充填絮凝沉降参数优化研究

为得到某铁矿全尾砂絮凝沉降参数,研究使用BP神经网络进行优化选择。以絮凝剂单耗和尾砂浓度作为输入因子,以沉降速度作为综合输出因子;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。优选出絮凝剂单耗10g/t,尾砂浓度18%,预测沉降速度为1.38m/h,满足生产要求,比原生产所需絮凝剂单耗节省一倍。应用表明该研究成果效果显著,为絮凝沉降参数优选提供一种全新思路。

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。