Application of GA-BP neural network model in the displacement monitoring of rare earth slope
-
摘要: 离子型稀土原地浸矿工艺改变土体力学特性，导致山体滑坡风险提高。针对现有研究在预测稀土矿边坡位移时存在精度不高和误差较大等问题，利用遗传算法对BP神经网络初始权值和阈值进行优化，构建一种新的稀土矿边坡位移预测模型。以江西龙南某离子型稀土矿为研究对象，在矿山布置了位移计实时监测稀土矿开采全过程的位移变化。首先利用125组位移监测数据训练BP神经网络构建预测模型，5组数据进行模型验证；再通过GA-BP神经网络优化预测模型，将2种预测模型的预测值和实测值进行对比及误差分析。研究表明：GA-BP神经网络模型的平均相对误差、平均绝对误差、均方误差、平均绝对百分比误差均减小到优化前的1/3以下，可作为稀土矿边坡位移监测分析的一种辅助手段。Abstract: The ionic rare earth in situ leaching process changes the mechanical properties of the soil, leading to an increased risk of landslides. To address the problems of low accuracy and large error in predicting slope displacement of rare earth mines in existing studies, the genetic algorithm was used to optimize the initial weights and thresholds of the BP neural network to build a new slope displacement prediction model for rare earth mines. Taking an ionic rare earth mine in Longnan, Jiangxi as the research object, a displacement meter was arranged in the mine to monitor the displacement changes of the whole process of rare earth mining in real time. At first, BP neural network was trained with 125 sets displacement monitoring data to build a prediction model, which was validated with 5 sets of data. Then the prediction model was optimized by GA-BP neural network. The predicted and measured values of the two prediction models were compared and error analyzed. The study showed that GA-BP neural network model could be used as an auxiliary means for slope displacement monitoring and analysis of rare earth mines when the mean relative error, mean absolute error, mean square error and mean absolute percentage error were reduced to 1/3 of those before optimization.
-
Keywords:
- in-situ leaching /
- slope displacement /
- genetic algorithm /
- BP neural network /
- real-time monitoring
-
钨是稀有的高熔点金属，钨及其合金是现代化工业、军火工业、国防及高科技技术应用中极为重要的功能材料之一，同时钨又是重要的战略资源，是国家保护开采的特定矿种.截至2005年底，我国共有钨矿区310个，基础储量260.46万t WO3，加上查明资源量，共有资源储量569.27万t.在钨矿查明资源储量中，黑钨矿约占20.8%，其中基础储量57.84万t，资源量60.68万t；白钨矿约占69.6%，其中基础储量186.89万t，资源量209.27万t；混合钨矿约占9.6%，其中基础储量15.72万t，资源量38.86万t.采选综合回收率按58.4%计算，现有钨矿基础储量只能满足开采23年的需要；即到2028年，我国钨矿基础储量将全部耗竭[1].但据统计，世界上每年约有20%的钨损失于钨细泥中，国内各选厂钨细泥的回收率按入选原矿计算为40% ~50%，进入尾矿中的细泥产率为10%~15%，但金属占有率高达40%~50%，相当于总收率的10%~12%.就江西省11个国有钨矿的数据而言，每年处理矿石量为800万t，其中细泥占10%以上，金属量占13%~15%[2-4].因此，对钨细泥进行开发利用研究，对我国钨资源储量的增加具有重要意义.
某钨矿日处理量为1000t，其主干工艺流程为“螺旋选矿+摇床选矿”的重选工艺，由于黑钨矿性脆，易产生过粉碎，在实际操作过程中，现场重选工艺的钨回收率小于63%，约30%的钨矿物损失于原生钨细泥和由于过粉碎产生的次生钨细泥中，现场采用浮选工艺处理该部分细泥矿物，但选矿指标不理想.为了提高资源利用效率，本研究以该钨矿山企业重选尾矿中的微细粒钨细泥为研究对象，对选矿新工艺进行对比试验研究，为实际生产提供技术依据.
1 矿石性质
本研究所用试样为矿山重选尾矿经水力旋流器分级后的溢流细泥矿物，细度为－0.04mm以下，经工艺矿物学研究可知，该细泥矿物中主要金属矿物为白钨矿、黑钨矿、辉钼矿，其次为自然铋、钨华、磁黄铁矿、黄铁矿、黄铜矿、磁铁矿、锡石等；主要脉石矿物为萤石，其次为石英、长石、钙铁榴石、白云母、黑云母.原矿多元素分析结果见表 1.从表 1可知，该细泥矿物含WO3 0.28%，经物相分析，其中白钨矿、黑钨矿和钨华中钨的分布率分别为25.31%、72.45%和2.24%.
表 1 试样多元素分析结果(质量分数) /%
2 试验方法和选矿方案的确定
对于微细粒级钨细泥的选矿，目前我国大部分老钨矿山企业主要采用集中、浓缩分级摇床-粗选-扫选，摇床尾矿绒毯溜槽回收、绒毯溜槽精矿采用摇床精选回收工艺，回收工艺机械化程度、自动化控制水平低[5-6].近年来，随着钨选矿技术进步和新设备的开发应用，出现了新型浮选工艺和药剂[7-10]、高梯度磁选、高效离心重选等新工艺和新设备，但这些新工艺和新设备主要应用于新建的大型钨选矿厂，在我国老钨矿山企业应用程度不高，本研究对上述钨细泥选矿新工艺进行对比试验研究，在不改变矿山现有主干工艺流程的前提下选择合适的钨细泥选矿工艺流程与矿山现有主干流程进行匹配，对我国老钨矿山企业具有较强适用性和可操作性.
3 试验结果与讨论
3.1 脱硫试验研究
从矿石性质可知，本研究试样中含有一定量的硫化矿，由于硫化矿可浮性好、比重大，对本研究拟主要回收的钨矿物分选有很大影响.因此，首先采用浮选工艺除去该部分硫化矿，脱硫试验采用丁黄药做捕收剂，对捕收剂用量进行了试验研究.从试验结果和试验现象可知，在丁黄用量为40g/t时，试样中的硫化矿基本去除；对得到的硫化矿化验分析可知，钨矿物在硫化矿中的含量为0.34%，损失率为2.90%.因此，后续试验均脱硫后进行.
3.2 磁选试验研究
磁选试验采用SLon高梯度磁选机进行，改变磁场强度，考查高梯度磁选对该钨细泥的分选效果，试验流程见图 1，试验结果见图 2.从图 2中可以看出，随着磁场强度的增加，得到的钨精矿回收率不断升高，但品位不断下降，但其选矿指标均不理想.
3.3 浮选试验研究
3.3.1 捕收剂条件试验
浮选是处理细粒级矿最为有效的方法，但由于钨矿物可浮性差，尤其是对于黑白钨共生的细泥矿物，浮选往往得不到理想的指标.近年来，随着选矿技术的发展，出现了一些新型钨矿物捕收剂，本研究对钨矿物捕收剂种类进行了筛选试验，主要考查了植物油酸、氧化石蜡皂、GYB+GYT、GYB+GYR等捕收剂对试样的捕收效果.试验表明，植物油酸和氧化石蜡皂对该钨细泥矿物的捕收效果不好，GYB+GYT选择性较好，但捕收剂能力太差，得到的钨粗精矿回收率很低，GYB+GYR选择性和捕收能力均较好，因此选择GYB+GYR为捕收剂做为后续试验条件.在此试验基础上，进行了GYB+GYR用量条件试验，试验流程见图 3，试验结果见图 4.从图 4可以看出，随着捕收剂用量的增加，得到的钨粗精矿回收率不断升高，但钨精矿中钨品位不断降低，并且当捕收剂用量达到280g/t以后，回收率增幅减小，以此综合考虑，选取捕收剂用量240g/t做为后续试验条件.
3.3.2 调整剂条件试验
从矿石性质可知，试样中含有一定量的硫化矿，虽然进行了脱硫处理，但仍有少量的硫化矿存在，对钨矿物的浮选会产生影响，由于在高碱条件下硫化矿会被抑制，可降低对钨矿物浮选过程的影响.因此，对于钨矿物的浮选需在碱性条件下进行，采用碳酸钠做为调整剂，一方面可以调节矿浆pH，另一方面碳酸钠对矿浆具有一定的分散作用.另外，试样为细泥矿物，含有大量的脉石细泥，易团聚凝结，不利于捕收剂与目的矿物中的钨矿钨接触，因此需在浮选过程中加入分散剂水玻璃.本试验对碳酸钠和水玻璃用量进行了试验研究，从试验现象和结果分析，当碳酸钠用量为800g/t，水玻璃用量为1500g/t时为宜，此时得到的钨粗精矿品位达到9.55%，回收率达到86.95%.
3.3.3 精选条件试验
前面条件试验得到的钨粗精矿达到了精选条件要求，本试验进行了精选条件试验，由于试样为细泥矿物，精选条件难以控制，对精选次数进行了试验研究.由于细泥脉石矿物大都在－0.04mm以下，难以被抑制，从试验结果和试验现象看，即使精选次数达到5次，得到的钨精矿品位仍没有大幅提高，达不到合格钨精矿的要求.因此可以判断，浮选对于钨细泥矿样粗选预富集效果较好，但精选指标得不到大幅提高，应考虑采用其他方法提高钨粗精矿品位.
3.4 离心机重选试验研究
细泥矿物虽然粒度很细，但其颗粒大小相对均匀，采用摇床、螺旋溜槽等重选设备虽然很难实现钨细泥矿物的分选，但近年来随着离心机的技术开发，其在处理微细粒细泥资源上的优势逐步得到体现.本研究采用赣州金环磁电设备公司研制的SLon-400变频离心选矿机进行了离心试验研究，试验条件及流程见图 5.对得到的钨粗精矿进行化验分析可知，钨粗精矿品位虽然达到16.35%，但回收率仅有32.14%.对钨粗精矿和离心尾矿进行显微镜下分析，发现钨精矿中有颗粒相对较粗的脉石矿物，离心尾矿中损失的多为粒度相对很细的钨矿物，结合试验现象分析可知，粒度相对较粗的脉石矿物是影响钨粗精矿品位和回收率的主要原因.由于粒度相对粗的脉石矿物其比重也相对较大，离心机无法将这部分脉石矿物分离，若加大冲洗水量，则粒度相对较细的钨矿物又被冲入离心尾矿中，试验现象也验证了显微镜下分析结果.因此，如若能将这部分较粗颗粒的脉石矿物去除后再进行离心重选，则能取得理想的试验结果.
3.5 “浮选-离心机重选”联合流程试验研究
从前面单独的浮选试验结果可知，浮选可以起到很好的粗选预富集作用，试样中大量脉石矿物被丢弃，但由于试样中含有大量的细泥，这部分细泥很难采用浮选工艺去除掉.从单一离心重选试验可知，离心重选可以大量的丢弃细泥，而对于颗粒相对较粗的脉石矿物则分离效果不理想，因此，本试验拟对两种选矿工艺结合，进行联合流程试验研究.
3.5.1 离心机重选给矿浓度条件试验
浮选试验研究已进行了浮选条件试验，因此联合流程试验只进行离心重选条件试验，本试验考查不同离心给矿浓度对离心重选指标的影响，试验流程见图 6.固定转鼓转速400r/min，冲洗水量2L/min，改变离心重选给矿浓度，试验结果见图 7.从图 7可以看出，随着给矿浓度的增大，得到的钨精矿回收率不断升高，但品位不断下降，并且当给矿浓度达到20%时，得到的钨精矿回收率也急剧下降，这是由于随着给矿浓度的增大，有效矿粒在离心机内作用时间短，得不到有效分选直接被排出.因此，选取给矿浓度16%作为后续条件试验.
3.5.2 离心机转鼓转速条件试验
离心机转鼓转速是影响离心重选指标的重要因素，离心机转鼓转速过低，得到的精矿品位低，离心机转鼓转速过高，得到的精矿产品回收率低.因此，本试验进行了离心机转鼓转速条件试验，以考查其转鼓转速对本研究试样选矿指标的影响，试验流程同图 6.固定给矿浓度16%、冲洗水量2L/min，改变转鼓转速，试验结果见图 8.从图 8中可以看出，随着转鼓转速的增大，离心重选获得的钨精矿中钨品位不断升高，但回收率却不断下降，说明随着离心机转鼓转速的增大，较轻的脉石矿物首先被甩出，当继续增大转速至500r/min后，由于转速过快，一些粒度相对较细的钨矿物也被甩出.综合考虑钨精矿品位和回收率，选取转鼓转速400r/min做为后续试验条件.
3.5.3 离心机冲洗水量条件试验
由于离心机为阶段式给矿，补加冲洗水量的大小直接影响其选矿指标，冲洗水过少，脉石矿物仍附着在转鼓璧上，冲洗水量过大，则钨矿物也会被冲走.因此，本试验对冲洗水量进行了条件试验，试验流程同图6.固定给矿浓度16%、转鼓转速400r/min，改变冲洗水量的大小，考查其对选矿指标的影响，试验结果见9.从图9可以看出，随着冲洗水量的增大，获得的钨精矿品位不断升高，但回收率逐渐降低.综合考虑，选取冲洗水量2.5L/min做为后续试验条件.
3.6 开路试验研究
为了验证条件试验所选各参数的稳定性，在条件试验的基础上进行了全开路试验，试验流程见图 6，试验结果见表 2.从表 2可以看出，各条件试验所确定的工艺参数是稳定的，试验取得了理想的指标.
表 2 全开路试验结果/%
4 结论
某钨矿重选尾矿经水力旋流器分级后的溢流细泥矿物，细度为－0.04mm以下，该细泥矿物中主要金属矿物为白钨矿、黑钨矿、辉钼矿，该细泥矿物含WO3 0.28%，其中白钨矿、黑钨矿和钨华中钨的分布率分别为25.31%、72.45%和2.24%.试验研究表明，由于该试样为黑白钨混合细泥矿物，采用单一的高梯度磁选、离心重选、浮选工艺无法获得的理想的选矿指标，采用“浮选-离心机重选”联合流程，即GYB+ GYR做捕收剂，浮选粗精矿再采用离心机重选精选，开路试验获得的钨精矿品位达到32.14%，回收率达到73.51%，试验取得了理想的指标，为该钨矿企业钨细泥的利用提供了技术依据，同时对于其他钨矿山企业钨细泥的回收具有一定的借鉴作用.
-
![]()
图 1 龙南某稀土矿赋存位置剖面示意
Fig 1. Profile of occurrence location of a rare earth mine in Longnan
-
[1] 饶运章, 张永胜, 饶睿, 等. 离子型稀土原地浸矿边坡稳定影响因素敏感性分析[J]. 矿业研究与开发, 2015, 35(9): 60-63. https://www.cnki.com.cn/Article/CJFDTOTAL-KYYK201509018.htm [2] ZHANG, ZHENGYAN HE, JUNXIA YU, et al. Novel solution injection technology for in-situ leaching of weathered crust elution-deposited rare earth ores[J]. Hydrometallurgy, 2016, 164: 248－256. doi: 10.1016/j.hydromet.2016.06.015
[3] 代晶晶, 王瑞江, 王登红, 等. 基于IKONOS数据的赣南离子吸附型稀土矿非法开采监测研究[J]. 地球学报, 2014(4): 503-509. https://www.cnki.com.cn/Article/CJFDTOTAL-DQXB201404017.htm [4] 饶睿, 李明才, 张树标, 等. 离子型稀土原地浸矿采场滑坡特征及防控试验研究[J]. 稀土, 2016, 37(6): 26-31. https://www.cnki.com.cn/Article/CJFDTOTAL-XTZZ201606006.htm [5] 胡世丽, 洪本根, 罗嗣海, 等. 裸脚式稀土矿山原地浸矿的边坡稳定性分析[J]. 工程地质学报, 2017, 25(1): 110-116. https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ201701015.htm [6] 陈荣军, 廖伟成, 张耀平, 等. 某离子型稀土矿边坡稳定性分析[J]. 有色金属科学与工程, 2015, 6(4): 111-115. http://ysjskx.paperopen.com/oa/DArticle.aspx?type=view&id=201412019 [7] 江胜华, 宋韫皓, 孙伟贺, 等. 基于粘贴式智能石块的边坡大变形监测方法[J]. 重庆大学学报, 2020, 43(5): 76-83. https://www.cnki.com.cn/Article/CJFDTOTAL-FIVE202005009.htm [8] HU Z N, GAO C, SU Q H. A novel evolutionary algorithm based on even difference grey model[J]. Expert Systems With Applications, 2021, 176: 114898. doi: 10.1016/j.eswa.2021.114898
[9] 李克钢, 张重庆. 基于时间序列的神经网络建模及边坡位移预测[J]. 地下空间与工程学报, 2009, 5(增刊1): 1418-1421. https://www.cnki.com.cn/Article/CJFDTOTAL-BASE2009S1029.htm [10] 马文涛. 基于灰色最小二乘支持向量机的边坡位移预测[J]. 岩土力学, 2010, 31(5): 1670-1674. doi: 10.3969/j.issn.1000-7598.2010.05.055 [11] 蒋刚, 林鲁生, 刘祖德, 等. 边坡变形的灰色预测模型[J]. 岩土力学, 2000(3): 244-246. doi: 10.3969/j.issn.1000-7598.2000.03.013 [12] 范新宇, 杨天俊, 高凯, 等. BP神经网络模型在库区高边坡变形预测中的应用[J]. 西北水电, 2017(1): 72-74. doi: 10.3969/j.issn.1006-2610.2017.01.019 [13] 潘平. 基于小波神经网络理论的边坡位移预测[J]. 成都理工大学学报(自然科学版), 2006(2): 176-180. doi: 10.3969/j.issn.1671-9727.2006.02.010 [14] 罗嗣海, 袁磊, 王观石, 等. 浸矿对离子型稀土矿强度影响的试验研究[J]. 有色金属科学与工程, 2013, 4(3): 58-61. http://ysjskx.paperopen.com/oa/DArticle.aspx?type=view&id=201303012 [15] 谢晨月, 袁泽龙, 王建春, 等. 基于人工神经网络的湍流大涡模拟方法[J]. 力学学报, 2021, 53(1): 1-16. https://www.cnki.com.cn/Article/CJFDTOTAL-LXXB202101001.htm [16] 张驰, 郭媛, 黎明. 人工神经网络模型发展及应用综述[J]. 计算机工程与应用, 2021, 57(11): 57-69. doi: 10.3778/j.issn.1002-8331.2102-0256 [17] HUSSINA S, KHAN H, GUL S, et al. Modeling of photolytic degradation of sulfamethoxazole using boosted regression tree (BRT), artificial neural network (ANN) and response surface methodology (RSM); energy consumption and intermediates study[J]. Chemosphere, 2021, 276: 130151. doi: 10.1016/j.chemosphere.2021.130151
[18] 田乃满, 兰恒星, 伍宇明, 等. 人工神经网络和决策树模型在滑坡易发性分析中的性能对比[J]. 地球信息科学学报, 2020, 22(12): 2304-2316. doi: 10.12082/dqxxkx.2020.190766 [19] 文必洋, 汤文成, 田应伟. 基于BP神经网络的高频雷达有效浪高场反演[J]. 华中科技大学学报(自然科学版), 2021, 49(4): 114-119. https://www.cnki.com.cn/Article/CJFDTOTAL-HZLG202104020.htm [20] LI Y, HUIHUI G, JIA X W. An automatic crisis information recognition model based on BP neural networks[J]. Journal of Ambient Intelligence and Humanized Computing, 2021: 1-12. doi: 10.1007/s12652-021-03246-1
[21] 何丹, 林来鹏, 李小勇, 等. 基于改进粒子群算法优化BP神经网络的废水处理软测量模型[J]. 华南师范大学学报(自然科学版), 2021, 53(2): 114-120. https://www.cnki.com.cn/Article/CJFDTOTAL-HNSF202102016.htm [22] LIU H J, LIU J H, WANG Y S, et al. Identification of grouting compactness in bridge bellows based on the BP neural network[J]. Structures, 2021, 32: 817-826. doi: 10.1016/j.istruc.2021.02.069
-
期刊类型引用(2)
1. 黄明发. 富水环境缓倾斜矿体采矿方法与突水防控研究. 中国矿山工程. 2024(06): 34-41 . 
百度学术
2. 范国栋，李博涵. 基于机器学习的工业机械设备故障预测方法. 自动化与信息工程. 2023(04): 13-18+50 . 百度学术
其他类型引用(2)
下载:
计量
- 文章访问数: 179
- HTML全文浏览量: 54
- PDF下载量: 11
- 被引次数: 4
