全尾砂浆最佳絮凝沉降参数

为了得到最佳的絮凝沉降参数,研究使用BP神经网络进行优化选择。通过对比分析,将输入因子简化为絮凝剂单耗和尾砂质量分数2个因子,输出因子简化为沉降速度1个因子;通过正交试验,建立网络学习、训练样本,优选出最佳网络模型。扩大正交试验,增加输入因子水平,组合优选样本,搜索最佳絮凝沉降参数。以司家营铁矿全尾砂絮凝沉降为例,优选出絮凝剂单耗为10 g/t,尾砂质量分数为18%,预测沉降速度为1.38 m/h,满足生产要求,比原生产所需絮凝剂单耗节省50%。应用结果表明:该研究成果效果显著,为絮凝沉降参数优选提供一种新思路。     

超细全尾砂絮凝沉降参数优化模型

 为了得到最优的絮凝沉降参数,以絮凝沉降正交试验数据为训练样本和检验样本建立BP 神经网络预测模型。絮凝剂单耗、料浆浓度及絮凝剂浓度作为输入因子,沉降速度和极限浓度作为输出因子。对比隐含层节点数对模型训练过程及预测精度的影响,选取最佳预测模型节点数为9。将絮凝沉降参数细化输入到预测模型中,从而搜索出优选样本,优选参数絮凝剂单耗为4.5 g/t,絮凝剂浓度为0.11%,料浆浓度为15%。经实验对比,该模型对絮凝沉降参数预测结果的相对误差能控制在5%左右,精确度较高,可以作为絮凝沉降参数优选的一种新思路。     

全尾砂动态絮凝沉降试验研究

运用浓密机动态试验装置,通过连续进料和连续放砂,以沉降速度、底流质量分数、溢流水悬浮物质量浓度作为动态絮凝沉降效果的评价指标,研究不同条件下全尾砂动态絮凝沉降的变化规律。研究结果表明:沉降速度与絮凝剂单耗、供料速度、料浆质量分数均呈正相关;底流质量分数随絮凝剂单耗的增加先增加后基本保持不变,与供料速度呈负相关,与料浆质量分数呈正相关;溢流水悬浮物质量浓度与絮凝剂单耗呈正相关,与供料速度、料浆质量分数均呈负相关。确定该尾砂最佳动态絮凝沉降条件如下:絮凝剂单耗为10 g/t,供料速度为1.5L/min,全尾砂料浆质量分数为13%左右。     

磁化水改善全尾砂絮凝沉降效果的试验研究

为降低全尾砂絮凝沉降成本,提高絮凝沉降效果,将磁化水引入某矿全尾砂絮凝沉降试验中,探讨磁化水在全尾砂絮凝沉降过程中的促凝作用;研究不同磁化条件下,全尾砂絮凝沉降速度和底流极限质量分数的变化规律。研究结果表明:在磁化水-全尾砂絮凝沉降过程中,絮凝剂单耗饱和点(沉降速度最大时)与普通水的单耗饱和点相比降低1/3,沉降速度提高1.4~2.1倍,底流质量分数最大增幅达3.2%;当磁感应强度B为150~200 m T,磁化时间t为20~25 min,水循环流速v为2.0~2.5 m/s时,沉降效果最理想;在适合的磁化条件下,磁化水在降低絮凝剂单耗、提高絮凝沉降速度和底流质量分数方面具有明显的优越性。     

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。     

全尾砂絮凝沉降规律及其机理

以某矿全尾砂和聚丙烯酰胺(PAM)为实验原料进行静态絮凝沉降实验,研究给料浓度和絮凝剂单耗对尾矿最大沉降速度和静止沉降极限浓度的影响,通过对实验数据回归分析得出简易的沉降速度模型. 将模型划分为六个阶段,包括紊流影响段、加速沉降段、沉降末速段、干涉沉降区、压密沉降段和极限沉降段,并利用两相流理论、絮凝理论对其合理性进行阐述. 实验结果证明:在单耗一定(20g·t-1)时,沉降速度与给料浓度负相关,极限浓度与给料浓度正相关;在给料质量分数20%时,单耗临界值为30g·t-1,极限浓度与单耗负相关. 建议深锥浓密机给料质量分数20%,絮凝剂单耗20g·t-1.     

絮凝沉降对全尾砂料浆流变特性的影响

通过研究沉降后料浆流变参数变化规律,探索基于料浆流变特性作为全尾砂絮凝沉降参数优化的可行性。以某铜锌矿全尾砂为实验材料,通过考察絮凝剂种类、入料体积分数、絮凝剂单耗这3个因素,进行静态絮凝沉降及料浆流变测试实验。实验结果表明:在絮凝剂种类筛选实验中,所选4种絮凝剂沉降效果区别较小,不同絮凝沉降后料浆屈服应力相差不大,添加N123作为絮凝剂时料浆黏度最小,絮团内部水分容易被挤出,絮凝沉降效果最佳;在入料体积分数及单耗实验中,当入料体积分数为10%~15%、絮凝剂单耗为25 g/t时,单位面积固体处理量和底流体积分数均较高,并且屈服应力及黏度达到极小值,有利于料浆进一步压密脱水及耙架运行。     

尾矿浓密中泥层沉降速度变化及颗粒沉降特性

通过开展全尾矿絮凝沉降宏观实验,研究不同料浆质量分数、絮凝剂单耗下的尾矿静态絮凝沉降特征,分析泥层沉降速度变化趋势;基于沉降阶段与泥层沉降速度的对应关系,得到全尾砂絮凝沉降速度规律曲线;开展不同沉降区域尾矿颗粒微观实验,使用环境扫描电子显微镜(ESEM)观测尾矿絮凝沉降样品,分析不同沉降区域的尾矿颗粒粒径分布状况,探究不同粒径尾矿颗粒的沉降特性。研究结果表明:不同区域沉降颗粒分布存在差异,伴随不同沉降区域的形成、过渡和消失,全尾砂絮凝沉降速度规律曲线分为5个阶段,分别是自由沉降前段、自由沉降末段、干涉沉降前段、干涉沉降末段和压密段;沉降速度与颗粒粒径密切相关,粒径82.0μm以上颗粒不发生絮凝,以颗粒形式沉降到底部,粒径26.5～82.0μm颗粒难以发生絮凝,粒径10.0～26.5μm颗粒不易絮凝,粒径10.0μm以下颗粒易絮凝并以絮团形式沉降。     

全尾砂絮凝沉降特性实验研究

采用均匀法进行室内实验设计,研究絮凝剂单耗、絮凝剂溶液浓度和给料浓度三因素对固液分离技术中沉降速度和沉降浓度的影响.对实验数据进行回归分析后认为,各因素对沉降速度的影响程度从大到小为：给料浓度〉絮凝剂单耗〉絮凝剂溶液浓度.沉降速度与絮凝剂单耗、絮凝剂溶液浓度正相关,与给料浓度负相关;对沉降浆体浓度影响程度从大到小为：给料浓度〉絮凝剂单耗〉絮凝剂溶液浓度.沉降浓度与絮凝剂单耗、给料浓度正相关,与絮凝剂溶液浓度基本无关.利用非线性规划寻找最优配比,预测值与验证实验的实测值误差小于8%.推荐的深锥浓密机运行参数为絮凝剂单耗5 g.t-1,絮凝剂溶液浓度0.05%,给料浓度5.233%.     

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%.     

神经网络与遗传算法结合的球团竖炉燃烧优化

对神经网络与遗传算法结合的球团竖炉燃烧优化方法进行了研究.首先构建了以矿料成分及含水率、相关操作参数以及燃烧室和炉膛温度等16个参数作为输入量,球团竖炉煤气吨耗和NOx污染物排放浓度作为输出量的人工神经网络模型.采用700组现场运行数据作为样本对神经网络进行训练,训练后的模型具有良好的泛化能力和预测精度,煤气吨耗预测误差低于3％且NOx排放浓度的相对误差在5％以内.此外,结合所建模型,采用实数编码的遗传算法,对球团竖炉燃烧进行优化计算,在寻优过程中对煤气吨耗及NOx排放这2个优化分量采用线性加权和的方法转化为单一数值的目标函数.通过选择不同的权重比例得出不同侧重条件下的优化目标函数,并给出该优化函数下寻优所得的操作参量优化控制方案.由所选优化方案数值解可以看出在煤气吨耗上升1.7％的情况下,NOx的排放浓度下降了20.37％.     

GA优化灰色神经网络的煤矿瓦斯浓度预测

针对神经网络在煤矿瓦斯浓度预测中存在缺少大量实时数据和难以精确建模的问题,建立一种遗传算法优化灰色神经网络模型。采用灰色预测少数据模型理论和神经网络的自学习能力构建改进的瓦斯浓度预测模型,并利用遗传算法对该模型的初始权值和阈值进行优化。结果表明,遗传算法优化灰色神经网络模型较传统模型提高了瓦斯浓度的预测精度和速度。该研究为预防瓦斯事故的发生提供了有益参考。     

改进萤火虫算法与小波神经网络相结合的变压器故障诊断

为了解决变压器故障诊断中诊断效率低的问题,本文对萤火虫算法(FA)进行了改进,并与小波神经网络(WNN)相结合应用于变压器故障诊断中。小波神经网络结构简单,预测精度高,收敛速度快,但是网络参数不好选择,易陷入局部最优。本文结合混沌算法、粒子群算法、可变步长的思想来改进萤火虫算法,用于优化小波神经网络的参数,再将处理后的数据带入神经网络中进行训练与诊断。实验结果表明,该算法与BP神经网络、支持向量机、小波神经网络、遗传算法改进的小波神经网络和粒子群算法改进的小波神经网络相比诊断正确率均有所提高。     

蚁群算法优化RBF神经网络的网络流量预测

传统RBF神经网络在网络流量预测过程中存在收敛速度慢、极易出现局部最优等缺点,从而导致预测精度低。采用蚁群算法优化RBF神经网络参数来进行网络流量预测。利用蚁群优化算法来训练RBF神经网络的基函数宽度和中心,简化网络结构,加快收敛速度,防止局部最优的出现,改善RBF神经网络的泛化能力。实验结果表明,相对于GA-RBF以及PSO-RBF流量预测模型,模型预测准确度更高,能够很好地描述网络流的变化规律。具有泛化能力强、稳定性良好的特点,在网络流量预测中有一定的实用价值。     

基于遗传神经网络的钢管壁厚预测模型的研究

为解决钢管热轧过程荒管壁厚难以计算的问题,首先利用遗传算法优化了BP神经网络,在这种遗传神经网络算法的基础上建立了钢管轧制前毛管温度、长度、外径、轧辊转速、芯棒直径五项工艺参数与钢管轧制后荒管壁厚之间的数学模型.经过测试,基于遗传神经网络的钢管壁厚预测模型的壁厚预测误差远小于常规壁厚公式的计算误差,为设计更合理的设置毛管参数提供了科学的依据,对钢管热轧工艺水平的提高的具有重要意义.     

PM2.5浓度预测模型的应用

空气中PM2.5浓度问题越来越受到各界的关注。根据PM2.5浓度数据的特征,首先选择ARIMA预测模型进行浓度预测;考虑到BP神经网络易陷入局部最小,而遗传算法具有全局搜索的能力,给出了遗传算法优化的BP神经网络预测模型;为了进一步提高预测精度,引入IOWGA算子,将ARIMA预测模型与遗传算法优化的BP神经网络预测模型相组合,给出了基于IOWGA算子的组合预测模型;最后经过实例仿真分析验证了模型的可行性和有效性,为PM2.5浓度预测提供基础资料。     

基于改进人工蜂群算法优化小波神经网络的短时交通流预测

为了提高城市道路短时交通流量的预测精度,克服小波神经网络预测过程中存在收敛速度较慢、容易陷入局部最优的缺点,提出改进的人工蜂群算法优化小波神经网络预测模型。该算法引入差分进化算法中的自适应变异操作和遗传算法中的选择算子、交叉算子与变异算子来优化传统的人工蜂群算法,改善人工蜂群算法后期收敛速度慢、局部搜索能力弱的缺点。本文使用该算法优化小波神经网络的参数并对短时交通流进行预测,模型的仿真结果表明,改进人工蜂群算法优化小波神经网络预测的结果误差更小,精确度更高,训练次数少,具有较高的实际应用价值。