低品位滑石提纯工艺试验研究

我国低品位滑石需求量低,但高品位滑石供不应求,为了提高低品位滑石的利用价值,通过化学提纯与水热合成相结合的方法,以低品位滑石、硅酸钠为原料合成高品位滑石。分析了低品位滑石在不同时间下的酸溶解情况,探究了脉石矿物(菱镁矿)完全溶解的最佳时间。通过考查低品位滑石预处理方式、是否煅烧、前驱体形成条件、水热反应温度、时间等因素对产物结晶度和纯度的影响,得到最佳提纯合成工艺条件:在80℃下酸处理2 h后低品位滑石中的菱镁矿完全溶解;在60℃下将酸解混合液与硅酸钠混合,调节体系pH至7~8预反应6 h获得前驱体,前驱体在180℃水热条件下反应13 h,最终制备出了高品位滑石。研究成果可为我国低品位滑石的高值化利用提供借鉴。

基于浮选泡沫图像预测精矿品位的研究进展

随着人工智能技术在矿业生产的广泛应用,利用计算机视觉技术提高精矿品位预测的准确性和效率已成为必然趋势。在综述了传统图像处理算法和深度学习算法在精矿品位预测中的应用与发展历程基础上,并探讨了未来的发展趋势和挑战。传统图像处理技术通过提取泡沫图像的尺寸、颜色、纹理和流速等特征,结合分水岭分割、颜色矩、灰度共生矩阵和局部点特征匹配等算法进行特征提取。这些特征在计算资源有限的场景中具有一定的应用价值,但在应对精矿品位预测任务时精度较低。深度学习技术通过构建合适的模型架构并利用大量数据进行训练,能够提取高层语义特征,具有较高的预测精度,与图形处理单元(GPU)等高效运算设备配合使用,可实现高性能和高效率的统一。介绍了支持向量机(SVM)、极限学习机(ELM)等机器学习算法以及多层感知器(MLP)、全连接层和多尺度特征融合等深度学习算法在特征映射和品位预测中的应用,以及深度学习模型的发展历程。最后综述了工业界视觉检测系统的应用现状,并从数据驱动模型、多模态数据融合、算法实时性和数据集规模等方面分析了该领域所面临的挑战和未来发展趋势。

基于ISSA-HKLSSVM的浮选精矿品位预测方法

针对浮选过程变量滞后、耦合特征及建模样本数量少所导致精矿品位难以准确预测的问题,提出了一种基于改进麻雀搜索算法(Improved Sparrow Search Algorithm,ISSA)优化混核最小二乘支持向量机(Hybrid Kernel Least Squares Support Vector Machine,HKLSSVM)的浮选过程精矿品位预测方法.首先采集浮选现场载流X荧光品位分析仪数据作为建模变量并进行预处理,建立基于最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的预测模型,以此构建新型混合核函数,将输入空间映射至高维特征空间,再引入改进麻雀搜索算法对模型参数进行优化,提出基于ISSA-HKLSSVM方法实现精矿品位预测,最后开发基于LabVIEW的浮选精矿品位预测系统对本文提出方法实际验证.实验结果表明,本文提出方法对于浮选过程小样本建模具有良好拟合能力,相比现有方法提高了预测准确率,可实现精矿品位的准确在线预测,为浮选过程的智能调控提供实时可靠的精矿品位反馈信息.

低品位胶磷矿重选中矿浮选试验研究及重浮联合分选工艺

低品位胶磷矿经强化离心重选抛尾后得到了部分合格精矿,但其重选中矿的量仍然较大、品位仍然较高。为更充分地回收磷矿,基于对重选中矿的元素组成、矿物组成和嵌布情况分析,进行了浮选试验,并通过FTIR分析了反浮选的机理,最后将强化离心重选与浮选研究结果加以整合,确定采用重浮联合工艺。研究结果表明:重选中矿的P_(2)O_(5)品位为17.12%,主要矿物为磷灰石、白云石和石英,其细粒级解离相对较充分,但粗粒级(>0.074mm)仍有部分未解离。对重选中矿进行磨矿后浮选,正浮选中随着碳酸钠用量的增加,精矿品位逐渐上升、产率逐渐下降,随着捕收剂ZF-1用量的增加,精矿产率不断上升、品位不断下降,两者最佳用量分别为3.0,1.5kg/t,此时精矿产率和品位分别为67.81%和21.41%;反浮选中随着硫酸用量的增加,精矿产率不断下降,品位则先升高而后趋于稳定,随着捕收剂ZF-2用量的增加,精矿产率不断下降,但下降速度逐渐减小,精矿品位则先升高而后趋于平稳,两者最佳用量分别为5,0.9kg/t,此时精矿产率和品位分别为60.49%和26.97%。FTIR测试发现,最佳试验条件下ZF-2与胶磷矿未发生CO_(3)^(2-)明显吸附,而在白云石表面则发生了化学吸附,并对白云石本身的起到了良好的遮蔽效果,因而起到了反浮选脱除碳酸盐类矿物的目的。将重选与浮选整合,得到重浮联合的最终精矿和最终尾矿,产率和品位分别为39.06%和25.12%,60.94%和8.51%,整体效果良好。

基于在线品位数据的铅锌选矿生产优化方法

在有色金属浮选生产过程中,自动化、智能化技术手段的应用已成为不可或缺的关键环节,准确、及时地获取浮选流程中不同节点的目标矿物品位是实现泡沫浮选过程实时高效控制的前提。某铅锌矿石复杂多金属的综合回收是一种典型的多目标优化问题,针对问题提出一种基于在线品位数据的铅锌选矿生产优化方法。首先,在深入研究矿石矿物组成的基础上,结合多年的生产数据,分析金属元素品位与金属回收率之间的关系,重点分析金、银回收率与铅锌等可被在线检测元素之间的分布规律,明确多金属回收优化问题描述以及在线品位分析仪实时检测的重要性,确定了实现多金属综合回收最优的控制方向。然后,通过利用X荧光在线品位分析系统实时获取关键工艺点主要元素铅和锌的品位数据,实时判断工况变化和变化趋势,同时,计算当前品位与目标品位累计偏差,选择不同的浮选优化控制策略。最后,设计一套浮选优化控制策略,基于在线分析数据及目标控制值,并结合泡沫特征观测,实现浮选过程工况识别和优化决策,直接用于指导生产操作。工业生产实践表明,优化方法投入使用后铅、锌精矿回收率都有所提高,铅精矿、锌精矿中金和银的回收率提升最为显著,大幅度提高了选厂浮选生产技术指标和经济指标。研究结果可为同类多金属铅锌选矿生产提供了一种新的技术优化思路和方法,也为投用浮选智能优化自动控制提供了基础数据。

云南晋宁某低品位磷矿选矿技术实验研究

云南晋宁某低品位胶磷矿属于混合型磷块岩,其w(P2O5)为18.45%,w(MgO)2.39%,w(SiO2)35.88%。在常温条件下,当磨矿细度≤0.074 mm占97.18%时,采用“正-反浮选工艺流程”对该矿进行选别。通过闭路实验获得w(P2O5)28.51%、w(MgO)0.95%、w(SiO2)19.70%、P2O5回收率为81.70%的精矿指标,实现了该矿的有效分选。

地浸砂岩型铀矿特高品位处理方法改进

特高品位处理是地质矿产行业储量估算中的重要环节,但是现行的方法并不统一。在地浸砂岩型铀矿储量估算中,特高品位处理一直使用的是传统的品位变化系数法,该方法能够满足特高品位处理及资源量估算的要求,但仍有值得改进的地方。本文从常用的特高品位识别及处理方法入手,分析各种特高品位识别及处理方法的合理性及不足之处,试图通过综合分析并运用实例对当前地浸砂岩型铀矿特高品位处理方法进行改进。笔者参考传统品位变化系数法平均值替代特高值方法及分布函数法中随机数替代的思路,在不影响待处理矿段的替代值平均品位的情况下,以矿段原始随机品位的大小为权重分配替代品位进行方法改进,通过运用蒙其古尔铀矿床4个品位分布特征各异的特高品位钻孔进行改进方法验证,结果表明该方法符合规范要求并能达到储量估算目的,也能使特高品位处理后矿段品位分布特征与原始地层中品位分布特征一致,达到改进效果。

内蒙古白云鄂博某低品位含铁岩矿磁悬浮联合分级流程工业试验研究

白云鄂博铁矿石储量巨大,缓解了国家铁矿石对外依存度过高的问题,同时也助力了包钢集团生产发展。但是在采矿过程中,产生了大量TFe品位低于20%的低品位含铁岩矿。对该类矿石,采用传统连续磨矿-磁选流程,在细磨至-0.074 mm粒级含量95%情况下,铁精矿品位最高只有60.8%,无法达到合格铁精矿质量要求;如果采用浮选流程,选矿经济性能不佳,故该部分矿石一直进行堆放未得到应用。本文通过对原矿性质进行分析,引入新型磁悬浮精选机作为磁选精选设备,同时设计三条全磁工艺流程进行工业试验,均可得到TFe品位64.5%以上的合格铁精矿,同时铁精矿中杂质元素K、Na、Si含量远低于浮选工艺流程。其中,自主开发的阶段磨选-磁悬浮联合分级分选流程,在细磨至-0.074 mm粒级含量95%情况下,最终可得到铁精矿TFe品位64.5%、磁性铁回收率95.07%的优良技术指标,分选效率高,效果好。现场应用后可实现白云鄂博低品位含铁矿经济性绿色利用,经济效益显著,同时极大地延长了白云鄂博铁资源的供给年限,对国家自有铁矿石产能接续、矿山自身可持续发展及资源绿色利用具有深远意义。

酒钢7号高炉低品位矿冶炼的应对措施

为降低生铁成本,酒钢7号高炉烧结矿配比由58%提高至70%,人炉品位由54%下降至51%。低品位矿冶炼条件下,高炉操作难度高,易导致初始煤气流分布失常,技术经济指标劣化。通过采取原燃料质量延伸管理、炉前出铁组织优化、下部送风制度及风口布局调整、上部装料制度调剂等措施,7号高炉实现长周期稳定顺行,炉缸活跃性未因人炉矿石品位降低而出现明显变化,完成了预期目标。认为,当原燃料质量下降后不宜沿用过去的管理模式,应及时降低治炼强度,炉况稳定后再逐步强化,同时也应统筹兼顾排碱、排锌工作。

低品位蓝晶石制备锂离子电池窑炉用莫来石轻质隔热材料

为实现对低品位蓝晶石的综合利用,以低品位蓝晶石、α-Al_(2)O_(3)微粉和黏土为主要原料,在10 MPa下机压成型,分别经1450和1500℃保温3 h热处理,通过燃尽物法制备了莫来石轻质隔热材料。研究了黏土加入量(加入质量分数分别为5%、10%、15%、20%)和热处理温度(1450、1500℃)对试样体积密度、显气孔率、常温耐压强度、热导率以及抗锂离子电池正极材料侵蚀性能和显微结构的影响。结果表明:黏土的引入促进了试样的致密化和莫来石化反应,提高了试样体积密度、热导率和强度,添加20%(w)黏土的试样经1450℃烧后物理性能最佳,其体积密度为0.88 g·cm^(-3),常温耐压强度为21.0 MPa,热导率为0.25 W·(m·K)^(-1);当热处理温度为1450℃,黏土加入量为10%(w)时,试样具有较好的抗锂离子电池正极材料侵蚀性能。

罗布莎低品位铬铁矿工艺矿物学研究

为查清西藏罗布莎低品位铬铁矿的矿石性质,采用化学分析、光学显微镜鉴定、扫描电镜分析、EDS微区成分分析等岩矿测试手段,对矿样的化学组成、矿物组成、矿物嵌布特征、主要矿物的工艺粒度、铬元素的赋存状态进行了详细的工艺矿物学研究。结果表明:矿石有价成分Cr2O3含量18.50%,有害成分MgO和SiO2含量分别为35.32%,26.55%,主要含铬矿物为铝-铁镁铬铁矿,脉石矿物主要为含铬硅酸盐矿物橄榄石和蛇纹石,另含少量的绿泥石、辉石、方解石和铁白云石,以及微量的钾长石、黄铁矿等;铬铁矿嵌布粒度粗细不均,通常与橄榄石、蛇纹石、绿泥石紧密共生,部分微细粒铬铁矿被橄榄石包裹,不易解离;铬元素主要赋存在铬铁矿中,少量赋存在橄榄石、蛇纹石和绿泥石中,铬铁矿单矿物平均含铬39.17%,橄榄石和蛇纹石单矿物平均含铬0.44%,绿泥石单矿物平均含铬1.15%。

云南某低品位铅锌硫化矿选矿试验研究

云南某低品位硫化铅锌矿含Pb0.42%、Zn0.39%,矿物组成较复杂,含有方铅矿、白铅矿、闪锌矿、氧化锌矿等多种矿物。采用铅锌混合浮选抛尾—铅锌分离选矿流程回收利用该铅锌矿。结果表明,采用该处理工艺可获得Pb品位70.34%、Pb回收率84.06%的铅精矿,Zn品位45.74%、Zn回收率80.65%的锌精矿。

还原熔炼法回收低品位锡中矿中锡资源

本研究采用还原熔炼法回收低品位锡中矿中锡资源,并对氧化铜为添加剂时锡的回收行为进行了探究。结果表明一定条件下,提高熔炼温度、增加焦炭添加量、延长保温时间和增加氧化铜添加量可提高锡回收率;然而温度过高时,渣中铁氧化物被还原为金属铁,并与还原态金属锡发生合金化反应生成熔点较高的Fe-Sn合金,使其在渣金分离过程中易夹带在渣中造成锡损失;熔炼过程添加氧化铜时,其可通过还原反应生成金属铜,继而与金属锡发生合金化反应生成Cu-Sn合金,热力学上降低了产物Sn的活度,促进了锡的还原回收;在焦炭添加量7%、氧化铜添加量5.8%、熔炼温度1 250℃、保温时间150 min条件下,锡回收率可达到95.24%,锡主要分布在Cu-Sn合金(分布比例90.20%)和含锡烟尘(分布比例5.04%)中。本研究实现了低品位锡中矿中锡的高效回收。

提升某高硫低铜品位铜硫矿铜浮选回收指标试验研究

安徽铜陵某铜硫矿浮选厂处理的原矿含铜0.34%,其中硫化铜占近93%,含硫31.26%,属于高硫低铜硫化矿。选厂铜回收率长期维持在82%~84%,明显低于原矿中硫化铜理论回收率。为提升该矿石中铜的回收,开展磨矿细度优化以及复合酯类捕收剂强化铜浮选的试验研究。结果表明,在磨矿细度-74μm占75%,使用复合酯类捕收剂的条件下,小型闭路试验获得铜精矿铜品位为16.43%,铜回收率达到94.07%的指标,较现场指标分别提高1个和9个百分点;通过对小试和现场产品的粒级组成深入分析,得出现场磨矿细度不足,磨矿产品粒度组成不均匀是造成铜损失在尾矿的关键原因。同时,小试结果证明使用新型复合酯类捕收剂可强化微细粒铜矿物的回收。为选厂在实际生产中提升指标提供了科学的方向和依据。

定性与定量信息相结合预测金品位的方法研究

将改进云模型和改进RBF神经网络相结合,提出了一种预测矿石中金品位的模型。先利用DS证据理论和云模型将定性信息定量化,再采用量子粒子群算法和RBF神经网络完成矿石中金品位预测。结果表明:该模型的均方根误差为0.0092,最大误差为0.0161,相关系数为0.9402,可较好保留定性信息特性,金品位预测效果较好。

基于SPA-SVR模型的LIBS铁精矿矿浆中铁品位的在线测量

浮选是选矿过程中的重要一步,浮选过程中矿浆品位是选矿工艺需要实时掌握的重要指标。实验室开发了基于激光诱导击穿光谱的在线矿浆成分分析仪SIA-LIBSlurry,可以通过采集光谱数据对浮选过程中矿浆的各元素含量进行实时测量。但铁矿浆光谱数据维度较高,数据间强烈的多重共线性和非线性问题增加了建模的复杂度。为了解决该问题,本工作比较了两种变量选择算法:竞争性自适应重加权算法(CARS)和连续投影算法(SPA),并结合支持向量机回归(SVR)建立定量分析模型。研究结果表明:全谱6116个变量建立的SVR模型精度较低,预测均方根误差为1.45%;CARS筛选出的231个变量建立的CARS-SVR模型的预测能力有所提高,预测均方根误差为1.09%;SPA筛选出的12个变量建模,SPA-SVR模型取得了最佳预测效果,预测均方根误差降到了0.97%。说明SPA-SVR模型具有较高的预测准确率,有助于提高SIA-LIBSlurry分析仪在线监测的准确性。

基于LSTM神经网络的浮选品位预测模型

针对目前选矿行业中浮选环节的精矿品位难以实时监测的问题,提出基于长短时记忆(LSTM)网络的浮选品位预测模型。利用浮选品位参数在时序上的相关性,采用两层LSTM网络提取特征,将浮选过程中的药剂添加量、充气速率、矿浆pH值等参数作为输入值,对浮选后的精矿品位进行实时预测,并以平均绝对误差(MAE)、均方根误差(RMSE)、可决系数(R~2)对预测结果进行评价。实验结果表明:该神经网络模型的参数与结构设置合理,预测表现良好,MAE为0.080 7、RMSE为0.109、R~2达到了0.678。该模型适用于浮选环节的实时精矿品位预测,后续可根据预测值反馈调节浮选过程参数,使得精矿品位趋近期望值,对浮选过程的智能化具有促进作用。

滇中地区新发现高品位氧化物型钴矿点

我国西南地区(尤其是云南省)已报道岩浆型、热液型、风化型和沉积型等多种类型Co矿床/点,资源潜力很大,是我国重要的Co矿资源找矿远景区。最近,笔者在滇中地区发现了一种新类型Co矿点,钴氧化物呈粉红色-桃红色稠密浸染状、(细)脉状或团斑状等赋存于元古界硅化浅变质岩中,与石英、云母、磷灰石、碳酸盐矿物和硫化物等共生,受构造控制。这些钴氧化物主要为钴华,少量为水钴矿。地球化学分析结果显示,5件捡块样品的Co平均含量为0.23%,最高可达0.92%,同时富集Cu、As和Ni等元素;2件刻槽(1.5米/段)样品的Co含量为0.15%和0.22%。这一高品位氧化物型Co矿点的发现,具有重要的理论意义和现实价值。

低品位铋多金属精矿加压碱浸分离钼、钨、硫和铋

针对传统铋精矿冶炼原料适应性差、不适于低品位铋精矿、有价金属综合回收率低、火法冶炼产生低浓度SO_(2)治理难、成本高等问题,以柿竹园低品位铋多金属精矿为原料,提出加压氧化碱浸分离钼、钨、硫和铋的新工艺,研究了碱用量、时间、温度、总压及液固比等因素对钼、钨、硫、铋浸出率的影响。在优化工艺条件下,钼、钨、硫的浸出率分别达99.73%、90.81%和97.69%,铋不浸出在渣中富集,实现了低品位铋多金属精矿中钼、钨、硫与铋的高效分离。

云南某低品位铜矿选矿试验研究

低品位铜矿的高效开发利用对于保障铜资源的安全供给意义重大。针对云南某低品位铜矿,通过详细的工艺矿物学研究、浮选关键参数条件试验及全流程闭路试验,分析矿石中铜矿物的赋存状态,并针对性地开发适宜该矿的浮选工艺与药剂制度。结果表明,该矿石原矿含Cu 0.31%,其中硫化铜占比达93.55%,铜矿物主要为黄铜矿,嵌布粒度较细,呈浸染嵌布于脉石矿物中;粗选采用非极性捕收剂CM-3可以在保证铜回收率的前提下显著提升粗精矿品位,同时扫选采用Z-200进行强化浮铜有利于进一步提升铜回收率;实验室闭路试验在磨矿细度为-74μm占72%的条件下,采用一粗二精三扫流程获得了铜品位23.03%、回收率86.97%的铜精矿。研究结果可为国内低品位铜矿的高效浮选回收提供参考与借鉴。