立式砂仓断面积和高度研究及应用

基于室内实验、集料供排平衡理论、流体动力学理论,提出立式砂仓断面积和高度的计算模型.断面积计算模型的核心是有效沉降速度,通过沉降规律分析,提出有效沉降速度为干涉沉降结束时液面下降高度与沉降时间之比.高度计算模型由压缩层、沉降层、溢流层、储砂空间和稳定放砂高度组成,核心是压缩层高度计算,应用流体动力学理论提出压缩层高度和砂浆浓度的关系式.以某矿立式砂仓为例,计算得到立式砂仓直径D为10 m,砂仓高度H为26.5 m.现场试运行结果表明:砂仓底流体积分数可达44%(质量分数69%),溢流水体积分数控制在3%以下,浓缩效果良好.     

基于椭球体放矿理论的后和睦山铁矿脊部残留原因分析

 后和睦山铁矿生产中发现,相邻进路中间的脊部矿石在下一分段难以回收,而冒险在中间增加一条进路以提高回收率的思路又增大了危险性。本文运用椭球体放矿理论,找到了导致该铁矿脊部残留矿量多的原因,并优化了进路间距。基于矿岩散体的整体流动特性,分析多漏斗放矿时的松动椭球体形态,并结合该铁矿无底柱分段崩落法开采的生产数据,最终反推得到相邻漏斗松动椭球体的空间形态关系,为优化进路间距提供依据。结果表明,该铁矿松动椭球体短半轴b_s与放出体短半轴b 之间的关系为b_s=1.82b;b_s的范围是5.90~7.96 m,即相邻漏斗松动椭球体不相互影响或相切是导致该铁矿存在脊部残留的主要原因;进路间距以8~10 m 为宜。该方法为使用无底柱分段崩落法的矿山分析存在脊部残留的原因提供了一条路径。     

超大能力超细全尾砂长距离自流输送临界流速ELM预测

 为准确预测司家营铁矿超大能力超细全尾砂浆体长距离管道自流输送的临界流速,对比传统的BP 神经网络、支持向量机(SVM),建立了以管道直径、物料平均粒径、浆体体重和体积浓度为输入因子,临界流速为输出因子的极限学习机(ELM)预测新模型。研究结果表明,ELM 模型与SVM 模型的相对误差均控制在5%以内,远低于BP 神经网络模型的9.56%。由于隐层节点参数均随机选取且无需调节,使得ELM 算法在隐层节点数为110 和200 时,训练时间仅为0.02 s 和0.05 s,远少于同节点状态SVM 模型的0.04 s 和0.095 s,且隐含节点数越多,训练时间差距越大,运算效率越高。     

某矿山最佳充填站站址方案选择

 充填站站址是一个充填矿山的咽喉工程,其合理与否是一个新建充填系统的关键。为解决充填站站址方案优化选择问题,本文通过现场调研、资料分析、专家咨询等方式,综合考虑经济、技术、环境、安全等因素,建立了充填站站址方案综合评判指标体系,进而运用层次分析法(AHP)、熵值法(EM)和逼近理想解的排序法(TOPSIS)的基本理论对充填站站址方案进行综合评判,从而确定最优充填站站址方案。评判过程中,为均衡主观、客观因素对各评判指标权重的影响,运用层次分析法确定各评判指标的主观权重,结合熵权法计算得到的客观权重,得到均衡主观、客观因素影响的均衡权重,进而结合逼近理想解的排序法的基本原理建立AHP&EM-TOPSIS综合评判模型,计算得到各充填站站址方案基于评判指标的综合优越度,从而确定各充填站站址方案的优劣。将该方法应用于某矿山实例中,依据该矿山实际条件,拟定3种待选充填站站址方案,建立充填站站址综合评价指标体系,进而运用AHP&EM-TOPSIS综合评判模型对各充填站站址方案进行评判,得出拟选择3种充填站站址方案的综合优越度分别为:71.2%, 46.4%,56.3%,从而确定第1种方案最优。经该矿山实践表明,本文方法所确定的充填站站址方案在生产过程中取得了良好的经济、社会效益。     

GA-SVM和神经网络组合模型预测充填钻孔寿命

 充填钻孔是充填料浆从地表输送到井下采场的咽喉工程,是矿山正常运转的保障,因此对矿山充填钻孔使用寿命进行预测十分重要。通过建立支持向量机（SVM）和BP神经网络组合预测模型,用训练集对模型进行训练,以验证集预测值的均方误差作为SVM适应度函数,通过遗传算法（GA）对SVM模型参数进行优化选择,应用优化得到的SVM模型进行预测,并结合BP神经网络进行残差修正,最终得到预测结果。以某矿为例,通过GA得到SVM模型最优参数：适应值（均方误差mse）=0.0111,惩罚系数C=47.0768,核函数参数σ=2.2638。通过优化的SVM模型,对预测集充填钻孔寿命进行预测,经BP神经网络残差修正,预测结果的相对误差均控制在3%左右。对比单一预测模型,组合预测模型预测结果更加理想,精度更高,在类似的预测工程中有良好的推广价值。     

具有奇偶性的多尺度小波

利用多尺度分析理论构造出了具有奇偶性的多尺度小波.这些小波函数在构造上更加随意并且同时兼备许多优良性质,如固定的短支集、任意奇数阶或者偶数阶的消失矩、奇偶性、正则性和正交性.因此,它们具有更高的逼近阶,能很好地解决边界的问题.     

充填膏体流变参数优化预测模型

为了更精确地对充填膏体流变参数进行优化预测,建立主成分分析法(PCA)和改进的BP神经网络(I-BPNN)相结合的优化预测模型。以某金属矿山充填膏体配比实验为基础,利用主成分分析法对充填膏体流变参数影响因素(膏体质量分数、砂灰质量比、料浆容重和坍落度等)进行预处理,得出主成分,再利用改进BP神经网络模型进行预测,最终得到更准确的充填膏体流变参数预测结果。研究结果表明:该模型对充填膏体屈服应力、黏度等流变参数优化预测的相对误差都控制在5%以内,较未经主成分分析的BP神经网络预测结果,经主成分分析后,屈服应力预测相对误差降低0.48%~7.29%和黏度相对误差降低1.67%~6.20%,表明该模型对充填膏体流变参数预测是合理、有效的,屈服应力与黏度的预测精度显著提高,为充填膏体流变参数优化预测提供了一种新思路。     

基于絮凝沉砂的立式砂仓面积最佳计算模式

为探究全尾砂絮凝沉降条件下立式砂仓面积最佳计算模式,根据最理想沉砂条件和不同沉砂特点,从3种计算模式中确定出结果误差最小者.以某铅锌矿为例,进行细粒级全尾砂絮凝沉降试验,回归分析得到最佳沉砂条件下的沉降曲线,依此从3个角度分析立式砂仓面积计算模式的可靠度.最佳絮凝条件:相对分子量为8×106的阴离子聚丙烯酰胺(APAM),入料砂浆体积分数为7.80%,对应的絮凝剂单耗为17.66 g·t-1.最佳立式砂仓面积为36.06 m2,托麦吉-菲契图解计算模式所得结果与其贴近度达97.04%.     

磁化处理的全尾砂料浆沉降参数优化模型

为了提高全尾砂料浆的脱水浓缩效果,将磁化处理技术引入到全尾砂料浆脱水浓缩中,并建立GA-SVM模型优选全尾砂料浆的沉降参数。建立支持向量机(SVM)沉降参数优化模型,以磁感应强度、磁化处理时间、料浆流速、料浆浓度、絮凝剂单耗为输入因子,沉降速度为综合输出因子,通过正交试验建立样本数据对SVM模型进行训练与检验,采用遗传算法(GA)对SVM模型参数进行优化,进而得到磁化全尾砂料浆沉降参数的GA-SVM优化模型。将GA-SVM模型运用到某铁矿磁化全尾砂料浆沉降参数优化中,得到的最佳沉降参数为磁感应强度0.192T、磁化处理时间1.85min、料浆速度1.92m/s、PAC单耗28g/t,沉降速度可达约155cm/h。研究表明:适宜的磁化处理条件可提高全尾砂料浆的脱水浓缩效果,节约30.0%~42.5%PAC用量,GA-SVM模型对全尾砂料浆沉降参数预测结果相对误差在5%以内、预测精度高,为全尾砂料浆脱水浓缩及其参数优选提供了一种新思路。     

提高江砂胶结充填体强度的试验

针对某硫铁矿应用长江砂胶结充填体存在的质量问题，采用向长江砂胶结充填料中加掺合料及减水剂的方法．结果表明，采用这种方法，提高了江砂胶结充填体的强度，为该矿安全采矿、充分回收资源提供了科学依据．