基于神经网络的软测量建模

介绍了软测量建模技术,神经网络与软测量建模技术,以及基于神经网络的软测量建模的应用,发展现状和前景。     

提高金浮选回收率的研究

针对矿石性质 ,采用 3 8号捕收剂与丁基铵黑药 3∶2配成混合捕收剂 ,松醇油作起泡剂 ,磨矿细度 -74μm 66.66% ,工艺流程为一次粗选、一次精选、一次扫选或一次粗选、两次精选、一次扫选 ,获得金精矿产率大于3 .3 2 % ,品位大于 65 .70 g/t,回收率大于 93 .48% ,实现提高金浮选回收率的目的。     

核极限学习机在浮选回收率中的研究与应用

浮选回收率是浮选过程中重要的生产指标。需要通过人工检测得到的浮选回收率,可知性具有较大的时间延迟,使工人不能及时有效地对生产做出相应控制调整。由于浮选过程相当复杂,变量维数高、关联性强、噪声大、检测信号不完备等因素,难以建立较精确的回收率预测模型。然而,人工智能与机器学习技术能在机理不清楚、信息不完备的情况下,对复杂系统建立基于数据驱动的经验模型。因此,本文为提高回收率检测的及时性、有效性,在分析浮选过程相关因素影响的基础上,提出基于核极限学习机建立浮选回收率的预测模型。仿真实验结果表明,该建模方法可有效辨识浮选过程中,输入数据与回收率测量值之间的非线性关系,且具有更高的预测精度与训练性能。     

基于SBS-NARX的浮选过程精矿品位软测量

精矿品位是矿物浮选过程中的一项关键工艺指标,但在实际生产中该变量难以在线检测;且该过程非常复杂,具有高度的非线性及不确定性,常用的建模方法精度不够。针对上述问题,设计了一种顺序后向回归(SBS)与非线性自回归(NARX)神经网络结合的软测量算法。算法利用SBS对输入变量进行筛选以降低冗余变量对模型精度的影响,采用NARX神经网络对精矿品位进行预测。工业运行数据的仿真结果表明,该算法可以有效预测精矿品位,并且与其他算法相比,具有一定的优越性。     

美国明塔克矿用浮选柱改善浮选回收率

明塔克矿为生产优质硅自熔性球团，采用了浮选降硅。粗浮选泡沫曾用Ｄｅｒｒｉｃｋ细筛回收－５００目的细粒铁，但效果欠佳，故改用浮选柱取代细筛。与细筛相比、铁业矿产提高２４％，质量有所提高，全厂铁回收率提高了１．２５％。     

美国明塔克矿用浮选柱改善浮选回收率

明塔克矿为生产优质低硅自熔性球团，采用了浮选降硅。粗浮选泡沫曾用Derrick细筛回收－500目的细粒铁，但效果欠佳，故改用浮选柱取代细筛。与细筛相比，铁精矿产率提高24％，质量有所提高，全厂铁回收率提高了1．25％。介绍了影响浮选柱生产的控制因素，阐述了在流程中采用计算机控制的加法器箱装置，合理控制从浮选柱精矿分配到最终精矿的矿量，实现初步优化生产。     

基于多神经网络的磨矿粒度软测量模型

讨论了多神经网络的建模思路及其实现,针对某选矿厂实际一段磨矿分级过程建立了相应的多神经网络粒度软测量模型,并进行了仿真试验。结果表明,模型具有较高的精度,能成功地对磨矿产品粒度进行估计。     

提高乌山混合段铜钼回收率的浮选工艺研究

摘 要：乌山铜钼矿属于大型低品位铜钼矿床,近年来一直通过各种研究手段提高一段铜钼的回收率,最终研究发现通过中矿再选的这种方式可以有效的提高铜钼的回收率,即开出浮选流程中的精一底流+扫一泡沫进行单独再选,而且中矿再选的这种方式,不仅可以提高铜钼回收率,还能甩掉干扰浮选指标的细泥,提高混合精矿的品质,进而可能优化铜钼分离指标。通过一系列的试验研究,最终钼回收率提高3%-5%,铜根据不同矿性略有不同程度的提高。     

浮选作业浓度对锌选矿回收率的影响

探索研究了锌浮选作业浓度对选锌回收率的影响,试验结果表明,提高锌循环浮选作业浓度对提高锌的回收率是有利的。针对浮铅尾矿矿浆样,将铅尾矿浆样浓缩至浓度为45.16%,锌回收率可达96.46%;而当铅尾矿浆浓度为32.07%时,锌回收率仅为91.57%,锌精矿中锌的回收率增加了4.92%。针对原矿综合样,在铅尾矿浆不浓缩情况下,锌回收率为90.07%;而若将铅尾矿浓缩至浓度为45%左右,锌回收率为91.39%,锌精矿中锌的回收率增加了1.32%。     

基于LM-BP神经网络的浮选药剂流量预测模型研究

结合东鞍山选矿厂浮选流程的实际工况,采集现场浮选流程的关键过程变量、工艺指标,提出了基于LM-BP神经网络的浮选药剂流量预测模型。数据交叉验证的结果表明,该方法能够在保证精矿品位、回收率等指标满足生产要求的前提下,合理预测浮选药剂制度,使浮选矿浆达到最佳矿化状态,进而优化浮选各项指标,对于降低选厂浮选流程的生产成本有一定的参考价值。     

CO传感器神经网络补偿模型

提出了一种神经网络数学模型补偿方法,采用最大最小距离法确定聚类数目,用聚类算法计算RBF神经网络中心和扩展常数,实验结果表明,补偿模型设计合理,达到预期要求,为煤矿CO传感器准确检测低浓度CO气体浓度提供理论依据。     

浮选回收某锌渣中银的中试研究

内蒙古某锌冶炼公司的锌渣中富集有190~260g/t的金属银,其中可回收的银占到70%左右;但是该锌渣粒度细,化学组成复杂,含有一定量的聚丙烯酰胺,且渣中的银以多种形态赋存,使得银的综合回收率很难得到提高。针对这些特点,在实验室可行性探索实验的基础上,通过中试试验的对比和优化研究,最终确立了一粗一精二扫与中矿集中单独再选的联合浮选工艺。该工艺的中试试验的综合指标为:给矿平均品位为Ag 236.0g/t,银精矿的平均品位为Ag 10743.67g/t,银回收率达62.06%。     

包钢稀土尾矿中稀土矿物的浮选再回收

包钢稀土尾矿中的稀土矿物有较高的再回收价值。对-74 μm粒级产率为77.73%、REO品位为5.97%、主要稀土矿物氟碳铈矿和独居石含量分别达4.10%和3.80%的包钢稀土尾矿试样进行了浮选再选试验。结果表明,在磨矿细度为-74 μm占95%,粗选矿浆浓度为40%,矿浆温度为30 ℃,粗选NaOH用量为3 000 g/t,水玻璃用量为2 000 g/t,H205+LD用量为400+300 g/t情况下,采用1粗3精2扫、中矿顺序返回流程处理试样,获得了REO品位为45.08%、REO回收率为75.27%的稀土精矿。     

灰色预测模型与浮选动力学多重模型

阐述了灰色预测模型的建立过程，通过试验方式，对比分析了灰色预测模型与浮选动力学多重预测模型的实践应用效果，表明色预测模型预测的优越性。     

MAC-12捕收剂提高金银回收率的浮选试验研究

针对某金矿金载体矿物分散,金嵌布粒度微细,采用常规捕收剂金回收率不高的问题,采用新型MAC-12捕收剂对该金矿石进行强化浮选试验研究。结果表明, MAC-12是一种金高效捕收剂,在pH=9左右的弱碱性条件下,金的回收率比丁胺黑药提高5.41个百分点,金品位提高18.74 g/t,MAC-12的使用改善了金的浮选指标。     

人工神经网络模型在瓦斯预测中的应用

通过对神经网络的基本原理和学习算法的分析，建立了基于瓦斯涌出量预测的BP网络应用模型，采用Delphi编程语言，预测了瓦斯的涌出量，并结合实例进行了验证。     

浮选脱泥回收尾矿中白钨与氧化钼的试验研究

矿泥的存在严重影响从尾矿中回收白钨与氧化钼。试验研究表明,在机械脱除产率占4%的矿泥后,采用新研制的捕收剂,可取得混合精矿中含WO₃ 7.49%、Mo 3.80%,回收率WO 3 65.80%、Mo 67.15%的指标。     

提高微细粒嵌布金矿石浮选回收率的试验研究

针对某金矿载金矿物分散,金嵌布粒度微细,采用常规浮选方法金回收率不高的问题,采用细磨、添加分散剂、加入Mac-12新型捕收剂等措施对该金矿石进行强化浮选试验。试验研究结果表明,该工艺对此金矿石具有很好的适应性,在pH值为9左右的弱碱性条件下,可提高金回收率8.27个百分点,提高金品位21.28 g/t。