基于二氧化硅高溫熔化研究鐵尾礦的回收分析

孫福玉

摘? 要：對SiO2高溫實時動態(tài)數(shù)據(jù)的分析，為鐵尾礦的綜合回收利用提供一定的解決方案。使用減去背景圖像的序列圖像對圖像進行分割，然后將其二值化以獲得與SiO2對應(yīng)的像素點的位置。在后處理過程中，使用聚類分析模型去噪;神經(jīng)網(wǎng)絡(luò)用于自動識別二氧化硅。其次建立一個表示SiO2的邊緣輪廓特征指數(shù)，通過二氧化硅的位置，然后可以根據(jù)位置計算出二氧化硅輪廓的距離指數(shù)。根據(jù)特征值表估算二氧化硅的實際熔融速率。最后使用定義為回歸變量的無量綱參數(shù)建立多元回歸模型，然后估算粒子體積，獲得質(zhì)量以找到實際的熔化速率。

關(guān)鍵詞：聚類分析;神經(jīng)網(wǎng)絡(luò);特征值表;多元回歸模型

中圖分類號：TD926? ? ? ? ?文獻標志碼：A? ? ? ? ?文章編號：2095-2945（2020）15-0040-02

Abstract： The analysis of SiO2 high temperature real-time dynamic data provides a certain solution for the comprehensive recovery and utilization of iron tailings. The image is segmented using a sequence of images subtracted from the background image， and then binarized to obtain the position of the pixel corresponding to the SiO2. In the post-processing process， the cluster analysis model is used to denoise， and the neural network is used to automatically identify silica. Secondly， an edge profile characteristic index representing SiO2 is established， and then the distance index of silica profile can be calculated according to the position of silica. The actual melting rate of silica is estimated according to the eigenvalue table. Finally， a multiple regression model is established using the dimensionless parameters defined as regression variables， and then the particle volume is estimated to obtain the mass to find the actual melting rate.

Keywords： cluster analysis; neural network; eigenvalue table; multiple regression model

尾礦的處置需要占用大量土地資源，而且對尾礦覆蓋地區(qū)的生態(tài)環(huán)境造成巨大破壞，所以需要單獨的處理和維護。尾礦資源的綜合回收利用，不僅可以充分利用礦產(chǎn)資源，擴大礦產(chǎn)資源的利用范圍，延長礦山的使用壽命，還可以提高礦山資源的利用率。它也是控制污染和保護生態(tài)的重要手段。

1 聚類分析

將以往高溫數(shù)據(jù)圖形首先導(dǎo)入到matlab中以確定二氧化硅的位置，然后使用序列圖像減去背景圖像對圖像進行分割，然后將其二值化以獲得與二氧化硅對應(yīng)的像素位置。

影響結(jié)果的噪聲也需要處理才能獲得更好的結(jié)果。作為后續(xù)跟蹤的基礎(chǔ)，本文使用聚類分析模型對連接的離散運動目標的點進行消噪。您可以獲取TG和DTG曲線。

2 建立神經(jīng)網(wǎng)絡(luò)

本文使用BP神經(jīng)網(wǎng)絡(luò)，因為在神經(jīng)元網(wǎng)絡(luò)模型中，具有反饋的神經(jīng)網(wǎng)絡(luò)模型具有更強的校正能力。為了提高該模型的精度，本文選擇前饋神經(jīng)網(wǎng)絡(luò)作為模型構(gòu)建的基礎(chǔ)。

通過計算神經(jīng)元輸入和輸出;計算輸出層中每個神經(jīng)元的誤差函數(shù)的偏函數(shù);計算隱藏層中每個神經(jīng)元的誤差函數(shù)的偏函數(shù);通過使用每個神經(jīng)元的輸出來修改連接權(quán)重。循環(huán)執(zhí)行上述步驟，直到滿足要求為止。

此時獲得的權(quán)重和閾值是當(dāng)前精度下神經(jīng)網(wǎng)絡(luò)模型的水平之間的關(guān)系值。通過級別之間的權(quán)重和閾值，可以同時預(yù)測和測試其余20%的數(shù)據(jù)。

3 Gabor變換和HOG特征融合

Gabor變換是從傅立葉變換衍生而來的，對圖像的局部紋理特征具有良好的性能。它的二維Gabor核具有與生物視覺皮層細胞相似的感受野結(jié)構(gòu)，可用于圖像的多個方向和尺度。因此，HOG特征和Gabor小波特征的融合在描述圖像特征時更加穩(wěn)定。

首先，對原始灰度圖像進行小波變換，并對變換后的40個特征圖像進行閾值編碼，以生成一對Gabo：變換特征圖像。Gabor變換特征圖像可以有效地反映目標的紋理特征。梯度方向直方圖可以有效地對Gabor變換圖像進行紋理化處理。然后，基于Gabor變換和編碼組合，使用改進的HOG特征提取方法生成特征描述符。

由于大量的特征尺寸，訓(xùn)練后的模型具有太多的參數(shù)，這經(jīng)常導(dǎo)致目標檢測的效率降低。因此，您可以選擇使用PCA對特征進行主成分分析，然后選擇與貢獻率較高的特征值相對應(yīng)的特征向量。

4 二氧化硅在不同溫度下的變化

二氧化硅流動性能隨結(jié)合能的增加而降低，溫度是影響聚合物流動性的主要因素。接下來，分析不同溫度下的區(qū)域特征值表圖，可以獲得s1，s2，s3和s4系統(tǒng)在不同溫度下的面積變化如圖2。

從圖2可以看出，在npt動態(tài)平衡過程中，二氧化硅在s1，s2，s3和s4系統(tǒng)在300k，325k和350k溫度下的面積為1.05mm2附近的小范圍內(nèi)的波動表明系統(tǒng)已達到動態(tài)平衡。共聚物鏈緊密包裹在中心。二氧化硅顆粒中形成了完整的殼核結(jié)構(gòu)。在溶液中，微球表面上的聚合物鏈也被包覆在二氧化硅顆粒外面，但是共聚物鏈沒有在中心顆粒的方向上完全彎曲。聚合物鏈的一部分脫離了中心粒子的束縛，形成了一個相對松散的狀態(tài)，尤其是在表面活性劑溶液中，微球的聚合。

5 估計二氧化硅其實際熔化速率

首先將灰度圖形更改為相應(yīng)的二值圖像以獲取對象的邊界輪廓，然后根據(jù)其邊界信息，定義與粒子形狀特征有關(guān)的描述量，即尺寸。使用定義為回歸變量的無量綱參數(shù)建立多元回歸模型，然后估算粒子體積，最后獲得質(zhì)量以找到實際的熔化速率。

使用多目標規(guī)劃模型求解，利用計算機編程實現(xiàn)求解多目標編程模型多目標規(guī)劃模型具有多種解決方案，包括線性加權(quán)，理想點法，極小極大法，主要目標方法，層次序列方法和步驟方法。在采用這種解決方法之后，決定全面采用分層序列方法和步驟方法。

因為目標函數(shù)的約束條件的數(shù)量少于變量的數(shù)量，所以無法找到變量的特定值。接下來，將處理約束條件，并且可以獲得上述約束條件方程式的左側(cè)和右側(cè)。

對以上模型的分析表明，我們可以得到SiO2實際熔化速度為15.6kg/h。

參考文獻：

[1]姜啟源，謝金星，葉軍.數(shù)學(xué)模型（第四版）[M].北京：高等教育出版社，2011.

[2]謝勝，錢謙益.概率論與數(shù)理統(tǒng)計（第四版）[M].北京：高等教育出版社，2008.

[3]劉寶東，蘇杰，陳建良.數(shù)學(xué)建?；A(chǔ)課[M].北京：高等教育出版社，2015.

[4]司守奎，孫錫京.數(shù)學(xué)建模算法與應(yīng)用[M].北京：國防工業(yè)出版社，2014.

[5]韓忠庚.數(shù)學(xué)建模方法與應(yīng)用（第二版）[M].北京：高等教育出版社，2009.