共查询到20条相似文献,搜索用时 15 毫秒
1.
在锌冶炼浸出过程中,pH值的稳定控制是影响生产成本和产品质量的关键。针对浸出过程连续反应搅拌釜(CSTR)机理复杂、入口条件波动大、反应大滞后的问题,提出了融合流程特性的梯形长短期记忆网络模型预测控制(TLSTM-MPC)算法。首先,分析了影响浸出过程pH值稳定控制的关键因素。结合CSTR的级联特性,提出一种表征CSTR物理特性的梯形长短期记忆网络结构(TLSTM)模型,使预测模型具有较好的物理可解释性。针对入口条件波动和反应过程大滞后的问题,提出了TLSTM-MPC算法,并采用粒子群算法进行优化求解。最后,采用某大型浸出过程现场运行数据进行验证。结果表明,该算法的超调量和调节时间相对传统控制方法分别降低了51.2%和57.4%,且在入口波动的情况下能够快速的稳定pH值。可见,该方法对浸出过程的稳定、高质量生产具有较大的工程实践应用价值。 相似文献
2.
本文首次将发电化学过程原理应用于Ni_3S_2的FeCl_3浸出过程,对其进行了热力学理论分析及热化学和电化学探索性研究。Ni_3S_2与FeCl_3组成原电池体系进行浸出,其理论计算的平衡电压为0.74V,浸出过程化学能转换成电能的理想的最大效率为1.59,其可能做的最大有用功是直接浸出时可能做的最大有用功的6.4倍。50℃下1摩尔量的Ni_3S_2在1mol/lFeCl_3溶液中浸出时,过程放出371kJ的热量,如果过程以发电浸出的模式进行,这一部分化学能将会得到充分利用。常温下,Ni_3S_2与0.9mol/lFeCl_3组成发电电池,其开路电压为0.95V,电池输出电压和功率及化学能转换成电能的实际效率随输出电流的不同而不同,且存在一个过程速率(电流)、输出电压、输出功率和化学能转换成电能实际效率的最优状态。硫化镍电极活性和电池离子隔膜内阻对发电浸出过程有很大影响。初步的探索性研究结果表明,Ni_3S_2的FeCl_3发电浸出过程在得到产物的同时,还能得到一定电能。这一过程在工业上有潜在应用价值,将是今后硫化物湿法冶金新工艺的一个重要的发展方向。 相似文献
3.
4.
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。 相似文献
5.
6.
针对锂离子电池前驱体材料工业生产中反应釜pH值控制存在的非线性、时滞性以及易受干扰等控制难点,引入基于粒子群算法-模糊PID控制的自整定算法,采用MATLAB的simulink仿真软件对算法进行仿真,并与传统PID算法进行对比,以验证自整定算法的快速性、稳定性与鲁棒性。将该算法应用于工业实践中,并与传统PID控制进行对比,系统最大超调量、稳定时间、频率波动范围、pH波动范围均得到改善,显著提高了系统控制性能,为解决前驱体材料生产中反应釜中pH值控制提供了解决途径。 相似文献
7.
针对边坡工程稳定性预测的复杂性,将粒子群算法和最小二乘支持向量机结合,使用粒子群优化算法寻找最小二乘支持向量机的最优参数,选取七项因素(岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力和振动系数)作为边坡稳定性的影响因素,建立PSO-LSSVM的边坡稳定性预测模型。利用矿山实测30组边坡稳定性数据进行学习训练,另用12组数据进行测试,同时与LSSVM测试数据进行比较,验证了PSO-LSSVM模型在矿山边坡稳定性预测中有较高的准确度。 相似文献
8.
淋滤浸出过程的流体力学和传质 总被引:9,自引:0,他引:9
本文总结了淋滤过程的流体力学行为的初步研究结果。根据矿石堆粒层中溶液的存在形态及多孔介质扩散过程的基本概念提出的淋滤过程传质模型—孔隙扩散控制的“双膜传递过程”,已被试验结果所证实。 相似文献
9.
边坡工程是露天煤矿中的重点工程,边坡的稳定性关系着煤矿的安全生产。针对煤矿边坡工程稳定性预测的复杂性,将粒子群算法和最小二乘支持向量机结合,使用粒子群优化算法寻找最小二乘支持向量机的最优参数,选取煤矿边坡工程中岩石重度、粘聚力、内摩擦角、边坡角、边坡高度、孔隙水压力和振动系数等七项因素为边坡稳定性的影响因素,建立了PSO-LSSVM的煤矿边坡稳定性预测模型。利用煤矿实测30组边坡稳定性数据进行学习训练,另用12组数据进行测试,同时与LSSVM测试数据进行比较,验证了PSO-LSSVM在煤矿边坡稳定性预测中有较高的准确度。 相似文献
10.
为了准确快速地确定充填体强度,依据试验数据,以料浆体积分数、水泥掺量、人工砂尾砂比以及养护时间作为输入因子,以充填体的单轴抗压强度作为输出因子,建立了一种充填体强度ANN-PSO预测模型。研究结果表明,该模型的预测性能较好,在预测充填体强度时其平均相对误差率MAP为2.41%,可决系数R~2为0.983。通过对比136组充填配合比充填体的室内试验强度值和实际生产测定值,获得了两者之间的强度折减系数。利用预测模型并联合强度折减系数,预测得到了矿山运行期间160多条进路的充填体强度值。该模型可大幅减小物理试验量,为类似的充填矿山提供了良好的借鉴作用。 相似文献
11.
韩丽丽 《探矿工程(岩土钻掘工程)》2016,43(3):23-26
本文提出了一种基于粒子群优化相关向量机(PSO-RVM)的岩层可钻性预测方法。该方法选取岩层埋深H、声波时差AC、电阻率ρd、岩层密度ρ和泥质含量Vsh等5个参数作为评价岩层可钻性的基本参数。以某油田Du4钻井为例,采用PSO-RVM方法、多元回归方法和RVM方法对岩层可钻性进行评价。计算结果表明,PSO-RVM模型的预测结果与实测数据非常接近,其预测精度明显高于多元回归方法和RVM方法,说明本文提出的方法具有一定的优越性和较高的精度,可以较好地应用于钻井工程中岩层可钻性预测。 相似文献
12.
为了提高光伏电站短期预测功率的精度,提出一种基于相似日原理和改进CPSO-Elman神经网络模型的光伏电站短期功率预测方法。将历史运行数据按照时长划分不同季节,采用欧式距离对天气类型进行处理并建立天气类型系数,通过灰色关联分析法和余弦相似度指标结合选取相似日。由于粒子群算法搜索速度慢且存在易早熟等缺陷,采用改进混沌粒子群(CPSO)来优化Elman神经网络的权值和阈值,对夏季不同天气类型条件下的短期功率分别预测。选用南疆某光伏电站2020年运行数据进行分析,结果表明:CPSO-Elman在非晴天条件下也具有较高的预测精度。 相似文献
13.
江龙艳 《有色金属(矿山部分)》2014,66(4):101-106
为了提高锌矿价格预测精度,采用改进的QPSO算法优化BP网络的权值与阈值,将通过优化搜索得到的粒子位置向量解码作为网络的权值与阈值,优化BP神经网络,对锌价格进行建模预测。在输入因子相同的条件下,以PSO-BP与QPSO-BP模型分别预测未来锌矿价格行情,以预测精度(MAPE)和泛化能力指标(ARV)评定两种模型的优劣。结果表明,改进的QPSO-BP模型的预测精度和泛化能力明显高于PSO-BP模型,更能适用于锌价格预测,对项目投资决策和风险评估有一定的参考价值。 相似文献
14.
15.
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eME为0.195、平均相对误差eMRE为0.082、训练时间t为21.5 s、均方误差eMSE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eME为0.605、平均相对误差eMRE为0.255、训练时间t为30.9 s、均方误差eMSE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eME为0.382、平均相对误差eMRE为0.216、训练时间t为23.5 s、均方误差eMSE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。 相似文献
16.
研究了磨矿时间、磨矿浓度和磨机充填率对锡石多金属硫化矿磨矿技术效率的影响,利用Matlab编程技术建立了粒子群优化算法-BP神经网络磨矿技术效率预测模型并对模型进行了预测验证研究。结果表明,在磨矿时间8 min、磨矿浓度70%、充填率30%时,可获得较好的磨矿技术效率。迭代次数对锡石多金属硫化矿磨矿技术效率模型预测值与试验值误差影响显著; 在合适的迭代次数下,学习因子对模型预测值与试验值误差的影响很小,绝对误差小于±0.01个百分点,相对误差小于±0.04%。迭代次数达到500次后,粒子群优化算法-BP神经网络磨矿技术效率预测模型趋于稳定,模型可靠性高、适应性强。 相似文献
17.
18.
19.
江龙艳 《有色金属(矿山部分)》2013,65(6)
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。 相似文献