地球化学勘探中的外部多源探测法

外部多源探测法起源于人们对数据分布特征的研究，作为地球化学勘探中的一种新型方法，在区分与处理正常数据中的极大值问题上，已经得到了广泛的应用。为了使地图上的外部多源地学数据更易于可视化，外部多源地区图随之应运而生。在这种外部多源地区图中，不同的符号代表了不同数据距离数据分布域中心的离差，考虑到不同数据分布域的形态特征，可以用不同的颜色来表示每个变量数值的数量级。     

近距离煤层综放回采巷道合理位置确定

针对近距离煤层开采下部煤层回采巷道布置这一难题,采用理论分析与数值模拟等手段对上位煤层开采后造成的底板破坏深度、残留煤柱在底板的应力分布以及巷道在非均布载荷下易于破坏的原因进行研究。研究表明:煤层开采引起的侧向支承压力对底板造成的最大破坏深度为25.3m,已经波及到下位煤层巷道所在水平;在煤柱两侧边缘出现一定范围的应力降低区,煤柱正下方出现一定范围的应力增高区,煤柱底板的应力分布具有明显的非均匀性;下位煤层巷道在非均布荷载作用下,更易出现局部拉应力过大,从而造成巷道变形破坏。采用主应力改变量Δσ表示应力不均衡程度,考虑最大限度回收资源,结合数值模拟主应力分布特征,确定下位煤层回采巷道布置在距煤柱水平距离14 m。     

基于改进NMM的深部煤巷围岩碎胀大变形模拟研究

深部煤巷围岩碎胀大变形是一个从峰前损伤扩容到峰后破裂碎胀的连续-非连续渐进破坏演化过程。本文以数值流形方法为基本架构,发展了深部煤巷围岩破裂碎胀大变形模拟预测分析方法,主要进行了4个方面的研究:①在数值流形方法中植入Voronoi随机多边形环路自动生成算法,基于该几何表征方法发展了能够考虑岩体非连续面黏聚力和张拉强度的界面接触计算模型,构建了基于界面接触模型的岩体破裂算法准则;②构建了基于显式积分格式的数值流形算法,并引入Voronoi随机多边形环路自动生成算法和界面接触计算模型,搭建了基于Voronoi多边形环路构型的显式数值流形方法;③在上述算法改进的基础上,发展了基于软化单元法和删除单元法的煤巷开挖卸荷模拟算法;④基于上述改进的数值流形方法,对深部煤巷开挖卸荷作用下围岩渐进破坏演化规律与碎胀大变形力学行为特征、以及最终开挖损伤区的形成与分布特征等进行研究。研究结果表明,上述改进方法能够实现深部煤巷围岩复杂多裂纹扩展路径的模拟,并在同一架构下对围岩峰前损伤扩容连续变形-峰后破裂碎胀非连续变形进行仿真分析;通过该方法能够较好地对深部煤巷开挖卸荷作用下围岩破裂碎胀行为特征、围岩径向收敛变形特征以及最终形成的EDZ分布特征进行预测分析。     

球磨过程无因次量群及数学模型组

本文在对球磨过程系统分析的基础上，用量纲分析法，导出表征球磨过程的１４个无因次量。利用决定和非决定性无次量间的关系，建立了反映磨机处理能力，能耗，粉磨比，产品粒度分布，料球比和声响等６个系统输出和状态特性的数学模型组。描述介质填充，冲击作用，研磨作用，配经特征，粉磨浓度，转转速率，给料粒度及其分面特征的非决定无因次量均被引入作为模型因变量。这使得模型组较全面地描述了多因素对粉磨过程状态和输出特性的     

采动影响下沿空留巷底板非对称性底鼓变形研究

针对沿空留巷底板变形问题,及对沿空留巷巷旁充填体及巷道一侧实体煤的力学研究,提出沿空巷道底板受力的非对称性特征。建立简化的力学模型,计算沿空巷道底板的集中应力作用点。以韩城矿业公司象山煤矿为例,建立数值模型并进行数值模拟计算,总结沿空巷道底板底鼓变形的非对称性特征及针对性控制方法。     

基于灰关联法的爆破振动特征参量影响因素的敏感性分析

采用灰关联分析法,对影响露天矿采场爆破振动特征参量的各种因素进行了敏感性分析,找出了各种影响因素主次关系。同时把多种非爆源因素作为相关变量进行了讨论,为爆破振动特征参量的预测研究提供了重要依据。     

采动条件下煤体渗透率演化方程的构建及应用

在对煤体全应力应变过程渗透性变化规律进行分析的基础上,基于应变等价原理,构建了以等效塑性应变为变量的损伤模型和以损伤变量作为过渡变量的渗透率演化方程,并采用数值模拟的方法对渗透率演化方程进行了应用。渗透性方程能够正确地表示出采动条件下煤体的渗透性变化规律,可为采动条件下煤层瓦斯渗流耦合规律的研究和提高煤层瓦斯抽采效果提供技术支持。     

采动应力下煤体渗透率模型构建及研究进展

首先对煤体渗透率的经典模型进行了简介,其次结合采动过程中煤体内的力学变化机制及渗透率的控制因素提出了采动应力下煤体渗透率模型构建过程中的关键问题,并就每个关键问题的研究进展进行了总结和分析。关键问题包括以下3个方面:采动煤体各向异性特征、采动煤体损伤破裂特征和煤体吸附解吸特征的表征方法。其中,各向异性特征的煤体渗透率模型可划分为有效应力变化和几何参数变化进行表征的两类,有效应力变化角度的建模结果基本为指数型函数、几何参数变化角度的建模结果多为3次方的幂函数;损伤破裂特征的煤体渗透率模型被归纳为本构方程中含损伤变量和渗透率表达式中含损伤变量的2类,本构方程中含损伤变量的模型具有更广的适用范围,渗透率表达式中含损伤变量的模型能够更加直观的表示渗透率和影响因素之间的数量关系;在煤体吸附解吸特征的表征方法中对基于吸附热力学而建立的煤体吸附应变表达式进行了总结,同时指出在煤体渗透率模型构建中Langmuir方程形式的吸附应变表达式应用最为广泛。然后,对采动应力下煤体渗透率模型的研究进展进行了介绍,将采动应力下煤体渗透率模型归纳为有效应力型、几何参数型和系数拟合型的3类,依次对3类模型中代表性成果的表达式及应用情况进行了概述。最后,从每个关键问题的角度对后续构建采动应力下煤体渗透率模型的研究进行了展望。     

基于PCA-RVM的露天矿边坡稳定性预测模型

针对当前露天矿边坡稳定性预测模型精度不高、效率低等问题,提出一种将主成分分析法(PCA)和相关向量机(RVM)相结合的露天矿边坡稳定性预测模型.该模型运用PCA对影响边坡稳定性的多个影响因素变量进行降维,筛选出4个相互独立的主成分变量;借助RVM映射边坡稳定性安全系数与主成分变量之间的非线性关系,建立基于PCA-RVM...     

基于实测地应力的综放工作面采动应力分布及演化特征研究

基于地应力对综放工作面煤岩体变形破坏、动力灾害防治、采动应力场演化等的重要影响,在朱仙庄煤矿南翼地应力实测的基础上,开展了基于多目标约束的矿井应力场最优化反分析,获得了矿区最优边界荷载和地应力分布规律。利用FLAC~(3D)建立数值模型,探讨了最大主应力与工作面推进方向夹角α、侧压系数λ及水平应力非均匀系数ζ等因素对综放工作面采动应力场的影响规律。结果表明:不同地应力对综放采场内各采动应力场分布及演化特征具有显著影响。针对该矿井某一实际工作面的地应力分布特征、煤岩物理力学参数及开采技术条件,分析了综放面采动应力场的分布规律及其随工作面推进的演化特征。研究结果可为综放工作面的顶底板管理、巷道支护等提供重要借鉴。     

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。     

Application of neural networks to predict locked cycle flotation test results

The performance of a continuous flotation circuit is influenced by the flotation variables and the number of stages of a flotation circuit is dependent on flotation conditions, such that the interrelation between the flotation conditions and the number of stages must be carefully determined to obtain acceptable metallurgical performance from the circuit. The locked cycle test is a useful tool for simulation of continuous flotation circuits. However, it is a time-consuming and tedious procedure. A simulation method used to predict locked cycle test results from data from individual batch tests is available in the literature. In order to develop an optimum circuit configuration for a specific ore, several batch flotation tests for the first cycle of the locked cycle test have to be conducted to predict the metallurgical performance of various circuit types. Therefore, an integrated simulation method, which uses experimental data and the results of this simulation method has been developed to structure a neural network model for prediction of locked cycle tests results without additional experiment and calculation. In training and testing of the neural network model, results of the simulation method were used as the output data set and the flotation conditions of the batch tests were used as the input data set. Apart from the training and testing data, results of the LCT for several circuit types were predicted in order to validate the neural network model and to determine its performance on both: interpolation and extrapolation. Because the neural network model was trained using results of the simulation method, the use of the neural network model did not lead to any improvement in predictions of actual LCT results. However, the results of this study indicate that the neural network model can be used to simulate various circuit types with an error of less than 4%, instead of the simulation method. Consequently, the neural network model, as an alternative to the simulation method, can be used to determine the effects of changes in certain flotation variables on the number of cleaner and scavenger stages in a flotation circuit.     

白钨矿与黑钨矿分流分速异步浮选过程中的模拟研究

本文针对矽卡岩型黑白钨混合矿,在相关异步浮选分离研究的基础上,利用回归分析与人工神经网络建立起不同工艺条件与矿物可浮性变化规律关系模型,为解决浮选建模过程中遇到的多变量、非线性、强耦合、大滞后等难题,实现浮选过程的优化控制提供参考。研究结果表明：对矿物浮选累计回收率的影响因素大小依次是Time > pH > 羟肟酸 > 柠檬酸。对于预测矿物不同工艺条件下的浮选指标,回归模型预测精度较差,白钨矿和黑钨矿浮选累计回收率预测值与试验值之间的相关系数R₂分别为0.805、0.827,而神经网络模型具有较好的预测精度,相关系数R₂分别为0.944、0.947。人工混合矿分离结果与单矿物浮选规律有很好的一致性,应用所建立的神经网络模型对于更好的掌握不同矿物之间的浮游规律,优化浮选工艺有一定的意义。     

基于正交试验和BP人工神经网络的浮选药剂制度优化

探索了人工神经网络在浮选药剂制度优化中的应用。研究通过浮选药剂三因素三水平正交试验采集具有一定代表性的实验数据,然后采用BP人工神经网络,建立了输入为pH值调整剂碳酸钠的用量、抑制剂硅酸钠的用量和捕收剂的用量,输出为选矿效率的BP人工神经网络模型,并通过样本检验模型的准确性。试验结果:F检验确定的药剂制度为pH值调整剂用量4 kg/t、抑制剂用量3 kg/t、捕收剂用量1 kg/t,选矿效率为19.75%,BP人工神经网络确定的药剂制度为pH值调整剂用量4 kg/t、抑制剂用量2.3 kg/t、捕收剂用0.9 kg/t,选矿效率为19.47%,两种药剂制度的选矿效率差别很小,但BP网络确定的药剂制度药剂用量更少。结果表明利用BP人工神经网络可用于浮选药剂制度的优化,可减少试验量,可通过建立模型找出更优的药剂制度,同时结合正交试验减少人工神经网络的学习样本数量,增加样本代表性,优化神经网络的学习过程。     

选煤厂浮选过程智能控制系统设计

针对屯兰选煤厂浮选过程加药量控制精度低、稳定性差、精煤洗出率低的问题,设计浮选过程智能控制系统。智能控制系统由基于BP神经网络的加药量预测模型和基于CAN总线通信的监控平台两部分组成,使得浮选过程智能化、透明化、信息化。经试验验证:屯兰选煤厂浮选过程采用BP神经网络预测模型后加药量更加精确、稳定,提高了精煤洗出率。     

Effects of hydrodynamic parameters on entrainment and flotation performance

The separation selectivity and efficiency of the flotation process depends not only on differences in the physico-chemical surface properties of various minerals within an ore, but also on the hydrodynamics of flotation. The hydrodynamics relate directly to many sub-processes of the flotation, such as suspension of particles in the pulp, dispersion of the air into bubbles and the probability of particle–bubble collision. Mechanical entrainment plays a major role in the quality of the flotation concentrate and the separation selectivity. Therefore, the effects of some important hydrodynamic parameters on both the entrainment and the flotation performance were investigated by means of a fractional factorial experimental design. Furthermore, many flotation tests were performed in order to generate sufficient data for use in empirical modelling and neural network based modelling, in light of the results of the experimental design. The adaptability and reliability of the models developed, depending on the treatment of available experimental data, have been studied comprehensively. Evaluation of the observed and predicted results demonstrated that the effect of some chemical and hydrodynamic parameters of the flotation process on both the metallurgical performance and entrainment in the training region, can successfully be predicted, with an error of less than 6%, by using the developed neural networks models without particular assumptions and additional experiments. In order to prove the validation of the empirical and neural networks models developed and to compare their performances, a few additional tests were conducted under predetermined flotation conditions. The results of these additional flotation tests indicated that the neural network models were consistently more accurate than the empirical models with a negligible error.     

浮选指标预测与判断神经网络专家系统的研究

将神经网络与传统专家系统有机地结合，建立了用于浮选过程中浮选指标预测与判断的神经网络专家系统，该系统适应性强，且具有良好的自学习功能。     

基于BP人工神经网络的磷矿品位预测模型研究

利用特制传感器采集磷矿原矿、浮选精矿和尾矿的颗粒表面特征参数,通过BP神经网络对采集数据进行建模处理,利用该模型进行浮选精矿的品位预测,计算结果显示,模型预测值与实测精矿品位绝对误差小于0.5%,能有效地预测磷矿浮选过程精矿品位。     

浮选图像中泡沫边缘分割

矿物浮选过程中泡沫的表面特征是浮选性能的重要指标,它可以实时、直观地反映浮选效果的变化,准确分割泡沫的边缘信息是浮选过程中一项重要的任务。近年来,研究人员提出了各种浮选泡沫图像分割算法,但浮选泡沫图像中存在泡沫数量多、泡沫间粘连严重以及边缘不清晰等问题,现存的方法由于其特征提取能力有限,无法精确的分割泡沫边缘。据此,本文利用深度学习提出了一种基于多尺度融合的浮选泡沫图像边缘分割算法,该算法通过引入一种深度高分辨率的编码结构以及一种基于注意力的分层融合方法来增强模型的特征提取能力,从而提高对于浮选泡沫边缘的分割效果。具体而言,深度高分辨率的编码结构可以在不同分辨率层级上同时维护特征信息,使我们的网络模型可以有效地捕捉不同尺度的信息,在提高图像语义理解能力的同时能够保持更多的细节信息,提高处理高分辨率以及密集任务图像的能力。除此之外,本文设计了一种基于注意力的分层融合方法来充分融合深层和浅层的特征图,使融合得到的特征图趋向于更重要的特征信息,从而提高识别浮选泡沫的边界和精确定位浮选泡沫的能力。该算法在泡沫边界分割数据集上凭借58.25的泡沫IoU以及73.62的泡沫Fscore取得了最佳的性能,证明了我们提出的算法可以更加准确地分割浮选泡沫边缘。     

基于长程时空特征与多尺度外观特征的锌精选工况识别北大核心

锌精选作为锌浮选的最后一道流程,其工况直接决定锌浮选最终产品质量。现有基于卷积网络的浮选工况识别方法具备挖掘隐藏特征的能力,取得了良好效果,但仍存在表征能力有限、模型参数大等问题。为此,提出了基于长程时空特征与外观特征的锌精选工况识别模型。首先,提出基于分离三维卷积网络(Separable 3D Convolutional Neural Network,S3D CNN)与注意力机制的泡沫视频相邻帧间短程时空特征提取方法,获得特征聚焦的泡沫视频相邻帧间短程时序信息。然后,在短程时空特征的基础上采用双向卷积长短时记忆网络(Bi-directional Convolutional Long Short-Term Memory,BiConvLSTM)提取泡沫视频帧间的长程时空特征,获取泡沫视频帧间的长程动态时序信息。最后,采用基于残差网络和迁移学习的二维卷积网络提取泡沫图像的多尺度外观特征,并融合长程时空特征,对锌精选工况进行识别。实验结果表明,与现有卷积网络方法相比,所提模型在工况识别精度和模型参数上性能更佳。