Neural networks-aided process modelling for impurity solvent extraction

Abstract

Impurity solvent extraction is important step in hydrometallurgical methods of producing battery-grade metal salts for cathode active materials. In order to model and optimize the hydrometallurgical processes as effectively as possible, artificial neural networks become useful. Basic optimization tools do not consider non-linearities which are also difficult to model mathematically, which is why neural networks are superior to linear optimizers.

In this thesis, a process model for impurity solvent extraction was developed with help of artificial neural networks. It was studied how neural networks are applied to solvent extraction process simulations while predicting output concentrations, and which kind of methodologies are the best while creating the networks.

In the experimental part, it was found out that neural networks can be used as an alternative technique for solvent extraction process modelling. Two networks were tested, and both presented good results and accuracies on training and test datasets, as well as on the validation set. The networks can be extremely useful when they are connected to a simulation software. Since neural networks are able to understand non-linearities, the non-idealities in solvent extraction chemistry can be described when the model is trained with sufficient solvent extraction data.

Epäpuhtausuutto on merkittävä vaihe akkumetallisuolojen hydrometallurgisessa valmistuksessa. Jotta hydrometallurgisia prosesseja pystyttäisiin optimoimaan mahdollisimman tehokkaasti, neuroverkkojen käyttäminen on erittäin hyödyllistä. Yksinkertaiset optimointiohjelmat eivät ota huomioon epälinearisuuksia, jotka ovat myös monimutkaisia mallintaa matemaattisesti. Tämän vuoksi neuroverkot ovat optimointitarkoituksissa erinomaisia.

Tässä diplomityössä on mallinnettu epäpuhtausuutto neuroverkkojen avulla. Työssä tutkittiin, kuinka neuroverkkoja voidaan hyödyntää neste-nesteuutossa ennustaen ulostulokonsentraatioita, ja minkälaiset menetelmät ovat parhaita neuroverkkojen luomisessa.

Diplomityön soveltavassa osassa huomattiin, että neuroverkkoja voidaan käyttää vaihtoehtoisena tapana neste-nesteuuton prosessimallinnuksissa. Työssä tutkittiin kahta neuroverkkoa, ja molemmat antoivat hyviä ja tarkkoja tuloksia sekä koulutus- ja testidatalla että validointidatalla. Neuroverkot voivat olla erittäin hyödyllisiä, varsinkin jos ne ovat yhdistettynä prosessisimulaatio-ohjelmistoon. Koska neuroverkot ymmärtävät epälineaarisuuksia, neste-nesteuuton epäideaalisuudet on mahdollista selittää, kun malli on koulutettu pätevällä datalla.