全尾砂漿最佳絮凝沉降參數

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

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，研究使用BP神經網絡進行優化選擇。通過對比分析，將輸入因子簡化為絮凝劑單耗和尾砂質量分數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，建立網絡學習、訓練樣本，優選出最佳網絡模型。擴大正交試驗，增加輸入因子水平，組合優選樣本，搜索最佳絮凝沉降參數。以司家營鐵礦全尾砂絮凝沉降為例，優選出絮凝劑單耗為10 g/t，尾砂質量分數為18%，預測沉降速度為1.38 m/h，滿足生產要求，比原生產所需絮凝劑單耗節省50%。應用結果表明：該研究成果效果顯著，為絮凝沉降參數優選提供一種新思路。

絮凝劑單耗；尾砂；絮凝沉降；網絡模型

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，其質量分數一般僅為10%～20%，無法直接制備高質量分數的充填料漿。低質量分數的充填料漿充入井下，會帶來脫水量大、充填質量低、封堵難等一系列問題。為此在生產中，高質量分數充填成為了一種趨勢。高質量分數充填一般指充填料漿的質量分數達到 75%～80%，在輸送過程中不發生離析、脫水、分層現象，完成充填作業的過程［1］。高質量分數充填料漿制備過程中，最關鍵的因素就是全尾砂漿的濃縮沉降。傳統的全尾砂充填中，全尾砂在立式砂倉中依靠自然沉降濃縮成質量分數為60%～70%的全尾砂漿。由于立式砂倉的斷面較小，低質量分數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，跑渾現象嚴重。為加快全尾砂的沉降速度，實踐生產中主要通過添加絮凝劑來實現全尾砂的快速沉降。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試驗。張欽禮等［2］選擇絮凝劑單耗及質量分數、尾砂質量分數作為變量，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］針對不同質量分數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的選取，均是在有限的室內試驗基礎上進行的。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，往往具有一定的局限性。BP神經網絡具有較強的容錯、聯系、學習、抗干擾、非線性動態處理能力，可實現輸入因子和輸出因子之間的非線性映射關系，能靈活方便地對少數據、貧信息等問題的建模。石靈芝等［5］在根據長沙火車站監測點全年氣象參數平均數據的基礎上，建立了BP神經網路對長沙火車站的大氣污染物PM10小時質量分數的預測模型；蔣建平等［6］在僅選取4個常規物理參數作為主要影響因素的條件下，利用BP神經網絡對土壓縮系數進行了預測；姜安龍［7］利用 BP神經網路建立了回采巷道圍巖穩固性的知識表達系統，解決了山東兗州煤礦巷道穩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，建立網絡學習、訓練樣本，優選出最佳網絡模型；擴大正交試驗，增加輸入因子水平，組合優選樣本，搜索最佳絮凝沉降參數。

1 BP神經網絡預測、優選模型

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，全尾砂漿的質量分數以及絮凝劑的性質和用量。在高質量分數全尾砂充填過程中，尾砂的來源是固定的，其物理化學性質是一定的；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。在尾砂性質和絮凝劑性質一定的情況下，影響全尾砂絮凝沉降效果的主要因素為全尾砂漿質量分數和絮凝劑的用量。

1） 全尾砂漿質量分數較低時，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，但其沉降質量分數較低，無法滿足放砂質量分數的要求；當全尾砂質量分數較高時，雖然可以形成較高的沉降質量分數，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優選模型的輸入因子為全尾砂漿質量分數和絮凝劑單耗。

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

1） 沉降速度。為實現立式砂倉動態放砂，需保證放砂速度等于沉砂速度。在室內試驗中，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） 沉砂質量分數。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量分數，也稱放砂質量分數。為配置質量分數較高的漿體，放砂質量分數越高越好。在室內試驗中通過測定沉降結束后固液面下漿體的質量來計算。

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。

質量分數一定的全尾砂漿進入立式砂倉后，漿體的總質量不變，尾砂固體顆粒的總質量不變，則溢流水中固體含量與放砂質量分數是相對立的，放砂質量分數越大，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、沉砂質量分數也就相應確定。沉降速度和沉砂質量分數同時存在，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優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神經網絡預測輸入、輸出因子。在此基礎上，根據礦山的具體情況，為輸入因子（絮凝劑單耗、尾砂質量分數）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，經統計求得輸出因子—沉降速度；并最終得到BP神經網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，形成參數預測、優選的樣本集，以此來得到最佳的絮凝沉降參數。

1.3 BP神經網絡模型

本次研究所建立的BP網絡模型的輸入因子是絮凝劑用量和全尾砂漿質量分數，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點數的選擇：

式中：n為輸入因子數；m為輸出因子數；a為0～10之間的常數。根據上式，本次研究所建立模型隱含層的合理節點數應該為5～12，建立模型后，通過對不同隱含層數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，確定隱含層節點數［10］。

全尾砂絮凝沉降參數的 BP神經網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神經網絡進行絮凝沉降參數預測、優選。司家營鐵礦超大能力超細全尾砂充填系統，使用立式砂倉全尾砂高質量分數充填，立式砂倉直徑為11 m，系統充填能力為200 m3/h。全尾砂快速沉降是實現高質量分數連續充填的關鍵，而全尾砂進入立式砂倉后絮凝沉降參數選擇的優劣是能否實現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神經網絡的其學習、訓練的樣本。

圖1 神經網絡算法Fig.1 Arithmetic in neural network

2.1 全尾砂物理性質

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顆粒的質量分數高達 75.2%，粒度過細，其表面積較大，在水中形成的結合水膜豐富，導致其在水中的自然沉降速度非常小［13-15］，僅靠自然沉降遠遠不能滿足動態放砂的要求，必須采用絮凝沉降。

表1 全尾砂不同粒徑顆粒質量分數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

為實現全尾砂在立式砂倉中動態放砂，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

根據司家營鐵礦全尾砂的性質，選擇3種比較典型的絮凝劑單耗q（g/t）和尾砂質量分數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所示為參數優選試驗結果（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 參數優選試驗結果（訓練樣本集）Table 4 Optimization test result （samples of training）

2.3 預測及優選

建立BP神經網絡時，首先對網絡進行調試，確定最佳隱含層節點數［16-17］，分別取5，9和12這3種情況，并以表3提供的9組數據為訓練樣本，分別檢查網絡性能，得出網絡訓練誤差和預測誤差曲線，結果如圖3～5所示。由圖3～5可見：當隱含層節點數為5時，經過 6步運算達到要求，其最大預測誤差為0.017；當節點數為9時，需經過9步計算，最大預測誤差為0.006；當節點數為12時，需經過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。

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

絮凝沉降參數預測優化結果表明：

圖3 BP神經網絡性能曲線（隱單元數為9）Fig.3 Capability curve of BP neural network （concealed cell is 9）

圖4 BP神經網絡性能曲線（隱單元數為12）Fig.4 Capability curve of BP neural network （concealed cell is 12）

表5 絮凝沉降參數搜索結果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，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神經網路預測模型具有較強的預測能力，通過輸入絮凝劑單耗、全尾砂漿質量分數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正交試驗數據為依據，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、尾砂質量分數并不呈線性關系，在絮凝劑單耗較小時，沉降速度隨質量分數的增大而減小。在尾砂質量分數較高時，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量分數兩者密切相關，單一地增加絮凝劑單耗、降低尾砂質量分數，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預測結果：絮凝劑單耗為10 g/t，尾砂質量分數為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，滿足動態放砂需要。而目前司家營鐵礦采用的絮凝沉降參數參考于同類礦山，絮凝劑單耗為20 g/t，尾砂質量分數15%，其沉降速度為1.18 m/h，雖也滿足動態放砂的要求，可絮凝劑的單耗增加1倍。通過司家營鐵礦的生產實踐，驗證了本次研究內容的實用性，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 結論

1） 利用BP神經網路建立全尾砂漿絮凝沉降參數優選預測模型。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量分數，輸出因子為沉降速度，大大簡化了神經網路體系，從而提高了網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量分數并不呈線性關系，并非單耗越高，質量分數越低，沉降速度越快。通過設計正交試驗，產生樣本集，選取合理的隱含層節點數；通過擴大正交試驗，進行輸入因子多水平組合，得出預測和優選樣本，并使用BP神經網絡實現最優絮凝沉降參數搜索。

3） 運用BP神經網絡模型對司家營鐵礦絮凝沉降參數進行預測優化，避免傳統全尾砂絮凝沉降參數選擇的盲目性，減少室內大量試驗的工作量，降低了生產成本。同時，也為其他礦山全尾砂絮凝沉降參數優化研究提供了一種新的思路。

［1］ 王洪江， 吳愛祥， 肖衛國， 等. 粗粒級膏體充填的技術進展及存在的問題［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人工神經網絡的大氣顆粒物 PM10質量濃度預測［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神經網絡在地基土壓縮指數預測中的應用［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神經網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神經網絡的爆破參數優選［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， 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. 基于神經網絡的銅閃速熔煉過程工藝參數預測模型［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神經網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. 神經網絡理論與MATLAB R2007實現［M］.北京： 電子工業出版社， 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研究；E-mail： zhaojianwen0607@qq.com