浮选预测模型概论

风靡全球

浮选预测模型概论

将神经网络引入选矿厂建模,主要应用于浮选回路、水力旋流器、磨矿回路、碳金浸出过程、试验研究这几个方面非线性建模及控制。

浮选是一个复杂的物理一化学过程,影响浮选作用指标的因素很多例如,参与浮选的矿物的可浮性及其差异,有价矿物的结晶颗粒大小及其解离度,矿泥的多少及其性质,药剂作用,水质、气泡的大小及析出,浮选机的工作特性等等。因此到目前为止还没有得出能包括上述所有因素且较符合实际的数学模型。目前用于选矿指标预测建模的方法大致可分为三类:经验模型、概率模型和动力学模型。

在隐层及隐单元数确定这一问题上,又做了如下改进:一是用逐步搜索法确定初始权值,以改善局部极小的问题;二是在隐节点数目的确定方面,从小网络出发,根据网络的收敛性能好坏,对隐节点数进行增加;三是在实际问题中结合自组织算法来确定输入层维数。通过应用实例表明,新的改进的BP网络不仅加快了网络的收敛速度,而且优化了网络的拓扑结构,从而增强了BP神经网络的适应能力。

经验模型

经验模型是根据因变量和自变量之间的统计关系得到的。建立的方法主要是将生产试验数据或统计数据进行分析、加工、·整理,用数学的方法求得回归方程式。建立浮选经脸模型所需的数据需要在线或离线来收集。用离线法来收集数据时,这些数据可能是正常的生产班数据或全天的操作数据。用在线法获得数据时,广泛采用载流仪,但数据分析仍是离线的。

经验模型的主要优点是节省人力和时间。如果能明确模型一的用途,最终得到的模型将能成为工程上的满意工具。但如果把模型用于超出其数据范围的预测,则要慎重对待,且经验模型的形式因矿石不同或流程不同而有很大的区别。随着对选矿过程机理认识的逐步加深和对矿石可选性影响因素研究的逐渐明了,就可以实现从经验模型向较精确的模型转化。

概率模型

与经验法不同,概率法考虑各个浮选槽内的矿浆体和泡沫体,但它要确定有用组分的概率值P。

8 r: n' a& x6 E$ @/ c8 c