驟：

4、s1，獲取收集的礦石樣品數(shù)據(jù)；

5、s2，使用待評估的礦石分選算法預(yù)測礦石樣品的預(yù)測品位，計算不同品位閾值下的回收率和拋廢率，構(gòu)建基于預(yù)測品位的“回收率-拋廢率”曲線；

6、s3，計算基于預(yù)測品位的“回收率-拋廢率”曲線的曲線包圍面積和預(yù)設(shè)的基于化驗品位的“回收率-拋廢率”曲線的曲線包圍面積的面積占比作為待評估的礦石分選算法的評估結(jié)果。

7、可選地，所述“回收率-拋廢率”曲線的x軸為拋廢率、y軸為回收率，或者所述“回收率-拋廢率”曲線的x軸為回收率、y軸為拋廢率。

8、可選地，步驟s1包括：針對從目標(biāo)礦石中隨機(jī)抽取覆蓋多種成分、品位和形態(tài)的塊礦石樣品形成樣品集合：

9、，

10、上式中，為樣品集合，～分別為第1～塊礦石樣品；對樣品集合中的每一塊礦石樣品分別獲取其化驗品位和重量形成品位向量和重量向量：

11、，

12、，

13、上式中，為品位向量，～分別為第1～塊礦石樣品的化驗品位，為重量向量，～分別為第1～塊礦石樣品的重量，表示轉(zhuǎn)置。

14、可選地，所述待評估的礦石分選算法為基于單能xrt圖像預(yù)測礦石樣品的預(yù)測品位并進(jìn)行礦石分選的礦石分選算法，步驟s1之后、步驟s2之前還包括分別對于每一塊礦石樣品獲取其表征數(shù)據(jù)，所述表征數(shù)據(jù)是指礦石樣品的單能xrt圖像，從而得到表征向量：

15、，

16、上式中，～分別為第1～塊礦石樣品的表征數(shù)據(jù)。

17、可選地，步驟s2包括：

18、s2.1，調(diào)整礦石分選算法的超參數(shù)，獲取使用待評估的礦石分選算法在使用不同超參數(shù)組合下預(yù)測礦石樣品的預(yù)測品位，計算不同品位閾值下的回收率和拋廢率的集合：

19、，

20、上式中，為第種超參數(shù)組合下的拋廢率，為第種超參數(shù)組合下的回收率，為超參數(shù)組合的數(shù)量；

21、s2.2，使用帕累托前沿方法從集合中篩選并過濾掉回收率和拋廢率都低于其它超參數(shù)組合數(shù)據(jù)點的超參數(shù)組合非支配點，并根據(jù)集合繪制基于預(yù)測品位的“回收率-拋廢率”曲線。

22、可選地，步驟s3中面積占比的計算函數(shù)表達(dá)式為：

23、，

24、上式中，表示面積占比，為預(yù)設(shè)的基于化驗品位的“回收率-拋廢率”曲線的曲線包圍面積，為基于預(yù)測品位的“回收率-拋廢率”曲線的曲線包圍面積，且有：

25、，

26、，

27、上式中，為基于化驗品位的“回收率-拋廢率”曲線的數(shù)據(jù)點數(shù)量，為基于預(yù)測品位的“回收率-拋廢率”曲線的數(shù)據(jù)點數(shù)量，和分別為預(yù)設(shè)的基于化驗品位的“回收率-拋廢率”曲線中第n和n+1個數(shù)據(jù)點的回收率，和分別為預(yù)設(shè)的基于化驗品位的“回收率-拋廢率”曲線中第n和n+1個數(shù)據(jù)點的拋廢率，和分別為基于預(yù)測品位的“回收率-拋廢率”曲線的第m和m+1個數(shù)據(jù)點的回收率，和分別為基于預(yù)測品位的“回收率-拋廢率”曲線的第m和m+1個數(shù)據(jù)點的拋廢率。

28、可選地，步驟s3之前還包括獲取預(yù)設(shè)的基于化驗品位的“回收率-拋廢率”曲線：

29、s101，將品位向量升序排序得到排序后的礦石樣品索引集合：

30、，

31、上式中，～分別為排序后的塊礦石樣品的索引，且滿足，其中～分別為排序后的第1～塊礦石樣品的品位；

32、s102，對于每個品位閾值根據(jù)下式計算對應(yīng)的拋廢率和回收率：

33、，

34、，

35、上式中，為排序后的第塊礦石樣品的序號，為排序后的第塊礦石樣品的重量，為排序后的第塊礦石樣品的品位；

36、s103，將所有品位閾值對應(yīng)的拋廢率和回收率作為數(shù)據(jù)點形成數(shù)據(jù)集合：

37、，

38、s104，根據(jù)集合繪制得到基于化驗品位的“回收率-拋廢率”曲線。

39、此外，本發(fā)明還提供一種礦石分選性能評估系統(tǒng)，包括相互連接的微處理器和存儲器，所述微處理器被編程或配置以執(zhí)行所述礦石分選性能評估方法。

40、此外，本發(fā)明還提供一種計算機(jī)可讀存儲介質(zhì)，該計算機(jī)可讀存儲介質(zhì)中存儲有計算機(jī)程序或指令，該計算機(jī)程序或指令被編程或配置以通過處理器執(zhí)行所述礦石分選性能評估方法。

41、此外，本發(fā)明還提供一種計算機(jī)程序產(chǎn)品，包括計算機(jī)程序或指令，該計算機(jī)程序或指令被編程或配置以通過處理器執(zhí)行所述礦石分選性能評估方法。

42、和現(xiàn)有技術(shù)相比，本發(fā)明主要具有下述優(yōu)點：本發(fā)明包括獲取收集的礦石樣品數(shù)據(jù)；使用待評估的礦石分選算法預(yù)測礦石樣品的預(yù)測品位，計算不同品位閾值下的回收率和拋廢率，構(gòu)建基于預(yù)測品位的“回收率-拋廢率”曲線；計算基于預(yù)測品位的“回收率-拋廢率”曲線的曲線包圍面積和預(yù)設(shè)的基于化驗品位的“回收率-拋廢率”曲線的曲線包圍面積的面積占比作為待評估的礦石分選算法的評估結(jié)果，本發(fā)明通過構(gòu)建“回收率-拋廢率”曲線，全面評估礦石的理想分選性能和分選算法實際的表現(xiàn)，本發(fā)明能夠幫助用戶確定礦石是否適合分選、選擇合適的分選閾值，以及量化不同礦石分選算法的綜合性能。