全尾砂漿最佳絮凝沉降參數(shù)

王新民，趙建文

（中南大學 資源與安全工程學院，湖南 長沙，410083）

全尾砂漿最佳絮凝沉降參數(shù)

王新民，趙建文

（中南大學 資源與安全工程學院，湖南 長沙，410083）

為了得到最佳的絮凝沉降參數(shù)，研究使用BP神經(jīng)網(wǎng)絡進行優(yōu)化選擇。通過對比分析，將輸入因子簡化為絮凝劑單耗和尾砂質(zhì)量分數(shù)2個因子，輸出因子簡化為沉降速度1個因子；通過正交試驗，建立網(wǎng)絡學習、訓練樣本，優(yōu)選出最佳網(wǎng)絡模型。擴大正交試驗，增加輸入因子水平，組合優(yōu)選樣本，搜索最佳絮凝沉降參數(shù)。以司家營鐵礦全尾砂絮凝沉降為例，優(yōu)選出絮凝劑單耗為10 g/t，尾砂質(zhì)量分數(shù)為18%，預測沉降速度為1.38 m/h，滿足生產(chǎn)要求，比原生產(chǎn)所需絮凝劑單耗節(jié)省50%。應用結(jié)果表明：該研究成果效果顯著，為絮凝沉降參數(shù)優(yōu)選提供一種新思路。

絮凝劑單耗；尾砂；絮凝沉降；網(wǎng)絡模型

全尾砂由于其來源廣泛、成本低廉常作為主要的充填骨料。尾砂來源于選礦后排出的全尾砂漿，其質(zhì)量分數(shù)一般僅為10%～20%，無法直接制備高質(zhì)量分數(shù)的充填料漿。低質(zhì)量分數(shù)的充填料漿充入井下，會帶來脫水量大、充填質(zhì)量低、封堵難等一系列問題。為此在生產(chǎn)中，高質(zhì)量分數(shù)充填成為了一種趨勢。高質(zhì)量分數(shù)充填一般指充填料漿的質(zhì)量分數(shù)達到 75%～80%，在輸送過程中不發(fā)生離析、脫水、分層現(xiàn)象，完成充填作業(yè)的過程［1］。高質(zhì)量分數(shù)充填料漿制備過程中，最關(guān)鍵的因素就是全尾砂漿的濃縮沉降。傳統(tǒng)的全尾砂充填中，全尾砂在立式砂倉中依靠自然沉降濃縮成質(zhì)量分數(shù)為60%～70%的全尾砂漿。由于立式砂倉的斷面較小，低質(zhì)量分數(shù)的全尾砂漿進入立式砂倉后，其自然沉降速度慢，沉降路徑較短，導致溢流水含固量量高，跑渾現(xiàn)象嚴重。為加快全尾砂的沉降速度，實踐生產(chǎn)中主要通過添加絮凝劑來實現(xiàn)全尾砂的快速沉降。提高全尾砂漿的濃縮沉降，一些學者針對不同礦山的全尾砂進行了大量的室內(nèi)試驗。張欽禮等［2］選擇絮凝劑單耗及質(zhì)量分數(shù)、尾砂質(zhì)量分數(shù)作為變量，進行了全尾砂的濃縮沉降試驗，并利用spss軟件進行回歸分析。王洪武等［3］研究了五道嶺鉬礦全尾砂漿在不同因素影響條件下的絮凝沉降特性。史秀志等［4］針對不同質(zhì)量分數(shù)的全尾砂漿液選用不同分子量的陰離子聚丙烯酰胺，并配以一定量的氯化鐵，進行了全尾砂絮凝沉降試驗。以上學者對全尾砂絮凝沉降參數(shù)的選取，均是在有限的室內(nèi)試驗基礎(chǔ)上進行的。但僅僅通過實驗室

有限的試驗來選擇最佳的絮凝沉降參數(shù)，往往具有一定的局限性。BP神經(jīng)網(wǎng)絡具有較強的容錯、聯(lián)系、學習、抗干擾、非線性動態(tài)處理能力，可實現(xiàn)輸入因子和輸出因子之間的非線性映射關(guān)系，能靈活方便地對少數(shù)據(jù)、貧信息等問題的建模。石靈芝等［5］在根據(jù)長沙火車站監(jiān)測點全年氣象參數(shù)平均數(shù)據(jù)的基礎(chǔ)上，建立了BP神經(jīng)網(wǎng)路對長沙火車站的大氣污染物PM10小時質(zhì)量分數(shù)的預測模型；蔣建平等［6］在僅選取4個常規(guī)物理參數(shù)作為主要影響因素的條件下，利用BP神經(jīng)網(wǎng)絡對土壓縮系數(shù)進行了預測；姜安龍［7］利用 BP神經(jīng)網(wǎng)路建立了回采巷道圍巖穩(wěn)固性的知識表達系統(tǒng)，解決了山東兗州煤礦巷道穩(wěn)定性判別困難的問題。本文作者研究通過對比分析，簡化輸入、輸出因子，進行正交試驗，建立網(wǎng)絡學習、訓練樣本，優(yōu)選出最佳網(wǎng)絡模型；擴大正交試驗，增加輸入因子水平，組合優(yōu)選樣本，搜索最佳絮凝沉降參數(shù)。

1 BP神經(jīng)網(wǎng)絡預測、優(yōu)選模型

1.1 輸入、輸出因子

全尾砂在立式砂倉中的濃縮沉降是一個多因素影響的過程，主要影響因素有：尾砂的物理、化學性質(zhì)，全尾砂漿的質(zhì)量分數(shù)以及絮凝劑的性質(zhì)和用量。在高質(zhì)量分數(shù)全尾砂充填過程中，尾砂的來源是固定的，其物理化學性質(zhì)是一定的；對于金屬礦山全尾砂漿濃縮使用的絮凝劑大多為聚丙烯酰胺。在尾砂性質(zhì)和絮凝劑性質(zhì)一定的情況下，影響全尾砂絮凝沉降效果的主要因素為全尾砂漿質(zhì)量分數(shù)和絮凝劑的用量。

1） 全尾砂漿質(zhì)量分數(shù)較低時，尾砂顆粒間的相互作用力較小，絮凝劑可以較好地作用于尾砂顆粒，形成較大的絮凝團，在重力作用下加速沉降，但其沉降質(zhì)量分數(shù)較低，無法滿足放砂質(zhì)量分數(shù)的要求；當全尾砂質(zhì)量分數(shù)較高時，雖然可以形成較高的沉降質(zhì)量分數(shù)，但由于尾砂顆粒間的相互作用較大，沉降速度慢。

2） 為滿足立式砂倉動態(tài)放砂的要求，需要增加絮凝劑的用量來加速全尾砂的沉降速度，但如果絮凝劑添加過量，則不僅會造成藥劑的浪費，成本的增加，而且會造成溢流水中絮凝劑含量增高，造成二次污染［8-9］。

因此，確定絮凝劑沉降參數(shù)優(yōu)選模型的輸入因子為全尾砂漿質(zhì)量分數(shù)和絮凝劑單耗。

全尾砂絮凝沉降的目的在于高效率地制備高質(zhì)量分數(shù)的全尾砂漿，評價全尾砂絮凝沉降效果的指標有沉降速度、沉降質(zhì)量分數(shù)、溢流水含固量等。

1） 沉降速度。為實現(xiàn)立式砂倉動態(tài)放砂，需保證放砂速度等于沉砂速度。在室內(nèi)試驗中，沉砂速度即為固液面下沉的速度，通過測定固液面隨時間的變化來計算。

2） 沉砂質(zhì)量分數(shù)。全尾砂進入立式砂倉完成絮凝沉降后，在立式砂倉底部的漿體質(zhì)量分數(shù)，也稱放砂質(zhì)量分數(shù)。為配置質(zhì)量分數(shù)較高的漿體，放砂質(zhì)量分數(shù)越高越好。在室內(nèi)試驗中通過測定沉降結(jié)束后固液面下漿體的質(zhì)量來計算。

3） 溢流水含固量。全尾砂進入立式砂倉后，大部分尾砂顆粒在自重或絮凝作用下下沉，少部分尾砂顆粒還沒來得及下沉就隨著上層溢流水流出砂倉。溢流水含固量的高低直接影響溢流水的回收處理費用。

質(zhì)量分數(shù)一定的全尾砂漿進入立式砂倉后，漿體的總質(zhì)量不變，尾砂固體顆粒的總質(zhì)量不變，則溢流水中固體含量與放砂質(zhì)量分數(shù)是相對立的，放砂質(zhì)量分數(shù)越大，溢流水固體越低，反之亦然。當絮凝劑單耗確定后，全尾砂的沉降速度、沉砂質(zhì)量分數(shù)也就相應確定。沉降速度和沉砂質(zhì)量分數(shù)同時存在，是反映沉降效果問題的2個方面，不應重復考核。本次研究選擇沉降速度作為評價絮凝沉降效果的指標。

因此，確定絮凝劑沉降參數(shù)優(yōu)選模型的輸出因子為沉降速度。

1.2 學習樣本和訓練樣本確定

通過上述分析，簡化了 BP神經(jīng)網(wǎng)絡預測輸入、輸出因子。在此基礎(chǔ)上，根據(jù)礦山的具體情況，為輸入因子（絮凝劑單耗、尾砂質(zhì)量分數(shù)）選擇若干個合理的水平，建立正交試驗表，進行有限次的正交試驗，經(jīng)統(tǒng)計求得輸出因子—沉降速度；并最終得到BP神經(jīng)網(wǎng)絡的學習樣本和訓練樣本。

但是，正交試驗所進行的組合是有限的，而且往往沒有包含最優(yōu)水平組合。因此，必須進一步細化輸入因子水平，增加其水平組合情況，形成參數(shù)預測、優(yōu)選的樣本集，以此來得到最佳的絮凝沉降參數(shù)。

1.3 BP神經(jīng)網(wǎng)絡模型

本次研究所建立的BP網(wǎng)絡模型的輸入因子是絮凝劑用量和全尾砂漿質(zhì)量分數(shù)，輸出因子為沉降速度。模型建立過程中，最重要的是隱含層節(jié)點數(shù)的選擇：

式中：n為輸入因子數(shù)；m為輸出因子數(shù)；a為0～10之間的常數(shù)。根據(jù)上式，本次研究所建立模型隱含層的合理節(jié)點數(shù)應該為5～12，建立模型后，通過對不同隱含層數(shù)目情況進行收斂速度和預測誤差的比較，從而選出最佳的隱含層數(shù)，確定隱含層節(jié)點數(shù)［10］。

全尾砂絮凝沉降參數(shù)的 BP神經(jīng)網(wǎng)絡預測模型的算法流程如圖1所示。

2 應用實例

以司家營鐵礦為例，用 BP神經(jīng)網(wǎng)絡進行絮凝沉降參數(shù)預測、優(yōu)選。司家營鐵礦超大能力超細全尾砂充填系統(tǒng)，使用立式砂倉全尾砂高質(zhì)量分數(shù)充填，立式砂倉直徑為11 m，系統(tǒng)充填能力為200 m3/h。全尾砂快速沉降是實現(xiàn)高質(zhì)量分數(shù)連續(xù)充填的關(guān)鍵，而全尾砂進入立式砂倉后絮凝沉降參數(shù)選擇的優(yōu)劣是能否實現(xiàn)全尾砂快速沉降的最重要因素［11-12］。本次研究針對司家營鐵礦超細全尾砂的性能，選取合理的絮凝劑，進行正交試驗從而得到 BP神經(jīng)網(wǎng)絡的其學習、訓練的樣本。

圖1 神經(jīng)網(wǎng)絡算法Fig.1 Arithmetic in neural network

2.1 全尾砂物理性質(zhì)

所取司家營鐵礦全尾砂粒級組成見表 1，主要物理力學性能測定結(jié)果見表2。由表1可知：全尾砂粒度非常細，中值粒徑僅為0.034 mm，粒徑小于74 μm顆粒的質(zhì)量分數(shù)高達 75.2%，粒度過細，其表面積較大，在水中形成的結(jié)合水膜豐富，導致其在水中的自然沉降速度非常?。?3-15］，僅靠自然沉降遠遠不能滿足動態(tài)放砂的要求，必須采用絮凝沉降。

表1 全尾砂不同粒徑顆粒質(zhì)量分數(shù)Table 1 Particle size composition of unclassified tailings

表2 全尾砂物理和力學性能Table 2 Physical and mechanical properties of unclassified tailings

為實現(xiàn)全尾砂在立式砂倉中動態(tài)放砂，其沉降速度應大于等于放砂速度。沉降速度等于放砂能力與沉降面積的比值，立式砂倉斷面為94.99 m2，放砂能力不小于100 m3/h，則其沉降速度應≥1.05 m/h。

2.2 正交試驗

根據(jù)司家營鐵礦全尾砂的性質(zhì)，選擇3種比較典型的絮凝劑單耗q（g/t）和尾砂質(zhì)量分數(shù)w （%）組合進行正交試驗，從而選用可安排二因素、三水平試驗的正交試驗表，試驗水平如表3所示。表4所示為參數(shù)優(yōu)選試驗結(jié)果（訓練樣本集）。

表3 試驗因素與水平Table 3 Factors and levels in test

按照試驗設計，在實驗室通過量筒試驗測定沉降速度，即為學習樣品本輸出向量。試驗過程中通過測定不同時間和沉降界面的高度來計算沉降速度。

表4 參數(shù)優(yōu)選試驗結(jié)果（訓練樣本集）Table 4 Optimization test result （samples of training）

2.3 預測及優(yōu)選

建立BP神經(jīng)網(wǎng)絡時，首先對網(wǎng)絡進行調(diào)試，確定最佳隱含層節(jié)點數(shù)［16-17］，分別取5，9和12這3種情況，并以表3提供的9組數(shù)據(jù)為訓練樣本，分別檢查網(wǎng)絡性能，得出網(wǎng)絡訓練誤差和預測誤差曲線，結(jié)果如圖3～5所示。由圖3～5可見：當隱含層節(jié)點數(shù)為5時，經(jīng)過 6步運算達到要求，其最大預測誤差為0.017；當節(jié)點數(shù)為9時，需經(jīng)過9步計算，最大預測誤差為0.006；當節(jié)點數(shù)為12時，需經(jīng)過6步計算，最大預測誤差為0.025。因此，最近的隱含層接點數(shù)為9，此時所建模型的收斂速度快，最大預測誤差小。

為了搜索出最優(yōu)的絮凝沉降參數(shù)，將絮凝劑單耗進一步劃分為5，8，10，15和20共5個水平，尾砂質(zhì)量分數(shù)進一步劃分為 10，12，15，18，20，22和25共7個水平，總計35種組合，以此為預測、優(yōu)選樣本進行搜索，結(jié)果見表5。

絮凝沉降參數(shù)預測優(yōu)化結(jié)果表明：

圖3 BP神經(jīng)網(wǎng)絡性能曲線（隱單元數(shù)為9）Fig.3 Capability curve of BP neural network （concealed cell is 9）

圖4 BP神經(jīng)網(wǎng)絡性能曲線（隱單元數(shù)為12）Fig.4 Capability curve of BP neural network （concealed cell is 12）

表5 絮凝沉降參數(shù)搜索結(jié)果Table 5 Search result of flocculating sedimentation parameter

1） 通過對比預測模型的收斂速度和最大預測誤差，選擇最佳的隱含層接點數(shù)，是保證模型預測準確的首要條件［18-19］。

2） 本次研究建立的BP神經(jīng)網(wǎng)路預測模型具有較強的預測能力，通過輸入絮凝劑單耗、全尾砂漿質(zhì)量分數(shù)可以較精確地預測出全尾砂的沉降速度。預測模型建立過程中，學習樣本的建立以室內(nèi)正交試驗數(shù)據(jù)為依據(jù)，對多個水平的輸入因子組合進行搜索，得出了更為詳細的輸出因子值，輸入因子的選取依托于礦山實際情況，其水平選擇合理，預測結(jié)果滿足要求。

3） 由表5可以看出：全尾砂的沉降速度與絮凝劑單耗、尾砂質(zhì)量分數(shù)并不呈線性關(guān)系，在絮凝劑單耗較小時，沉降速度隨質(zhì)量分數(shù)的增大而減小。在尾砂質(zhì)量分數(shù)較高時，沉降速度隨著絮凝劑用量的增大而增大。其主要原因在于過量的絮凝劑無法與全部尾砂顆粒發(fā)生反應，絮凝劑本身形成絮凝團，由于其密度小，在水中的沉降速度慢。因此，合理的絮凝劑單耗與尾砂質(zhì)量分數(shù)兩者密切相關(guān)，單一地增加絮凝劑單耗、降低尾砂質(zhì)量分數(shù)，并不能達到增加沉降速度的要求。

綜合以上原因，司家營鐵礦絮凝沉降最佳參數(shù)預測結(jié)果：絮凝劑單耗為10 g/t，尾砂質(zhì)量分數(shù)為18%，此時全尾砂在立式砂倉中的沉降速度最快（1.38 m/h），沉降效果最好，且大于1.05 m/h，滿足動態(tài)放砂需要。而目前司家營鐵礦采用的絮凝沉降參數(shù)參考于同類礦山，絮凝劑單耗為20 g/t，尾砂質(zhì)量分數(shù)15%，其沉降速度為1.18 m/h，雖也滿足動態(tài)放砂的要求，可絮凝劑的單耗增加1倍。通過司家營鐵礦的生產(chǎn)實踐，驗證了本次研究內(nèi)容的實用性，該研究成果有效地降低了全尾砂絮凝沉降成本，提高了絮凝沉降效果。

3 結(jié)論

1） 利用BP神經(jīng)網(wǎng)路建立全尾砂漿絮凝沉降參數(shù)優(yōu)選預測模型。模型建立過程中，首選通過對比分析，確定輸入因子為絮凝劑單耗和全尾砂質(zhì)量分數(shù)，輸出因子為沉降速度，大大簡化了神經(jīng)網(wǎng)路體系，從而提高了網(wǎng)路模型的學習及訓練速度，降低了預測誤差。

2） 全尾砂的沉降速度與絮凝劑單耗和尾砂質(zhì)量分數(shù)并不呈線性關(guān)系，并非單耗越高，質(zhì)量分數(shù)越低，沉降速度越快。通過設計正交試驗，產(chǎn)生樣本集，選取合理的隱含層節(jié)點數(shù)；通過擴大正交試驗，進行輸入因子多水平組合，得出預測和優(yōu)選樣本，并使用BP神經(jīng)網(wǎng)絡實現(xiàn)最優(yōu)絮凝沉降參數(shù)搜索。

3） 運用BP神經(jīng)網(wǎng)絡模型對司家營鐵礦絮凝沉降參數(shù)進行預測優(yōu)化，避免傳統(tǒng)全尾砂絮凝沉降參數(shù)選擇的盲目性，減少室內(nèi)大量試驗的工作量，降低了生產(chǎn)成本。同時，也為其他礦山全尾砂絮凝沉降參數(shù)優(yōu)化研究提供了一種新的思路。

［1］ 王洪江， 吳愛祥， 肖衛(wèi)國， 等. 粗粒級膏體充填的技術(shù)進展及存在的問題［J］. 金屬礦山， 2009， 401（11）： 1-5. WANG Hongjiang， WU Aixiang， XIAO Weiguo， et al. The progresses of coarse paste fill technology and its existing problem［J］. Metal Mine， 2009， 401（11）： 1-5.

［2］ 張欽禮， 周登輝， 王新民， 等. 超細全尾砂絮凝沉降試驗研究［J］. 廣西大學學報（自然科學版）， 2013， 38（2）： 451-455. ZHANG Qinli， ZHOU Denghui， WANG Xinmin， et al. Experimental study on flocculating sedimentation of ultra-fine unclassified tailings［J］. Journal of Guangxi University （Nat Sci Ed）， 2013， 38（2）： 451-455.

［3］ 王洪武， 吳愛祥， 劉超， 等. 五道嶺鉬礦全尾砂絮凝沉降試驗研究［J］. 昆明理工大學學報， 2010， 35（2）： 1-4. WANG Hongwu， WU Aixiang， LIU Chao， et al. Experimental study on unclassified tailings flocculation and settlement in Wudaoling Molybdenum Mine［J］. Journal of Kuming University of Science and Technology， 2010， 35（2）： 1-4.

［4］ 史秀志， 胡海燕， 杜向紅， 等. 立式砂倉尾砂漿液絮凝沉降試驗研究［J］. 礦冶工程， 2010， 30（3）： 1-3. SHI Xiuzhi， HU Haiye， DU Xianghong， et al. Experimental study on flocculating sedimentation of tailings slurry in a vertical sand tank［J］. Mining and Metallurgical Engineering， 2010， 30（3）：1-3.

［5］ 石靈芝， 鄧啟紅， 路嬋， 等. 基于 BP人工神經(jīng)網(wǎng)絡的大氣顆粒物 PM10質(zhì)量濃度預測［J］. 中南大學學報（自然科學版），2012， 43（5）： 1969-1974. SHI Lingzhi， DENG Qihong， LU Chan， et al. Prediction of PM10mass concentrations based on BP artificial neural network［J］. Journal of Central South University （Science and Technology），2012， 43（5）： 1969-1974.

［6］ 蔣建平， 章楊松， 閻長虹， 等. BP神經(jīng)網(wǎng)絡在地基土壓縮指數(shù)預測中的應用［J］. 中南大學學報（自然科學版）， 2010， 41（2）：722-724. JIANG Jianping， ZHANG Yangsong， YAN Changhong， et al. Application of BP neural network in prediction of compression index of soil［J］. Journal of Central South University （Science and Technology）， 2010， 41（2）： 722-724.

［7］ 姜安龍， 戚玉亮. 粗糙集-BP神經(jīng)網(wǎng)絡組合方法及其應用［J］.中南大學學報（自然科學版）， 2011， 42（10）： 3190-3193. JIANG Anlong， QI Yuliang. Method of rough sets-back propagation neural network and its application to identification of surrounding rock stability［J］. Journal of Central South University （Science and Technology）， 2011， 42（10）： 3190-3193.

［8］ HU Huiping， ZHANG Kunyu， ZHANG Lijuan， et al. Behaviour of polyacrylamidomethyltrimethyl ammonium chloride in red mud separation process［J］. Journal of Central South University，2008， 6（15）： 808-810.

［9］ YUAN Yining， CHAI Liyuan， YANG Zhihui. Application of polymeric aluminum salts in remediation of soil contaminated by Pb， Cd， Cu， and Zn［J］. Journal of Central South University， 2013，20（6）： 1638-1640.

［10］ 趙彬， 王新民， 史良貴， 等. 基于 BP神經(jīng)網(wǎng)絡的爆破參數(shù)優(yōu)選［J］. 礦冶工程， 2009， 29（4）： 24-27. ZHAO Bin， WANG Xinmin， SHI Lianggui， et al. Optimization of blasting parameters based on back-propagation neural network［J］. Mining and Metallurgical Engineering， 2009， 29（4）：24-27.

［11］ 李小斌， 趙東峰， 章宣， 等. 赤泥主要物相的表面性質(zhì)對其沉降性能的影響［J］. 中國有色金屬學報， 2012， 22（1）： 281-286. LI Xiaobin， ZHAO Dongfeng， ZHANG Xuan， et al. Effect of surface property of main minerals in red mud on their sedimentation ability［J］. The Chinese Journal of Nonferrous Metals， 2012， 22（1）： 281-286.

［12］ 張欽禮， 謝盛青， 鄭晶晶， 等. 充填料漿沉降規(guī)律研究及輸送可行性分析［J］. 重慶大學學報， 2011， 34（1）： 105-107. ZHANG Qinli， XIE Shengqin， XIAO Weiguo， et al. Sedimentation law research and transportation feasibility study of backfilling slurry［J］. Journal of Chongqing University， 2011，34（1）： 105-107.

［13］ 劉凱， 黃德鏞， 張明旭， 等. 大紅山銅礦全尾砂絮凝沉降的試驗研究［J］. 中國礦業(yè)， 2008， 17（12）： 60-63. LIU Kai， HUANG Deyong， ZHANG Mingxu， et al. Experimental study on all tailings flocculation settling in Dahongshan cooper mine［J］. China Mining Magazine， 2008，17（12）： 60-63.

［14］ 王星， 瞿圓媛， 胡偉偉， 等. 尾礦漿絮凝沉降影響因素的試驗研究［J］. 金屬礦山， 2008， 383（5）： 149-151. WANG Xing， QU Yuanyuan， HU Weiwei， et al. Experiment research on factors influencing tailing pulp flocculation settling［J］. Metal Mine， 2008， 383（5）： 149-151.

［15］ ZHAO Ru， ZHANG Zheng， SHI Jiangbo. Characterization of stress corrosion crack growth of 304 stainless steel by electrochemical noise and scanning Kelvin probe［J］. Journal of Central South University， 2010， 17（1）： 13-18.

［16］ 喻壽益， 王吉林， 彭曉波. 基于神經(jīng)網(wǎng)絡的銅閃速熔煉過程工藝參數(shù)預測模型［J］. 中南大學學報（自然科學版）， 2007，38（3）： 153-157. YU Shouyi， WANG Jilin， PENG Xiaobo. Prediction model of craft parameters based on neural network during the process of copper flash smelting［J］. Journal of Central South University（Science and Technology）， 2007， 38（3）： 153-157.

［17］ 姜安龍， 戚玉亮. 粗糙集-BP神經(jīng)網(wǎng)絡組合方法及其應用［J］.中南大學學報（自然科學版）， 2011， 42（10）： 3189-3191. JIANG Anlong， QI Yuliang. Method of rough sets-back propagation neural network and its application to identification of surrounding rock stability［J］. Journal of Central South University （Science and Technology）， 2011， 42（10）： 3189-3191.

［18］ WANG W Y， LEU Y G， LEA T T. Robust adaptive fuzzy-neural control of nonlinear dynamical systems using generalized projection update law and variable structure controller［J］. IEEE Trans Syst Man Cybern-Part B： Cybernetics， 2001， 30（1）：140-147.

［19］ 葛哲學， 孫志強. 神經(jīng)網(wǎng)絡理論與MATLAB R2007實現(xiàn)［M］.北京： 電子工業(yè)出版社， 2007： 13-21. GE Zhexue， SUN Zhiqiang. Neural network theory and the application of MATLAB R2007［M］. Beijing： Publishing House of Electronics Industry， 2007： 13-21.

（編輯 陳愛華）

Optimal flocculating sedimentation parameters of unclassified tailings slurry

WANG Xinmin， ZHAO Jianwen

（School of Resources and Safety Engineering， Central South University， Changsha 410083， China）

Back-Propagation neural network was occupied in order to obtain the optimization of the flocculating sedimentation parameters. By practising comparison analysis， input data were simplified as the flocculating agent consumption and tailings concentration， and the sedimentation speed as the synthesized output data. By performing the numbered orthogonal tests， some learning and training samples were established so as to get the best network mode. Then，the best parameters were acquired using the selected network by expanding the orthogonal tests， increasing the levels of the parameters， optimizing the samples and exploring the optimization of the flocculating sedimentation parameters. BP neural network mode was applied in Sijiayin Iron Mine. The results show that the flocculating agent consumption and tailings mass fraction are 10 g/t， 18% respectively， and the sedimentation speed is 1.38 m/h， which meet the production requirements and save 50% compared to the original production. The application indicates that this mode makes significant effect， providing a novel method to obtain the optimization of the flocculating sedimentation parameters.

flocculating agent consumption； tailings； flocculating sedimentation； network mode

TD853

A

1672-7207（2016）05-1675-07

10.11817/j.issn.1672-7207.2016.05.029

2015-07-08；

2015-09-09

科技部“十一五”科技支撐計劃項目（2008BAB32B03） （Project（2008BAB32B03） supported by the National Science and Technology Pillar Program during the 11th “Five-year” Plan Period）

王新民，教授，博士，博士生導師，從事采礦與充填技術(shù)研究；E-mail： zhaojianwen0607@qq.com