动力学模型

风靡全球

动力学模型

最早应用的动力学模型是以化学反应(分子碰撞)和浮选机理(矿浆中疏水矿浆与气泡碰撞)之间的相似性为基础的。除了矿粒进入泡沫体的迁移机理外,矿粒还会回到矿浆中来,或者当操纵变量的水平允许泡沫排出时,它最终将离开泡沫体而进入精矿槽。最早研究浮选过程动力学的人所提出的浮选速度方程,就是从化学反应动力学借用来的,其基本形式为:

Dc/dt=kc

从已有的资料来看,任何一个速率方程都有许多工作要做才能精确地描述所要预测的浮选过程,包括对速率方程中所含参数的解释也应与浮选过程联系起来。这就增加了建模的复杂性和艰巨性。就浮选过程所涉及的内容和作用形式而言,要想完全从机理上建立模型是不大可能的,这又会影响模型的精确性,而且在大多数情况下,根据机理所建立的模型属于多元非线性模型,对其进行参数估计是非常困难的。目前还没有任何精确的数学模型能够完整地描述它。

随着神经科学的发展,现代的人工神经网络在很多方面呈现出类似人脑的性,例如它们可以从经验学习知识,能够随着环境的变化修改它们的反应;它们可以透过“噪音”和变形看出信号中的标准原模式,可以自动地将一组输入信号中有特征的要素抽取出来等等。因此,20世纪90年代人工神经网络技术引入矿业应用中大大的改善了建模质量,但这方面的研究仍在逐渐完善中。由于神经网络技术有其独特的优越之处,故把它用于矿石选别指标的预测是一个有益的尝试和较新的研究方向。

应用神经网络建立浮选模型

影响浮选指标的因素除了入选原矿的性质以外,还有工艺操作参数的影响(如药剂用量等),这些参数与选矿指标之间的关系是多维非性关系,用传统的数学模型或数理统计方法建立其定量模型比较困难。因此,我们引入了神经网络预测建模方法,对云南某铜选车间进行选别指标的预测建模。

" ]+ m/ ^! G) q0 `3 R
9 ]0 J1 d$ {: Z. D

wxyz111111

不错，神经网络比较经典
  b  @% s( S. o7 \$ {& c6 G: p* z