Details

The purpose of the study is to develop, evaluate, and deploy a hybrid surrogate-assisted multi-objective optimisation framework for a zinc fluidized bed roasting furnace, simultaneously maximising soluble zinc fraction in calcine and minimising sulphur dioxide concentration in off-gas. The subject of the research is machine learning surrogate models and evolutionary multi-objective optimisation algorithms applied to industrial process data. The research set the following goals: 1. Conduct time-series-aware exploratory data analysis of the synthetic zinc roasting dataset. 2. Implement a rigorous chronological preprocessing pipeline preventing temporal data leakage. 3. Train and compare five machine learning surrogate models for yield and SO2 prediction. 4. Apply a dual-criterion surrogate selection strategy combining statistical accuracy with physical credibility. 5. Implement NSGA-II and MOEA/D evolutionary optimisation and analyse the resulting Pareto fronts. 6. Conduct SHAP-based explainability analysis to validate surrogate physical credibility. 7. Deploy an interactive ten-page Streaml decision-support application operationalising the pipeline. During the work, a 1,441-observation synthetic industrial dataset was analysed and pre-processed using strictly chronological 80/20 train-test splitting and TimeSeriesSplit cross-validation. Five surrogate models were trained, and Gradient Boosting Machine was selected on dual criteria: superior statistical performance (R²-yield = 0.8889, R²-SO2 = 0.6183) and physical credibility of generated Pareto solutions. The GBM surrogate was embedded in NSGA-II and MOEA/D evolutionary algorithms via the pymoo library. NSGA-II identified 32,963 non-dominated solutions from 60,000 evaluations, achieving best yield = 0.9474 and best SO2 = 5.6806 vol.%, improving upon historical mean by 1.89 percentage points in yield and 6.81% in SO2 simultaneously. SHAP explainability confirmed that feed rate dominates yield prediction and bed temperatures dominate SO2 prediction. A ten-page Streamlit decision-support application operationalises the complete pipeline. The results may be used as a basis for data-driven decision-support in zinc hydrometallurgical plants and analogous pyrometallurgical systems. The thesis makes six original contributions: a time-series-aware surrogate-optimisation framework; a dual-criterion surrogate selection methodology; a demonstration of surrogate exploitation in industrial multi-objective optimisation; a comparative NSGA-II and MOEA/D evaluation; integrated SHAP explainability; and a deployable industrial decision-support application.

Цель исследования — разработка, оценка и внедрение гибридной суррогатно-ассистированной системы многокритериальной оптимизации для кипящего слоя цинкового обжига, обеспечивающей одновременное максимизацию доли растворимого цинка в огарке и минимизацию концентрации диоксида серы в отходящих газах. Предмет исследования — суррогатные модели машинного обучения и эволюционные алгоритмы многокритериальной оптимизации, применяемые к данным промышленных процессов. В рамках исследования были поставлены следующие задачи: 1. Провести разведочный анализ данных синтетического набора данных цинкового обжига с учётом временных зависимостей. 2. Реализовать строгий хронологический конвейер предобработки данных, исключающий временную утечку данных. 3. Обучить и сравнить пять суррогатных моделей машинного обучения для прогнозирования выхода продукта и концентрации SO₂. 4. Применить двухкритериальную стратегию выбора суррогатной модели, сочетающую статистическую точность с физической достоверностью. 5. Реализовать эволюционную оптимизацию с использованием алгоритмов NSGA-IIи MOEA/Dи проанализировать полученные фронты Парето. 6. Провести анализ интерпретируемости на основе SHAP для подтверждения физической достоверности суррогатной модели. 7. Разработать интерактивное десятистраничное приложение поддержки принятия решений на платформе Streamlit, реализующее разработанный конвейер. В ходе работы был проанализирован и предобработан синтетический промышленный набор данных объёмом 1 441 наблюдение с использованием строго хронологического разбиения 80/20 и кросс-валидации TimeSeriesSplit. Были обучены пять суррогатных моделей; по двум критериям была выбрана модель градиентного бустинга (GBM): наилучшие статистические показатели (R²-выход = 0,8889, R²-SO₂ = 0,6183) и физическая достоверность генерируемых решений Парето. Суррогатная модель GBMбыла встроена в эволюционные алгоритмы NSGA-IIи MOEA/D посредством библиотеки pymoo. Алгоритм NSGA-IIвыявил 32 963 недоминируемых решения из 60 000 вычислений, достигнув наилучшего значения выхода = 0,9474 и наилучшего значения SO₂ = 5,6806 об.%, что превышает исторические средние показатели на 1,89 процентного пункта по выходу и на 6,81% по SO₂ одновременно. Анализ интерпретируемости SHAP подтвердил, что скорость подачи сырья доминирует в прогнозировании выхода продукта, а температуры слоя — в прогнозировании SO₂. Разработанное десятистраничное приложение поддержки принятия решений на платформе Streamlit реализует полный конвейер. Полученные результаты могут служить основой для систем поддержки принятия решений на основе данных на цинковых гидрометаллургических предприятиях и аналогичных пирометаллургических производствах. Диссертация вносит шесть оригинальных вкладов: суррогатно-оптимизационный фреймворк с учётом временной структуры данных; методология двухкритериального выбора суррогатной модели; демонстрация суррогатной эксплуатации в промышленной многокритериальной оптимизации; сравнительная оценка алгоритмов NSGA-IIи MOEA/D; интегрированная интерпретируемость на основе SHAP; и готовое к развёртыванию промышленное приложение поддержки принятия решений.