离子型稀土原地浸矿过程预测对制定稀土开采方案,进行绿色精准开采极为重要。其中涉及浸取液的饱和-非饱和渗流过程和相关离子的溶质运移过程。在工程中往往通过数值模拟对离子型稀土浸出过程进行预测。然而,数值模拟存在结果精度具有网格依赖性,计算过程难以收敛,计算时间较长等问题。物理信息神经网络(PINN)利用深度神经网络对物理规律和实验数据进行学习,是一种高效的无网格预测方法,能够弥补数值模拟的缺点。本文针对原地浸矿中浸取液的饱和-非饱和渗流预测问题,构建了渗流方程、模拟数据和实验数据混合驱动的PINN预测模型。研究了该PINN模型对不同土壤和不同厚度土层的泛化性能和预测精度。针对铵离子和稀土离子的溶质运移过程预测,构建了单网络、两网络和四网络溶质运移预测模型,分别使用实验数据和数值模拟数据对所构建的模型的实用性和精度进行了验证分析。最后采用所建立的渗流预测模型和溶质运移预测模型对实际稀土矿山的浸矿过程进行预测分析。本研究为原地浸矿过程模拟预测提供了新思路。 本文通过以上工作,得出以下结论: (1)构建了饱和-非饱和水流入渗预测模型,使用不同训练集对该模型进行训练,并使用该模型对含水率进行预测,不同训练集训练的模型的预测结果拟合度均达到了0.98以上;对壤土、粉砂壤土和黏壤土进行了预测,预测结果拟合度均达到0.98以上。使用该模型对10m厚的土层渗流问题进行了预测,模型在深层土壤渗流预测中表现出较高的精度,整体预测拟合度为0.98,满足工程需求。 (2)构建了分别由一个网络、两个网络和三个网络组成的溶质运移模型,对离子铵离子与稀土离子浓度进行预测,使用实验数据进行验证,其预测精度分别为0.977、0.997和0.937,由两个神经网络构成的预测模型具有较高精度。该网络在二次验证中对液相铵的拟合度为0.998,对液相稀土的拟合度为0.997。 (3)使用所构建的溶质运移预测模型对赣南某稀土矿山原地浸矿过程进行预测,模型能够较好的反映各注液区域的出液时间及离子峰值浓度变化随矿层厚度、稀土品位、浸矿周期等参数的变化规律。模型在原地浸矿预测中具有一定的实用性和泛化能力。