电力脑初探:一种多模态自适应学习系统

机器学习的进步正推动人工智能蓬勃发展。电力系统运行具有随机性、时变非线性和部分可观测性等特征,导致相关研究面临数据饥饿、状态弥散、目标复杂等综合挑战。为此,该文提出研究一种多模态自适应学习系统——"电力脑"。首先,探讨电力脑的研究背景、概念及主要特征。其次,分析电力脑研究面临的挑战,提出多模态学习机制及其数学实现,以建立电力脑认知计算的理论基础。然后,借鉴认知神经科学等前沿研究,提出自上而下的电力脑认知计算结构,交互反馈的自适应学习模式,以及深度引导强化学习相结合的基础学习单元。该构架的核心特征在于用领域知识保证结果可行,用数据驱动提升其精度与性能。最后,探讨电力脑的实际应用,提出相应的学习算法结构,并展望需要进一步研究的问题。     

氰化尾渣回收铅锌混合精矿过程清洁生产技术的研究与应用

通过对氰化尾渣清洁混选技术、选矿废水净化处理回用技术、尾矿综合利用技术的研究应用、有机结合与相互匹配,提高了再生资源的综合利用率,实现了选矿废水和尾矿的零排放,彻底消除了废水和尾矿对环境的影响,做到了,选矿过程的清洁生产。     

活性炭吸附选矿废水中金等有价金属

黄金是国家急需的战略物资,因此,充分有效的从各种矿石及尾渣、废水中回收黄金显得十分重要。某公司在氰化尾渣中浮选回收铅锌的过程中,日产生选矿废水超过300 t,经过检测废水中金含量在0.3 g/t左右,具有极大的回收价值。本研究充分利用活性炭的良好吸附特性有效回收选矿废水中的金、银等有价金属,考察了不同碳质、pH值和水流速度等对碳吸附效果的影响,确定了最佳工艺条件。每年对该公司的选矿废水处理6次,可实现净收益7.5万元/年。     

某浮选金精矿浸出工艺优化试验研究

某浮选金精矿氰化浸出尾渣中Au品位1.58 g/t、Ag品位49.88 g/t,为了探索尾渣中目标矿物解离特征以及金、银未充分浸出的原因,对该浸渣开展了系统性工艺矿物学分析,结果表明,浸渣中裸露金含量占63.85%,这部分金在氰化浸出过程中属于可回收金;浸渣中有36.15%的金以包裹体形式存在,磨矿细度较粗是导致金金属流失的原因。在工艺矿物学研究基础上进行了浸出条件优化试验,确定适宜的金精矿浸出条件为:磨矿细度-0.037 mm粒级占95%、矿浆浓度50%、氰化钠浓度5 g/L、浸出时间36 h、溶氧度4.6 mg/L。在此条件下Au浸出率为99.30%,较现场生产提高1.73个百分点;银平均浸出率为64.41%,较现场生产提高24.41个百分点。