基于RSM和RA-BPNN的锌窑渣中铜浮选试验优化

作者：王衡嵩; 魏志聪^*; 彭蓉; 曾明; 郑润浩; 张铃

来源：人工晶体学报, 2019, 48(08): 1557-1564.

DOI：10.16553/j.cnki.issn1000-985x.20190905.001

• 锌窑渣
• 铜浮选
• RSM(响应曲面)
• RA-BPNN(回归分析-BP神经网络)

云南某地锌窑渣矿样,原矿为高碱性矿石,矿石含铜1. 38%,氧化率为30. 12%。以磨矿细度、戊基黄药用量、碳酸钠用量、硫酸铜用量和硫化钠用量作自变量,以浮选回收率为因变量,分别建立了CCD响应曲面设计模型(RSM)和基于回归分析-BP神经网络(RA-BPNN)的浮选预测优化模型。根据两种模型的优化能力、优化精度进行分析和对比,结果表明,基于RA-BPNN模型进行预测及试验验证,铜回收率达到了64. 06%,误差为0. 74%,浮选回收率较RSM模型提高了1. 54个百分点,且误差明显小于RSM模型,这表明RA-BPNN模型的优化能力高于RSM。根据试验结果,确定了锌窑渣浮选回收铜的最佳浮选条件为:磨矿细度90%、戊基黄药用量370 g/t、碳酸钠用量720 g/t、硫酸铜用量1080 g/t、硫化钠用量870 g/t。通过"一次粗选、三次精选、两次扫选、中矿顺序返回"的闭路浮选工艺流程,获得了品位为6. 58%,回收率为55. 98%的铜精矿。

• 单位
  昆明理工大学