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。     

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。     

全尾砂絮凝沉降参数预测模型研究

为了得到最佳的絮凝沉降参数,运用BP神经网络和遗传学算法建立了全尾砂絮凝沉降参数预测模型.以絮凝剂单耗和尾砂浓度作为输入因子,以沉降速度作为输出因子;通过正交试验,确定网络学习、训练样本,建立神经网路预测模型;采用遗传算法对全尾砂沉降参数预测模型进行全局寻优,得到最佳絮凝沉降参数.将预测模型运用到和睦山铁矿,在絮凝剂单耗12 g/t,尾砂浓度17%条件下,沉降速度达到1.31 m/h,满足生产需要,比原生产所需絮凝剂单耗减少20%.应用结果表明,该预测模型有较高的实用性,为沉降参数优选提供了一种崭新的思路.     

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。     

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。     

基于GA-SVM模型预测减水剂对充填体强度的影响

 改善充填料浆的工作性能、提高充填体的强度和密实性是矿山充填法的研究方向之一。充填配比实验表明, 在充填材料的制备过程中加入适量的高效减水剂可以提高充填体的抗压强度。为得到经济、高效的减水剂添加参数, 以萘系、氨基、木钙和脂肪族4 种减水剂结合新型充填胶凝材料, 应用某矿山的全尾砂进行配比实验, 建立GA-SVM 预测模型进行优化选择。在优选过程中, 以4 种减水剂的添加量作为输入因子, 以充填体28 d 龄期单轴抗压强度作为综合输出因子, 根据室内试验, 建立训练、验证样本集;建立支持向量机(SVM)回归预测模型, 通过遗传算法(GA)对SVM 模型参数进行优化选择, 当4 种减水剂组合添加的质量分数依次为0、0.35%、0.30%、0.60%, 抗压强度预测值为4.20 MPa。与实验对比, 该模型预测结果的相对误差能控制在1%以下, 精确度较高, 为减水剂添加参数的优选提供了一种新思路。     

基坑近邻地表沉降的GA-SVM建模研究

基坑开挖引起其邻近地表沉降的即时预测评估有利于实现工程安全的高效控制,应用支持向量机(Support Vector Machines,SVM)函数方法提出一个适用于这项工作需要的沉降数据预测方法。通过遗传算法(Genetic Algorithm,GA)的引入获得核函数类型、核函数参数及错误惩罚因子的选取结果。结合SVM函数回归计算技术,利用已知数据完成GA-SVM建模,根据模型的外推结果,给出沉降预测值。以广州某地铁工程为实例,对比分析了GA参数寻优是否进行优化的预测效果差异,与实测结果的对比证实GA-SVM预测模型具有较好的预测精度,同时表明GA-SVM沉降预测方法良好的技术应用价值。     

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。     

基于尾砂沉降与流变特性的深锥浓密机压耙分析

采用深锥相似模型动态沉降实验及流变参数测定方法研究深锥浓密机压耙原因.结果发现造成深锥浓密机压耙一方面是由全尾砂进料浓度和絮凝剂添加量波动造成全尾砂絮凝沉降效果不佳而引起的;另一方面是间歇式充填排料引起深锥中料浆浓度分布差异性增强,进而导致料浆流变参数突变引起的.通过对深锥压耙机理的研究,为深锥正常运行及事故预测和排除提供理论依据.     

Forecasting Financial Distress of Chinese High-tech Manufacturing Companies Based on a Hybrid Model of GA-SVM

Owing to the radical changing of Chinese economy, it is essential to build an effective financial distress prediction model. In this paper, we present a genetic algorithm (GA) approach for optimizing parameters of support vector machine (SVM). We validate the proposed model on datasets of Chinese high-tech manufacturing industry. Experimental results reveal that the proposed GA-SVM model can compare to and even outperform other exiting classifiers. Compared to grid-search algorithm, the proposed GA-based takes less time to optimize SVM parameter without degrading the prediction accuracy of SVM.     

GA-SVM对上证综指走势的预测研究

将支持向量机和遗传算法结合,建立了一种智能数据挖掘技术(GA-SVM),并用于对上证综指市场走势进行了探索.在这个混合的数据挖掘方法中,GA用于RBF参数的设定以及特征集的选择,从而智能的找到SVM的最佳参数,减少SVM特征值的复杂度,提高了SVM算法速度.SVM用于判断未来股票市场的走势,并与统计模型、时间序列模型方法、神经网络进行了对比.实验证明,GA-SVM优于其他几种方法,这种方法对于股票上涨或下跌的预测研究是有效的.     

成都粘土工程废浆絮凝-气压法脱水效果分析

本文采用新型物化结合脱水方法,即絮凝-气压法处理成都粘土工程废浆,在加入絮凝剂后对工程废浆使用失水仪进行压滤操作。此方法结合了物理方法和化学方法,提高脱水效率。首先选择三种无机絮凝剂(PAC、PAFC、PFS)和两种有机絮凝剂(PEO、APAM)进行脱水实验,讨论单一絮凝剂对工程废浆脱水效果的影响。而后进行正交实验,得出最佳配方为聚合氯化铝(PAC)2.4g/275mL、50ml质量浓度0.3%的聚氧化乙烯(PEO),对正交实验结果进行极差分析,讨论三种因素对脱水效果的影响程度。最后将复配絮凝剂和单一絮凝剂的脱水效果进行了对比,得出在使用絮凝-气压法进行脱水实验后,单一絮凝剂PEO的脱水效果最好,而复配絮凝剂的脱水效果明显优于单一絮凝剂的结论。     

基于GAPSO-SVM的航空发动机典型故障诊断

针对遗传算法（GA）和粒子群优化（PSO）算法优化支持向量机（SVM）存在容易陷入局部最优解、诊断精度相对较低、鲁棒性较差的问题,提出了一种结合GA、PSO、模拟退火算法的GAPSO优化算法,利用这种算法对SVM的参数进行了优化,优化后的算法能够较好地调整算法的全局与局部搜索能力之间的平衡.通过对航空发动机典型故障的诊断研究表明,该方法不仅能够取得良好的分类效果,诊断精度高于BP神经网络、自组织神经网络、标准SVM、GA-SVM,而且有较好的鲁棒性,更适合在故障诊断中应用.     

两性木素絮凝剂用于污泥的调质处理

以木素为原料制备了两性絮凝剂LSDC，并将其用于污泥的调质处理。实验结果表明LSDC可使污泥沉降速度提高至原始污泥的1．25倍，污泥的过滤比阻则降低至原始污泥的40％左右，泥饼含水率由93％降低至80％。两性木素絮凝剂在污泥调质处理中的应用为木素的高附加值利用提供了新的途径。     

深锥浓密机底流浓度预测与外部结构参数优化

针对困扰支持向量机(SVM)模型参数选择问题,结合遗传算法(GA),建立了深锥浓密机底流放砂浓度的GA-SVM预测模型,研究了不同结构参数状态下底流浓度的变化规律,进行了深锥浓密机的外部结构参数优化选择。以司家营铁矿为例,在最优底流放砂浓度为72%的条件下,经外部结构参数优化后的深锥浓密机锥高10m、锥角为30°,系统稳定可靠、底流连续均匀,动力荷载较同类矿山降低约15%,压耙停机故障降低80%。     

基于麻雀搜索算法优化支持向量机的滚动轴承故障诊断

针对支持向量机(support vector machine,SVM)的分类性能受自身参数选择影响较大的问题,提出了基于麻雀搜索算法(sparrow search algorithm,SSA)优化SVM的故障诊断方法.利用麻雀搜索算法(SSA)对支持向量机的惩罚参数(C)与核参数(g)进行优化,并构建SSA-SVM滚动轴承故障诊断模型.结果表明:对于滚动轴承的常见故障,SSA-SVM诊断模型的测试正确率为96.67％,比传统的遗传算法(genetic algorithm,GA)-SVM和粒子群算法(particle swarm optimization,PSO)-SVM诊断模型分别提高3.34％和1.67％,且收敛速度更快,可有效应用于故障诊断.     

基于GA-SVM的渤海湾富营养化模型

为了更好地模拟和认知渤海湾富营养化的复杂行为,通过研究遗传算法(GA)和支持向量机(SVM)的结合形式,即参数寻优和特征选择,以渤海湾水质实测资料为依据,叶绿素a的质量浓度为输出,建立了GA-SVM的富营养化模型.无特征选择时,用遗传算法对支持向量机的参数(惩罚参数和核参数)进行自适应地优选,预测模型的均方误差可达到1.831μg/L,具有较好的认知、泛化能力.再利用遗传算法二进制编码及启发式寻优的优点,对所建模型的输入空间进行特征选择,提取出代表性的特征变量:DO%、pH值、水温、COD、盐度以及氨氮.特征提取后预测模型的均方误差可达到1.363μg/L,模型性能有了很大提高.分析表明,COD、盐度及氨氮可作为人为控制的首要指标.