基于Matlab的锡石多金属硫化矿磨矿产品粒度分布预测研究

对磨矿产品粒度分布进行精准预测是实现磨矿智能化调控和优化的有效途径之一。本文基于锡石多金属硫化矿磨矿试验数据和Matlab编程技术,进行建立粒子群算法BP神经网络磨矿产品粒度分布预测模型研究。结果表明,在不同直径球介质不同磨矿时间条件下,除少数几个粒级的平均相对误差在1%~2.22%,其他均在0.6%以下,预测结果比较理想。这说明预测模型的预测值与试验值吻合度高,模型可靠性高、适用性好。研究结果为锡石多金属硫化矿磨矿产品粒度分布预测提供一种新方法,也为锡石多金属硫化矿磨矿智能化调控和优化控制提供理论基础。     

锡石多金属硫化矿磨矿优化试验研究

为了缓解锡石多金属硫化矿在磨矿实践中存在锡石过磨与硫化矿欠磨的矛盾,优化其磨矿过程。本文采用单因素试验方法,研究操作因素如磨矿时间、磨矿浓度及磨机充填率对磨矿技术效率、矿石欠磨与过磨以及磨矿合格粒级产出影响规律。结果表明,在磨矿时间8min、磨矿浓度70%、充填率30%时,获得的磨矿技术效率最优。磨矿时间和充填率对锡石多金属硫化矿矿石欠磨与过磨及磨矿合格粒级产出影响较大,而磨矿浓度对其影响相对较小。研究结果可为后续的工业磨矿过程的优化提供试验数据。     

基于磨矿技术效率锡石多金属硫化矿磨矿优化研究

在锡石多金属硫化矿磨矿实践中,存在锡石过磨和硫化矿欠磨的问题。为缓解锡石过磨和硫化矿欠磨矛盾,实现磨矿优化,采用单因素试验与响应曲面法试验方法,提出合格粒级指数表征方法,研究了入磨粒度、磨矿时间、磨矿浓度对锡石多金属硫化矿磨矿技术效率与合格粒级指数的影响,结果表明:单因素分析时,与-3 mm入磨粒度相比,-2 mm入磨粒度的磨矿产物能够得到较高的锡石磨矿技术效率和硫化矿磨矿技术效率,且锡、锌、铅、铁四种金属的合格粒级指数较高;磨矿时间为8 min时,磨矿产物的磨矿技术效率最高,且锡金属合格粒级指数最高;磨矿浓度为75%时,锡金属合格粒级指数最高。响应曲面法分析时,入磨粒度为-2 mm,磨矿时间为8 min,磨矿浓度为75%时,锡金属合格粒级指数最高。     

锡石多金属硫化矿磨矿试验研究

为了优化磨矿操作,缓解锡石过磨和硫化矿欠磨的矛盾,研究了入磨粒度、磨矿时间及磨矿浓度三个因素对磨矿产物中各个粒级产率、金属分布率的影响规律。结果表明,入磨粒度对磨矿效果影响明显,比较-2 mm和-3 mm两个入磨粒度,-2 mm的磨矿效果较好;随着磨矿时间的增加,磨矿产物中不同金属锡、锌、铅、铁的分布率变化规律大致相似,即粗粒级中锡、锌、铅、铁的金属分布率减小,细粒级金属分布率增大;磨矿浓度从50%增大到75%时,磨矿效果逐渐改善,磨矿浓度超过75%后,磨矿效果变差。入磨粒度为-2 mm,磨矿时间为4~6 min,磨矿浓度为75%时,有效缓解了锡石过磨和硫化矿欠磨的矛盾,磨矿效果较好。     

锡石多金属硫化矿磨矿目标粒度产率预测模型研究

针对锡石多金属硫化矿磨矿实践中存在的锡石过磨和硫化矿欠磨问题,在研究磨矿产物粒度特征的基础上,提出磨矿目标粒度产率,以磨矿浓度和磨矿时间为自变量,利用MATLAB软件分别建立了锡石和硫化矿磨矿目标粒度产率预测模型,结果表明:入磨粒度为-3 mm、浓度为65%、磨矿时间为6min时,磨矿产物粒度分布符合A.M.高丁数学模型,拟合决定系数为0.9957;不同磨矿时间下磨矿产物粒度分布符合磨矿动力学模型,拟合决定系数为0.900;通过数学极值分析,求出锡石和硫化矿的磨矿目标粒度产率极大值分别为29.11%和31.13%,极值点分别为(60.38%,2.837)和(38.43%,7.202)。     

锡石多金属硫化矿微波助磨研究

从微波选择性加热潜力出发,研究了锡石多金属硫化矿的微波吸收效果及其微波辅助加热预处理对磨矿结果的影响,考察了矿石微波加热预处理前后磨矿产品的粒度分布、金属分布等指标的变化,旨在探索锡石多金属硫化矿的微波加热辅助磨矿新途径。结果表明:锡石多金属硫化矿的主要矿物的吸波能力存在显著差异,其中脆硫锑铅矿的吸波能力最强,其次是黄铁矿,再次是锡石,闪锌矿和脉石矿物的吸波能力最差;物料加热预处理后采用水快速冷却后的磨矿效果比自然慢冷好。      

响应曲面法优化锡石多金属硫化矿磨矿速率影响参数研究

基于磨矿动力学研究了锡石多金属硫化矿的磨矿速率,采用响应曲面法,研究分析磨矿时间、矿浆浓度、充填率等参数对矿石磨矿速率的影响规律,结果表明:对磨矿速率影响显著程度从大至小依次是磨矿时间、充填率、矿浆浓度;矿浆浓度和充填率的交互作用最显著,磨矿时间和充填率的交互作用次之,矿浆浓度与磨矿时间的交互作用不显著。磨矿最优化参数为:磨矿时间为5 min,矿浆浓度为75%,充填率为30%,最佳磨矿速率为96.92%,并能够降低能耗39.99%。因此,磨矿最优条件可靠性高,模型方程实用性好。     

锡石多金属硫化矿沉降特性试验研究

针对锡石多金属硫化矿磨矿过程中出现的锡石“过磨”问题, 从研究锡石多金属硫化矿沉降特性入手, 考察了沉降时间、沉降高度和矿浆浓度对沉砂产率的影响, 获得不同粒级磨矿产品沉降规律, 为提高分级效率和降低锡石“过磨”提供理论指导。     

基于球磨机破碎能下最优磨矿参数研究

在球磨机中,钢球回落时具有的动能转化成了对矿石的破碎能。通过数学理论分析,推导出球磨机破碎能理论公式、最优破碎下充填率与转速率之间的理论公式及其最优理论取值范围。同时,以广西某选矿厂锡石多金属硫化矿为原料进行磨矿试验,考察磨矿时间、磨矿浓度、磨机转速率与充填率等因素对矿石破碎的影响规律,并验证该理论公式的适应性及相关参数理论取值范围的可靠性。结果表明,在转速率为83%、充填率为30.82%时矿石破碎程度最高,该结果证明了该理论公式具有良好的适应性,相关参数理论取值范围的可靠性好。     

锡石多金属硫化矿微波辅助磨矿机理研究

以锡石多金属硫化矿作为研究对象,通过微波加热预处理矿石,考察矿石预处理前后和不同冷却方式对磨矿产品可磨度等指标的影响。结果表明,经微波加热预处理后,矿石可磨度提高,邦德功指数下降。这是因为微波辐射致使锡石多金属硫化矿中的脆硫锑铅矿、黄铁矿、闪锌矿、锡石等金属矿物温度升高,而脉石矿物升温并不明显,致使金属矿物和脉石的温度梯度大,产生不均匀热膨胀,导致在矿石内部出现应力集中对矿物与脉石产生破坏,强化锡石多金属硫化矿磨矿效果。      

基于PSO-BP神经网络的边坡稳定性模型研究

为了对边坡的稳定性进行分析,以黏聚力、内摩擦角、边坡倾角、坡体的容重、边坡高度、孔隙压力比6个主要影响因素作为边坡稳定性的判别指标,利用粒子群算法优化BP神经网络的权值和阀值,建立边坡稳定性的PSO-BP模型,并对5个边坡的稳定性进行分析,预测的平均误差达到1.98%,预测效果较好。结果表明,PSO-BP神经网络模型较传统的BP神经网络模型精度更高,收敛速度更快。     

基于PSO优化BP神经网络的露天矿边坡位移预测模型

BP神经网络的初始连接权重和阈值对露天矿边坡位移预测的精度和收敛速度有重要影响。鉴于粒子群优化(PSO)算法具有全局搜索性能和收敛速度快,引入PSO算法对BP神经网络的初始连接权重和阈值进行全局优化,提出了基于PSO优化BP神经网络的露天矿边坡位移预测模型。将所提出的模型应用于实际案例中,并与BP神经网络进行对比。结果表明:该模型能够提高BP神经网络在露天矿边坡位移预测中的精度和收敛速度,预测结果的最大相对误差和平均相对误差分别是0.566 8%和0.353 0%,具有较好的精度和实际应用价值。     

基于Adaboost-PSO-BP模型的开采沉陷预测研究

针对开采沉陷量与多影响因素复杂非线性关系问题，提出了基于粒子群算法优化BP神经网络的Adaboost强预测模型(Adaboost-PSO-BP模型)。预测结果表明，与BP模型、Adaboost-BP模型和PSO-BP模型相比，Adaboost-PSO-BP模型提高了预测精度，平均相对误差值优化到4.26%|该模型融合了Adaboost算法侧重预测误差大的样本和粒子群算法优化神经网络权值及阈值的特点，实现了强预测器“优中选优”的目的，在开采沉陷预测中具有可行性。     

基于PSO-SVR预测模型的综采工作面周期来压研究

为了准确预测综采工作面基本顶周期来压规律,采用灰度系统理论提取了影响综采工作面周期来压的八个显著因素。针对支持向量机(SVR)预测模型过分依赖主观选择的参数问题,建立了粒子群算法优化参数选择的支持向量机(PSO-SVR)预测模型。试验结果得出：PSO-SVR比SVR模型在周期来压强度和步距的均方误差分别降低为47.7%、74.3%,决定系数分别提升为45.7%、44.6%。为突显PSO-SVR模型性能的优越性,与应用最广泛的BP普通神经网络进行了对比试验,粒子群算法对标准支持向量机模型性能优化效果明显,较普通BP神经网络优势显著。可见,PSO-SVR对于多种因素影响的非线性耦合预测具有较高的精度和较强的泛化性。     

基于神经网络的平面磨削表面粗糙度预测模型

针对平面磨削的特点,采用正交试验方法获取学习样本,用BP神经网络建立砂轮径向切入进给量、轴向进给量和工作台进给速度与表面粗糙度关系模型,并用MATLAB实现对该模型的训练和仿真,由此得出表面粗糙度预测模型。结果显示:该模型具有较高的预测精度,在学习样本的采样区间平均预测误差为3.7%,最大预测误差为7.9%。为平面磨削表面粗糙度预测提供了一种新的可行方法。     

矿山深部开采覆岩沉陷预测的改进粒子群优化BP模型

为提高矿山深部开采覆岩沉陷的预测精度,以吉林省某矿山为例,将覆岩抗压强度、工作面推进距离、采厚、煤层倾角、采深作为开采沉陷预测的主要影响因素,以煤层倾角、工作面推进距离、采厚等参数作为预测模型的输入值,将最大沉陷值作为预测模型的输出值,构建了BP神经网络开采沉陷预测模型。针对经典BP神经网络模型在训练时具有学习速度慢、抗干扰能力弱以及易陷入局部最小值等不足,采用一种改进型粒子群优化算法对其进行了优化,构建了改进粒子群优化BP神经网络模型。试验表明：①所提模型的平方相关系数R₂为0.932、平均绝对误差e_ME为0.195、平均相对误差e_MRE为0.082、训练时间t为21.5 s、均方误差e_MSE为0.067 1;②经典BP神经网络模型的平方相关系数R₂为0.802、平均绝对误差e_ME为0.605、平均相对误差e_MRE为0.255、训练时间t为30.9 s、均方误差e_MSE为0.089 1;③PSO-BP神经网络模型的平方相关系数R₂为0.825、平均绝对误差e_ME为0.382、平均相对误差e_MRE为0.216、训练时间t为23.5 s、均方误差e_MSE为0.078 2。可见,所提模型具有较高的训练效率,拟合效果较好且预测精度较高,对于大幅提升矿山开采沉陷预测精度有一定的借鉴价值。     

改进GWO-BP算法的概率积分法预计参数求取

针对BP神经网络模型在求取概率积分法预计参数时的缺陷,提出了一种基于改进灰狼优化算法(GWO)的BP神经网络参数预测模型。主要通过对灰狼算法的收敛因子a进行非线性收敛的改进,再利用粒子群算法(PSO)的速度更新公式更新搜索灰狼搜索位置。用改进的灰狼优化算法对BP神经网络的初始权值和阈值进行优化,然后利用最优的初始权值和阈值对模型进行训练和预测,从而得到概率积分法参数的预测结果。结果显示经过改进的灰狼算法优化BP神经网络的参数预测结果明显优于单一的BP神经网络模型和不改进的灰狼算法优化BP神经网络模型的预测结果,可以在矿区开采沉陷预计方面得到应用。     

基于粒子群—最小二乘支持向量机模型的矿山爆破振动速度预测

爆破地震危害是矿山开采过程中最为显著的负面效应之一,准确预测质点峰值振动速度（PPV）对于有效预防爆破振动引发的建（构）筑物失稳破坏具有极大的工程实际意义。设计并开展了露天矿山开挖爆破现场监测试验,采用灰色关联分析法对PPV影响因素进行敏感性分析,确定各影响因素之间的主次关系。在此基础上,建立最小二乘支持向量机（LS-SVM）模型对PPV进行预测,并通过粒子群算法（PSO）局部寻优确定LS SVM模型中正则化参数和核函数宽度系数的最佳参数组合,最后将PSO-LSSVM模型预测结果与BP神经网络模型、LS-SVM模型及传统萨道夫斯基公式的预测结果进行了对比分析。结果表明：PSO-LSSVM模型对PPV预测的拟合相关系数（R2）、均方根误差（RMSE）、平均相对误差（MRE）及纳什系数（NSE）分别为97.38%、2.68%、1.36%和99.98%,PSO-LSSVM模型预测精度更高,且具有更好的泛化能力,用于多因素影响下的矿山爆破PPV预测切实可行。