氧压浸出锌冶炼硫回收浮选工艺探讨

氧压浸出锌冶炼工艺利用锌精矿中的硫化物、硫酸和氧气在一定的温度和氧分压下发生化学反应,生成硫酸盐、单质硫和水;加压浸出在密闭容器内进行,使反应温度提高到溶液沸点以上、氧气在浸出过程中具有较大的分压,让反应在更有效的条件下进行。相比于传统的湿法炼锌工艺,氧压浸出炼锌冶炼工艺强化反应条件大幅提高锌浸出率,其次可以节约精矿焙烧和二氧化硫回收设施的建设投资,而且得到元素硫易于储存及回收,具有生产效率高、绿色环保的明显优势。通过锌氧压浸出得到的浸出渣含有55%~60%的单质硫,采用硫回收工艺对浸出渣中的硫进行浮选及熔硫,可实现对浸出渣中硫的回收,得到产品硫磺。作为整个氧压浸出锌冶炼工艺的核心,硫回收浮选工艺常采用闭式循环回收工艺,即在串联粗选、精选和扫选的工艺支撑下,经过硫回收浮选分离、过滤干燥、熔融热滤、造粒等工艺后,硫磺得以有效回收。这在硫物质利用的同时,有效地降低了硫物质对周围环境的污染,提升了氧压浸出锌冶炼工艺的经济性、环保性。

基于深度学习的浮选回收率预测建模研究

针对现有浮选回收率预测模型拟合度不高、预测误差大等问题,以某铜矿实际工况数据为基础,利用箱图和滤波算法对数据进行预处理,采用传统机器学习算法(DT、SVR和RF算法)和深度学习算法(DNN和CNN算法)构建相应浮选回收率预测模型。对5种回收率预测模型的拟合效果、预测效果进行了对比分析,并采用现场数据进行验证。结果表明:传统机器学习算法模型中RF预测精度最佳,±2%误差区域命中率为80.1%,±4%误差区域命中率为93.0%;深度学习模型预测效果均优于传统机器学习算法模型,DNN和CNN预测模型的R~2分别为0.854、0.907,±2%误差区域命中率分别为91.6%、90.6%,±4%误差区域命中率分别为96.6%、98.1%。CNN模型略优于DNN模型,但训练耗时较长,深度学习算法模型中首选DNN模型。研究结果可为浮选回收率实时预测及浮选过程协同优化提供技术支持。

基于I-GWO-BP神经网络的紫金山铜矿浮选回收率预测研究

为克服传统测量浮选回收率方式存在的低效率、滞后性等问题,结合紫金山硫化铜矿浮选厂生产情况,采用基于MI(Mutual Information)互信息法对选厂原矿品位、丁铵黑药用量等浮选条件因子进行特征选择,在此基础上,建立了基于BP(Back Propagation)、GWO-BP(Grey Wolf Optimizer-Back Propagation)、I-GWO-BP(Improved-Grey Wolf Optimizer-Back Propagation)的三种浮选回收率预测模型,并选取紫金山硫化铜矿浮选车间生产数据进行神经网络训练与验证试验,分析了浮选回收率预测模型的准确性。结果表明:相较于基于BP、GWO-BP的浮选回收率预测模型而言,基于I-GWO-BP的浮选回收率预测模型具有更大的相关系数和更小的均方误差根,说明该模型泛化拟合能力更强,对浮选回收率的预测值在很大程度上逼近于真实值,预测精度更高。本研究结果可为实现浮选回收率高效、准确、自动的在线预测技术开发提供支持。

微波预处理对中性条件下石英和长石浮选行为的影响研究

针对石英与长石难以有效浮选分离的问题,试验采用微波预处理的方法增大石英和长石表面性质的差异。研究在中性条件下油酸钠和十二胺为混合捕收剂、六偏磷酸钠为抑制剂条件下微波预处理分别对石英与长石浮选回收率的影响。试验结果表明,微波后的浮选回收率差值提高了11.87%。药剂吸附试验和Zeta电位测定结果表明,微波后石英对药剂的吸附能力下降,Zeta电位上升;而长石对药剂吸附能力上升,Zeta电位下降。说明微波预处理改变了矿物对药剂的吸附量,并增大了石英与长石表面性质的差异,提高了分选效果。

提高云南某选铜尾矿中硫回收率的试验研究

针对云南某铜矿选厂浮铜尾矿选硫作业时硫回收率偏低,尾矿硫含量过高等问题。在选铜尾矿性质研究的基础上进行了提高硫回收率的试验研究,对浮铜尾矿进行再磨,并进一步降低粗选矿浆pH至弱酸性,同时添加少量的活化剂CuSO_(4)进行活化,可显著提高硫回收率,通过采用“一粗两精两扫”的闭路浮选试验流程,可获得品位为39.25%、回收率为85.69%硫精矿,与现场生产工艺相比,所得硫精矿品位提高近2个百分点,回收率提高近11个百分点。

含锌废渣水热硫化浮选回收的工艺研究

以某冶炼废水处理工段所产生的废渣为处理对象,采用水热硫化-浮选工艺对其进行资源化处理.实验首先采用正交实验法对水热硫化的影响因素进行考察,结果认为温度是影响废渣中金属锌(Zn)硫化的主要因素,其次为固液比、反应时间和硫磺添加量.最优水热硫化条件为:硫化时间4 h,温度200°C,固液比1∶3,硫磺添加量18%,在最优条件下废渣中Zn硫化率可以达到90%以上.后续的浮选考察了粒径、抑制剂(CMC)、浮选温度和浮选pH值对硫化产物可浮性的影响.研究认为温度是影响人造硫化物浮选的主要因素,最优浮选参数为:粒径38μm、温度60℃、CMC:200 g/t、pH=8.最优条件下,一次粗选,精矿Zn品位可达28.8%,Zn的回收率为55.16%.

采用球磨-低温热处理-浮选法回收废旧锂电池中电极材料的机理

采用球磨-低温热处理两阶段流程可以将阻碍钴酸锂和石墨浮选分离的锂电池电极材料表面有机物膜去除,通过TG-DSC综合热分析、接触角、XPS测试进行机理研究。结果表明:机械球磨过程可以破坏石墨表面有机物膜,而钴酸锂表面有机物膜的去除需进行进一步处理。为去除钴酸锂表面有机物,同时避免石墨的损失,热处理温度应不高于500℃。在400℃焙烧30 min后,钴酸锂表面表面有机物的结构受到破坏,C—F键和P—F键打开后,F与活性材料中的Li、Co结合,转化为结合能更低的Li—F键和Co—F键,从而降低钴酸锂接触角,增大与疏水石墨表面的性质差异。再经浮选流程,钴酸锂回收率和品位高达90.32%和88.03%,达到了良好的分选效果。XRD、SEM、DES结果表明:浮选产品物相没有受到破坏,表面有机物被去除干净,具有直接重生再造的潜能。

蒙古某铜矿伴生金银浮选回收工艺技术研究

蒙古某铜矿含铜0.61%,含硫2.57%,含金0.80g/t,含银15.12g/t,矿石中铜矿物主要为黄铜矿、斑铜矿及辉铜矿,脉石矿物有石英、长石、云母等。矿石中金、银等有价元素与黄铜矿、黄铁矿等金属矿物之间嵌布关系密切。本文研究针对该矿石特征,采用铜优先-铜和脉石浮选分离工艺流程,粗选采用选择性捕收剂BKH优先选铜,精选采用新型抑制剂BKL抑制脉石矿物,最终获得实验室闭路试验结果为:铜精矿含铜24.85%,铜回收率81.88%;含金21.87g/t,金回收率55.00%;含银515.80g/t,银回收率68.89%。

提高某超级铁精矿制备过程中的反浮选回收率

以安徽某粉末冶金公司超级铁精矿生产线所用普通铁精矿为原料,将其再磨、弱磁再选后进行生产超级铁精矿的反浮选试验,通过添加调整剂Na2CO3、水玻璃、淀粉来解决现场单纯使用十二胺引起的反浮选回收率偏低问题,并探讨通过提高矿浆浓度来提高反浮选的生产效率。试验结果表明:将2 000 g/t Na2CO3、200 g/t水玻璃、100 g/t淀粉与130 g/t十二胺配合使用,在24%矿浆浓度下,反浮选所获超级铁精矿的作业回收率可由单纯使用十二胺时的44.61%(对原料为43.44%)提高到89.58%(对原料为89.27%);将矿浆浓度提高到28%,可使反浮选处理能力提高16.68%,而作业铁回收率仍达87.69%(对原料为87.38%)。

核极限学习机在浮选回收率中的研究与应用

浮选回收率是浮选过程中重要的生产指标。需要通过人工检测得到的浮选回收率,可知性具有较大的时间延迟,使工人不能及时有效地对生产做出相应控制调整。由于浮选过程相当复杂,变量维数高、关联性强、噪声大、检测信号不完备等因素,难以建立较精确的回收率预测模型。然而,人工智能与机器学习技术能在机理不清楚、信息不完备的情况下,对复杂系统建立基于数据驱动的经验模型。因此,本文为提高回收率检测的及时性、有效性,在分析浮选过程相关因素影响的基础上,提出基于核极限学习机建立浮选回收率的预测模型。仿真实验结果表明,该建模方法可有效辨识浮选过程中,输入数据与回收率测量值之间的非线性关系,且具有更高的预测精度与训练性能。

提高金银浮选回收率的试验研究

对赤峰某金矿进行提高金银浮选回收率的试验研究,通过XRD/SEM&Energy Spectrum对样品的物相组成、金银赋存状态及嵌布粒度进行检测;考察了磨矿细度、捕收剂及辅助剂用量、扫选时间及矿浆pH值对浮选效果的影响;通过精选实验、开路综合条件试验和闭路试验研究,结果表明,浮选时加入T12,抑制细泥及硫化氧化矿,产出精矿中Au品位可达60.2g/t,浮选回收率可达87.50%;精矿中Ag品位可达6 767 g/t,浮选回收率可达到75.21%,确定适宜该矿石性质的工艺条件及工艺流程,获得的金精矿可作为混合精矿外售。

提高德兴铜矿铜浮选回收率的新型捕收剂研究

对德兴铜矿石进行了不同种类的新型捕收剂浮选试验,结果表明,改性硫脲类捕收剂是铜矿物的强力捕收剂,其对铜的回收好于单硫代磷酸酯捕收剂和硫氨酯类捕收剂。改性硫脲TU-32+少量丁黄药的组合捕收剂的工业试验结果表明,与丁黄药工艺相比,TU-32+少量丁黄药组合可显著降低二段铜硫分离石灰用量,并提高铜精矿中铜回收率1.05%,金回收率7.16%,钼回收率3.90%。改性硫脲类捕收剂对铜矿物具有强捕收能力,对硫化铁矿物具有好的选择性,现已工业应用于德兴铜矿泗洲选矿厂。

基于人工智能神经网络的浮选回收率软测量模型研究

在浮选流程中,回收率是一项重要的工艺指标,目前主要通过离线人工化验的方式获取,少量的企业通过在线仪表测量。人工化验具有2-3 h的时间延迟,而在线测量仪表价格高昂,导致工人不能及时有效地得到回收率实时数据,从而对工艺做出相应的调整。人工智能神经网络具有容错能力强、鲁棒性好等优点,在分析浮选工艺中多个影响因素的基础上,提出了基于人工智能神经网络浮选回收率的软测量模型。该模型可以有效克服浮选过程变量耦合性强、工艺复杂等因素。通过仿真验证,该模型的输出与实际样本数据误差很小,可有效对浮选回收率进行软测量。

氰渣浮选回收铜的试验研究及生产实践

通过对河南某氰化厂的氰渣浮选选铜的试验研究和生产实践,综合回收了氰渣中的铜、金、银等有价元素,使氰渣成为二次资源,取得了较好的经济效益和社会效益。

从超细粒高铅锌氰化尾渣中浮选回收有价金属的试验研究

从超细粒氰化尾渣中回收有价元素是浮选中的难题,目前采用的方法主要是先加入氧化剂预处理脱氰,再加入捕收剂浮选。然而,该工艺存在药剂成本高、氰化物无法循环使用及矿物表面二次氧化等问题。以山东某高铅锌氰化尾渣为研究对象,在不脱氰的条件下,以氰化贫液为浮选用水,通过浮选试验和闭路试验等方法研究氰化尾渣的浮选回收效果。试验结果表明,在不脱氰的条件下,可浮选回收铅锌,铅精矿铅品位为56.61%,回收率为89.04%;锌精矿锌品位为32.6%,回收率为74.5%。SEM显微镜研究表明,铅精矿中铜矿物表面包裹一层小颗粒方铅矿,改变了黄铜矿界面性质,使得铜矿物表面特性趋于方铅矿界面性质,导致铜矿物大部分进入铅精矿中。

国外某低品位氧化矿浮选-氰化法回收金的试验研究

为提高国外某低品位氧化矿中金的回收率,采用浮选-氰化工艺流程,在原矿磨矿细度-74μm占74.65%,pH=9.0,调整剂石灰用量为1000g/t、活化剂硫酸铜用量为200g/t、捕收剂丁铵黑药用量为60g/t、丁基黄药用量为120g/t、起泡剂松醇油用量为60g/t的条件下,采用一粗二精二扫的闭路试验流程,获得金品位为24.30g/t,金回收率为72.17%的浮选金精矿,对浮选尾矿继续进行金的氰化浸出,浸出率可达92.31%。

浅析转炉渣缓冷时间对浮选回收铜的影响

针对贵溪冶炼厂五种不同缓冷时间(15、20、25、30、40小时)的转炉渣,进行了化学成分、化学物相、矿物组成、粒度组成、浮选试验研究。研究结果表明,随着冷却时间的延长,炉渣中的铁橄榄石有向铁酸盐转换的现象;缓冷15小时已经足够获得浮选所需的铜矿物结晶粒度,在试验研究范围内,冷却时间对炉渣中铜矿物的粒度影响不明显,也没有对浮选指标产生明显影响;硅酸盐中铜物相的含量是影响浮选指标的主要因素,而这很大程度上是由渣的性质决定的,因此尽量优化冶炼过程以获得性能更好的冶金渣是能够获得较好铜冶炼渣浮选指标的前提。

吉家洼金矿氰化尾矿浮选回收金工艺的实践

针对吉家洼金矿氰化尾矿品位偏高,对氰化尾矿采用浮选回收金工艺获得金精矿品位39.60 g/t,回收率41.00%较高的技术经济指标.对金矿尾矿再回收有较好的指导意义.

高钙高硅铜矿中铜及伴生金银浮选回收试验研究

高钙高硅铜矿中元素铜及伴生金银的回收价值高,但实际生产中这些有价成分的回收指标较低,导致企业经济效益不理想。针对矿石性质,采用石灰和硫化钠为矿浆调整剂,丁基黄药与丁基铵黑药联合使用作为捕收剂,在磨矿细度-74μm粒级含量占70%的基础上,进行了浮选药剂优化和闭路试验。在石灰用量1000 g/t、硫化钠用量400 g/t、丁基黄药用量400 g/t、丁基铵黑药用量50 g/t、松醇油用量84 g/t的药剂制度下,采用两次粗选、两次精选、一次扫选、中矿顺序返回的浮选闭路流程,最终获得Cu品位21.45%、回收率90.46%,Au品位7.92 g/t、回收率79.39%,Ag品位453.50 g/t、回收率81.82%的铜精矿。与生产现场指标相比,不仅提高了矿石中铜的浮选回收率,而且极大地提高了矿石中伴生金银的回收效果,浮选指标较为理想。

渝新能源公司南桐洗选厂南桐厂区浮选精煤回收系统的改造

渝新能源南桐洗选厂为了解决南桐厂区浮选精煤回收系统能力不足,生产成本高的问题,经论证对现有工艺进行改造,生产实践表明,改造有效提高了系统的运行效率,大幅降低了生产成本。