截止品位与入选品位智能优化的理论与方法研究

截止品位与入选品位智能优化的理论与方法研究

论文摘要

矿山采选系统的各个阶段需要对矿石品位进行控制。矿石品位包括地质品位、边界品位、截止品位、原矿品位、入选品位及精矿品位等,涉及到地质勘探、采矿、选矿等多个部门,由于这些品位的选取涉及到许多因素,诸如矿床地质条件、开采技术条件以及选冶技术经济条件等等,因此众多专家学者不断探索科学合理的优化决策方法,其主要目标是:资源充分利用,矿山收益最大,而实现这两个优化目标的关键因素是:放矿截止品位和入选品位。放矿截止品位是无底柱分段崩落法放矿过程中最后一次(当次)放出矿石的品位。截止品位低了,矿石贫化大,会增加矿石处理成本,同时在选矿加工生产能力一定的情况下会使精矿量减少;截止品位高了,损失率提高,不仅使可利用的矿产资源永久损失,增大基建成本,而且还使企业对矿石的处理能力得不到充分利用,矿山寿命缩短,同样会影响企业的经济效益。因此,合理确定的截止品位关系到企业眼前的经济效益和资源的可持续性利用。矿石的入选品位在采选过程中具有承上启下的作用,既取决于矿体平均品位以及采矿过程中的截止品位和贫化率,又影响选矿回收率和精矿品位等选矿指标,最佳的入选品位有利于提高矿山的整体效益和矿产资源的利用率。由于生产环境的特殊性、放矿方式的高危性和矿山经营的粗放性,对于采用无底柱分段崩落法放矿的矿山企业,其放矿截止品位和入选品位一般由实验数据和现场放矿人员的经验来确定。随着资源的日趋紧缺以及科技水平、管理水平的提高,人们逐渐认识到,这种基于经验的截止品位和入选品位虽然简单易行,但大大地增加了采选成本,严重地造成了资源的浪费。随着矿山地质品位差异以及生产技术、管理水平、市场经济的变化,非常有必要建立截止品位、入选品位与经济效益、资源利用效益等相关的数学模型与系统,对截止品位和入选品位进行跟踪优化。选题来源于武汉钢铁集团矿业有限责任公司大冶铁矿委托项目“多金属矿截止品位优化及其生产动态管理研究”,主要研究两个问题:1.如何确定放矿截止品位和入选品位,既能满足确定的精矿品位,又能使整个采、选过程的收益最大,且兼顾到资源的持续利用?2.当最优截止品位和最佳入选品位给定后,如何动态控制采出矿量、入选矿量和精矿量及相应品位?主要研究多年来困扰金属矿山截止品位优化难、入选品位动态管理难的问题,为矿山企业提供解决这一系列问题的科学方法和手段,从而达到提升矿产资源利用率,提高企业经济效益的目的。本文主要研究人工神经网络、模糊系统、进化计算等智能方法对采选过程的两个关键品位指标(截止品位与入选品位)进行优化的理论与方法,并以大冶铁矿进行实证研究。其主要内容包括:(1)提出对一时间段内的截止品位进行数值模拟的方法,采用粒子群算法对损失率函数模型进行结构辨识和参数估计,构建截止品位与损失率之间的函数关系式。在生产报表中没有截止品位αj的历史记录,不可能直接通过学习获取表达式φ(αj)。从理论上看,每个月的截止品位αj在一定范围内服从正态分布;损失率φ和截止品位αj呈正向关系,即截止品位越大,损失率越大,反之亦然。可认为,截止品位αj服从中心为u=18,宽度σ=1的正态分布密度函数为f(aj)=e(aj-18)2/2,提出截止品位的数值模拟算法,给出了其算法的收敛性证明,并成功模拟得到了大冶铁矿2005年1月至2007年11的截止品位值。将粒子群优化算法用于损失率与截止品位数学模型的结构辨识和参数估计中,计算得到损失率函数为φ=1.6508αj-0.1175,为截止品位和入选品位优化工作奠定了基础。(2)将进化计算与神经网络进行嵌套,提出了截止品位与入选品位的进化—神经集成的优化模型。截止品位及入选品位的优化是建立在净现值最大化的基础上的,考虑利润,成本,储量和各种品位之间的关系,建立非线性模型,其智能优化的主要内容包括:①数值模拟,其功能是获取截止品位αj与损失率φ的数据关系{(αji,φi)};②BP神经网络,主要计算截止品位αj、入选品位αr、地质品位αt、可采储量qt与选矿金属回收率ε的关系ε=ε(αt,qt,αj,αr);③模糊系统,用于获取截止品位αj、入选品位αr、地质品位αt、可采储量qt与采选总成本C的模糊规则,即用一组模糊规则描述关系式C=C(αt,qt,αj,αr);④进化—神经集成。研究结果表明:现在大冶铁矿截止品位18%,入选品位41-42%的生产方案有待改进,当截止品位为17.8337-17.8367%,入选品位取值为46.4%,2007年1月至2007年11月的精矿量增加139200吨,净现值增加6.698百万元。将粒子群-神经优化算法(PSO-ANN)与遗传-神经优化算法(GA-ANN)及模拟退火-神经优化算法(SA-ANN)进行了比较,研究证明粒子群-神经优化算法性能最佳,并设计了简易的品位优化输入—输出界面。(3)考虑铁、铜两种金属,采用成本分块的思想,构建了利润最大化的非线性规划模型,将粒子群算法与神经网络嵌套构成粒子群-神经模型(PSO-ANN)来优化截止品位αj和入选品位αr。具体操作为:用截止品位与入选品位一起组成进化计算的粒子群个体,用自适应神经网络建立收益(适应度函数)与各粒子的局部联系,然后利用粒子群算法的全局搜索功能找出使适应度函数(收益)最大时的品位组合。2008年考核计划的可采地质储量为153.17万吨,其地质品位为TFe52.60%,Cu0.306%,其最优截止品位和入选品位分别为14.6848%,入选品位为42.1388%。(4)兼顾经济效益和资源利用效益,建立截止品位和入选品位的多目标优化模型。首先采用神经网络建立以截止品位和入选品位为变量,精矿量、净现值和资源利用率为目标的函数,再对其方案进行模糊综合评价,将得到的模糊隶属度加权值作为遗传算法的适应度函数,全局搜索出使适应度函数最大,即最优的品位指标组合,实现截止品位和入选品位的动态优化,可为矿山企业提供更为科学合理的决策。(5)将整个采选系统划分为三个阶段,并建立关键指标(矿量、品位)之间的函数关系式,根据确定的截止品位和入选品位,分别计算各个阶段的矿量和品位,对生产过程的各个环节进行控制和管理。采用截止品位为17.83%,入选品位为46.4%来指导2008年的采选矿生产时,①其采矿阶段,全年全矿损失率为18.31%,贫化率为22.17%,采山矿量为125.123万吨,混岩量35.6415万吨,毛矿量为160.7645万吨,毛矿品位为40.94%,可以通过毛矿量等指标来控制放矿,指导采矿生产;②在配矿阶段,要求入选品位在46.4%左右,假定抛废过程中自产矿混岩量全部抛出,外购矿品位为35%,则需外购矿量80.8278万吨;③选矿阶段全年入选矿量为241.5923万吨,选比在1.9877左右,全年总采出精矿量121.5436万吨,精矿品位在64.5%左右。

论文目录

  • 作者简介
  • 摘要
  • ABSTRACT
  • 第一章 绪论
  • 1.1 课题来源、目的和意义
  • 1.2 品位优化研究现状
  • 1.2.1 无底柱分段崩落采矿法
  • 1.2.2 矿石品位与截止品位
  • 1.2.3 入选品位与选矿
  • 1.2.4 品位优化方法
  • 1.2.5 品位研究的国内外现状
  • 1.3 论文框架及主要内容
  • 1.4 主要创新点
  • 第二章 智能优化方法
  • 2.1 神经网络
  • 2.1.1 神经网络的基本理论
  • 2.1.2 神经网络的基本特征
  • 2.1.3 神经网络的主要功能
  • 2.1.4 神经网络的应用领域
  • 2.2 模糊系统
  • 2.2.1 模糊逻辑系统的分类
  • 2.2.2 基本定理
  • 2.3 遗传算法
  • 2.3.1 编码方式
  • 2.3.2 遗传操作
  • 2.3.3 适应度的构造
  • 2.4 粒子群算法
  • 2.4.1 算法原理
  • 2.4.2 算法流程
  • 2.4.3 算法参数
  • 2.4.4 PSO算法的应用
  • 2.5 模拟退火算法
  • 2.5.1 算法的构成要素
  • 2.5.2 算法步骤与流程
  • 2.6 智能优化在矿业工程中的应用
  • 2.7 本章小结
  • 第三章 截止品位数值模拟及损失率函数的建立
  • 3.1 伪随机数的产生
  • 3.2 截止品位数值模拟
  • 3.3 损失率函数的建立
  • 3.3.1 非线性参数估计
  • 3.3.2 算法实现
  • 3.4 本章小结
  • 第四章 截止品位与入选品位进化-神经优化
  • 4.1 截止品位与入选品位进化—神经优化方法
  • 4.2 大冶铁矿截止品位与入选品位优化
  • 4.2.1 损失率、金属回收率及成本模型
  • 4.2.2 粒子群-神经优化集成
  • 4.2.3 算法比较
  • 4.2.4 输入—输出界面
  • 4.3 本章小结
  • 第五章 多金属矿截止品位及入选品位优化
  • 5.1 问题描述
  • 5.1.1 贫化率、损失率与放矿截止品位的关系
  • 5.1.2 磁滑轮抛废
  • 5.1.3 选矿过程
  • 5.1.4 效益计算
  • 5.2 模型的建立
  • 5.3 实例研究
  • 5.3.1 损失率、贫化率计算
  • 5.3.2 金属回收率计算
  • 5.3.3 粒子群-神经优化集成
  • 5.3.4 输入—输出界面
  • 5.4 本章小结
  • 第六章 金属矿山品位多目标优化
  • 6.1 目标的设定
  • 6.2 神经网络建立非线性函数
  • 6.3 模糊综合评价集成多目标
  • 6.4 遗传算法优化品位组合
  • 6.5 应用实例
  • 6.6 本章小结
  • 第七章 金属矿山生产动态管理
  • 7.1 基本思想
  • 7.2 三阶段模型
  • 7.2.1 采矿阶段
  • 7.2.2 配矿阶段
  • 7.2.3 选矿阶段
  • 7.3 实例应用
  • 7.4 本章小结
  • 第八章 总结与展望
  • 8.1 结论
  • 8.2 展望
  • 致谢
  • 参考文献
  • 附录
  • 相关论文文献

    • [1].基于数据驱动的过程智能优化技术研究现状及其在中药先进制药中的应用展望[J]. 天津中医药大学学报 2020(05)
    • [2].现代机械产品智能优化设计方法研究综述[J]. 机床与液压 2009(03)
    • [3].桁架结构智能优化系统的设计与实现[J]. 机械制造与自动化 2015(01)
    • [4].现代机械产品智能优化设计方法及其应用[J]. 东北大学学报(自然科学版) 2008(07)
    • [5].智能优化技术在空分装置上的应用[J]. 工业仪表与自动化装置 2020(04)
    • [6].试析500kV无人值守变电站巡视质量智能优化[J]. 电子制作 2014(16)
    • [7].铁路线路智能优化方法研究综述[J]. 铁道学报 2018(03)
    • [8].一种潜在投诉用户画像及智能优化系统[J]. 信息通信 2018(07)
    • [9].计算机监控系统对信号的智能优化处理[J]. 水电厂自动化 2013(01)
    • [10].流程工业智能优化制造的基础理论与关键技术[J]. Engineering 2017(02)
    • [11].石油和化工行业智能优化制造若干问题及挑战[J]. 自动化学报 2017(06)
    • [12].智能井智能优化开采系统软件开发[J]. 石油钻采工艺 2014(06)
    • [13].读者满意度评价指标体系智能优化技术[J]. 图书情报工作 2009(07)
    • [14].扬州六圩污水厂智能优化控制系统调试与运行[J]. 中国给水排水 2012(09)
    • [15].电熔镁炉智能优化仿真实验平台[J]. 系统仿真学报 2011(04)
    • [16].一种基于智能优化的摄像机标定方法研究[J]. 包装工程 2011(21)
    • [17].基于混沌神经网络的液压集成块智能优化设计[J]. 沈阳化工大学学报 2011(02)
    • [18].辛斌:智能优化引领科技发展 科技创新助力军事国防[J]. 中国高新科技 2018(15)
    • [19].水泥智能优化控制系统的应用研究[J]. 水泥技术 2016(02)
    • [20].钕铁硼氢碎炉智能优化控制系统设计[J]. 自动化仪表 2014(11)
    • [21].配电网生产作业计划的智能优化探索[J]. 浙江电力 2010(04)
    • [22].蚁群算法在车辆路径智能优化问题中的应用研究[J]. 大庆师范学院学报 2018(06)
    • [23].智能优化控制技术在板带冷却过程的应用及持续创新[J]. 冶金自动化 2018(03)
    • [24].一种基于路测的无线网络智能优化应用系统[J]. 信息通信 2018(07)
    • [25].烧结过程智能优化控制方法及应用(上)[J]. 冶金自动化 2010(02)
    • [26].量子搜索及量子智能优化研究进展[J]. 计算机测量与控制 2009(07)
    • [27].基于案例推理的电熔镁炉智能优化控制[J]. 化工学报 2008(07)
    • [28].流程工业选矿过程智能优化制造发展战略[J]. 有色金属(选矿部分) 2019(05)
    • [29].智能优化节能系统在纺织厂的应用[J]. 智慧工厂 2017(10)
    • [30].基于细菌觅食算法的排班智能优化[J]. 科技资讯 2018(02)

    标签:;  ;  ;  ;  ;  

    截止品位与入选品位智能优化的理论与方法研究
    下载Doc文档

    猜你喜欢