基于BP神經網絡技術的紅土鎳礦還原焙燒-磁選工藝條件的優化

黨煒犇， 王宇斌， 王妍， 王鑫

西安建筑科技大學 資源工程學院，陜西 西安710055

還原焙燒—磁選工藝能有效處理紅土鎳礦，提取礦石中的有價金屬，具有良好的發展前景[1-3]。近些年來許多研究者對優化還原焙燒—磁選工藝進行了大量的探究。李光輝等在紅土鎳礦還原焙燒—磁選過程中加入鈉鹽作為添加劑，可使還原得到的鎳鐵合金與非磁性脈石更加有效地分離[4]；曹志成等以煤作為還原劑，并在直接還原焙燒—磁選過程中添加KD-2作為助熔劑，能有效提高鎳精礦的指標，且發現煤用量過大時，有利于鐵還原而不利于鎳還原[5]。目前，紅土鎳礦還原焙燒—磁選工藝優化的研究多數是采用設計正交試驗的方法，由于該方法采用多因素進行試驗，導致實驗室指標與工業生產指標有所偏差。而隨著互聯網技術不斷發展，利用人工神經網絡建立試驗模型可以有效減少其它因素的影響，有利于保證試驗結果的客觀性[6]，從而確定最優的試驗因素水平組合。孫超等研究了將人工神經網絡與正交試驗相結合，在不需要增加試驗次數的基礎上，能達到定量分析微生物浸礦因素變化，并優化微生物浸礦條件的目的[7]。張翼等研究表明可將人工神經網絡應用于浮選藥劑制度優化上，尋找出更優的藥劑制度，且減少了試驗工作量[8]。目前關于采用人工神經網絡技術提高紅土鎳礦還原焙燒—磁選效果的研究鮮有報道，鑒于此，本研究在正交試驗的基礎上，利用已知數據通過人工神經網絡技術建立BP神經網絡模型，對紅土鎳礦還原焙燒—磁選的主要影響因素進行優化，得到最佳的工藝條件組合，以提高鎳粗精礦的產率。

1 試驗原料、設備和方法

1.1 試驗原料、藥劑及設備

紅土鎳礦取自青海某鎳礦，經破碎后置于棒磨機中磨礦，篩取-0.074+0.038 mm粒級作為試樣，混勻后放于密封袋內保存備用。試樣化學物相分析及XRD檢測結果分別如表1和圖1所示。

表1 試樣中鎳的物相分析結果

圖1 紅土鎳礦的XRD譜

由表1可知，鎳元素的物相主要是硅酸鎳、硫酸鎳和硫化鎳等，并以硅酸鎳的存在形式為主，其分布率為77.45%，硫化鎳的分布率僅為17.21%。由圖1可知，該試樣的特征吸收峰以(Mg，Fe)CO3和SiO2的特征衍射峰為主，即試樣的物相以(Mg，Fe)CO3和硅酸鹽類礦物的物相為主。

試驗藥劑主要包括硫酸鈉(天津市福晨化學試劑廠，分析純)、氧化硼(上海試劑總廠，分析純)和碳粉(天津市福晨化學試劑廠，分析純)。

試驗設備主要包括人工智能箱式電阻爐(洛陽市西格馬儀器制造有限公司，SGM2863)、磁選管(天津市礦山儀器廠，XCQS-73)、電熱鼓風干燥箱(北京科偉永興儀器有限公司，101-3A13)和真空過濾機(武漢洛克粉磨設備制造有限公司，XTLZ Φ260/Φ200)。

1.2 試驗方法

1.2.1 試驗設計

首先在坩堝底部覆蓋一層碳粉，然后稱取定量的試樣和添加劑(10%氧化硼+10%硫酸鈉)混合均勻后置于坩堝中，并在料層頂部再覆蓋一層碳粉，最后檢測并記錄料層厚度和物料質量。將坩堝放入馬弗爐中焙燒，達到設定溫度后計時，待焙燒結束后將產物進行冷卻、過濾和烘干，并將其研磨至試驗粒度(-0.074 mm)后進行搖床除碳，再利用磁選管對焙燒產物進行選別得到磁性產物，最后對該磁性產物進行稱重后計算其產率，具體試驗流程如圖2所示。

圖2 試驗流程

研究前期通過單因素試驗方法探究了影響紅土鎳礦焙燒—磁選效果的主要因素為還原劑用量、焙燒溫度和磁場強度等，且由試驗結果初步得出了主要影響因素的規律，但未能得到影響紅土鎳礦焙燒—磁選效果的最佳因素組合。故后續研究選取五因素四水平進行正交試驗，并建立BP神經網絡模型以此確定紅土鎳礦焙燒—磁選工藝的最佳試驗條件。

1.2.2 BP神經網絡模型

研究基于BP神經網絡的運算原理即工作信號正向傳遞子過程及誤差信號反向傳遞子過程，反復修正權值和閥值，使得誤差函數值達到最小的特性建立BP神經網絡模型。首先輸入數據正向傳播，構建參數和輸入值的關系，檢驗預測值與實際值的誤差，再反向傳播修復權重；讀入新數據后再進行正向傳播預測，再反向傳播修正，多次循環達到最小損失值后進行正交試驗結果的優化。設計的網絡模型為輸入層、隱藏層和輸出層三層神經網絡，利用平方差作為損失函數，Sigmod函數作為激活函數。輸入層對應還原劑用量、焙燒溫度、料層厚度、焙燒時間和磁場強度，隱藏層進行數據的歸一化處理，輸出層對應鎳粗精礦產率，圖3為BP神經網絡模型示意圖。

圖3 三層神經網絡模型示意圖

本研究在正交試驗的基礎上，利用BP神經網絡模型進行網絡仿真模擬，檢測網絡仿真模擬結果與實際試驗結果的誤差，當模型誤差在允許范圍內時，利用該神經網絡模型優化正交試驗結果。首先由正交試驗結果分析得到焙燒條件的最優組合，然后將其中4種最優因素設為定值，變換剩余的1種因素，利用神經網絡模型得到仿真曲線，該曲線的最高點即為優化后的因素水平的最優值。

2 結果與討論

2.1 正交試驗結果分析

研究以A(還原劑用量)、B(焙燒溫度)、C(料層厚度)、D(焙燒時間)、E(磁場強度)5個因素為自變量，各個因素分別設置4個水平。設計的L16(45)正交試驗如表2所示，正交試驗結果如表3所示。

表2 正交試驗各因素水平用量表

利用表3數據計算極差和方差后可知A3B3C1D2E4為該正交試驗的最優因素組合，即在還原劑用量為15.0%、焙燒溫度為1 000 ℃、料層厚度為10.0 mm、焙燒時間為45 min和磁場強度為2.5 kA·m-1的條件下鎳粗精礦產率達到最大，其值為27.46%。以該試驗條件進一步驗證得到還原焙燒—磁選的鎳粗精礦產率為27.44%，即確定A3B3C1D2E4為該正交試驗的最優因素組合。

表3 正交試驗安排及試驗結果表

2.2 BP神經網絡預測與優化

2.2.1 BP神經網絡預測

本研究在已知正交試驗結果的基礎上，通過python語言建立BP神經網絡模型，對紅土鎳礦焙燒—磁選進行神經網絡訓練仿真，模型訓練誤差曲線如圖4所示。

圖4 模型訓練誤差曲線

由圖4可知：當迭代步數達到3 500步時，對比相應的模型訓練結果與訓練誤差曲線可知，該神經網絡模型訓練性能穩定，且趨勢較為平滑，達到了設定的學習誤差精度0.01，即可利用該神經網絡模型優化正交試驗結果。對已知的16組正交試驗條件進行預測仿真，結果如表4所示。

表4 試驗結果及網絡仿真值

由表4可知：對比實際試驗數據與BP神經網絡數據仿真值可知，兩者誤差均小于1.0%，說明該模型具有較高的精度，故其可作為后續的試驗預測模型。

2.2.2 BP神經網絡優化正交試驗結果

本研究在正交試驗得到最優因素組合的基礎上，固定其他4種影響因素，變換1種影響因素，然后利用BP神經網絡模型進行數據模擬優化，結果如圖5～圖9所示。圖5為固定焙燒溫度為1 000 ℃、料層厚度為10.0 mm、焙燒時間為45 min和磁場強度為2.5 kA·m-1時，改變還原劑用量；圖6為固定還原劑用量為15.0%、料層厚度為10.0 mm、焙燒時間為45 min和磁場強度為2.5 kA·m-1時，改變焙燒溫度；圖7為固定還原劑用量為15.0%、焙燒溫度為1 000 ℃、焙燒時間為45 min和磁場強度為2.5 kA·m-1時，改變料層厚度；圖8為固定還原劑用量為15.0%、焙燒溫度為1 000 ℃、料層厚度為10.0 mm和磁場強度為2.5 kA·m-1時，改變焙燒時間；圖9為固定還原劑用量為15.0%、焙燒溫度為1 000 ℃、料層厚度為10.0 mm和焙燒時間為45 min時，改變磁場強度。

由圖5可知，其他4種影響因素不變，僅改變還原劑用量時，隨著還原劑用量的增大，鎳粗精礦產率呈先增大后降低趨勢。當還原劑用量為9.5%時，鎳粗精礦產率達到最大，其值為30.36%。試驗中配碳量的大小會直接影響還原反應的氣氛組成。當配碳量過小時會導致還原氣氛不充足，還原反應效率較低；當配碳量過大時，雖然會生成大量的還原氣體，但還原氣體與物料間的接觸面積有限，兩者間無法充分反應，故過大的配碳量不會顯著提高還原效率，且加入過量的碳粉會帶入更多的灰分[9]，從而影響試驗結果，因此還原劑用量選取9.5%作為試驗的最優值。

圖5 還原劑用量對鎳粗精礦產率的影響

圖6 焙燒溫度對鎳粗精礦產率的影響

由圖6可知，其他4種影響因素不變，僅改變焙燒溫度時，隨著焙燒溫度的升高，鎳粗精礦產率呈增大趨勢。焙燒過程中溫度的高低會直接影響反應物的活性，焙燒溫度的升高，提高了物料間的反應速率，有利于增大還原焙燒中紅土鎳礦的金屬還原度[10]，但溫度過高時會使物料燒結粘連形成團狀，這不利于還原反應的進行，導致金屬還原度降低。因此還原焙燒時既要采用較高的焙燒溫度，又要防止物料燒結，故焙燒溫度選取為1 070 ℃。

圖7 料層厚度對鎳粗精礦產率的影響

由圖7可知，其他4種影響因素不變，僅改變料層厚度時，隨著料層厚度的增大，鎳粗精礦產率呈持續下降趨勢。其原因在于料層厚度的不斷增加，導致物料的松裝密度和振實密度均增大[11]，當料層厚度較小時，一氧化碳氣體可以充分進入料層內部與物料作用，還原速率較高；當料層厚度較大時，還原性氣體未能與物料充分接觸，從而降低了反應速率，不利于還原焙燒的進行。此外，料層過厚會使物料表層和底層的溫度不均勻，影響焙燒產物的質量，故料層厚度最佳為10 mm。

圖8 焙燒時間對鎳粗精礦產率的影響

由圖8可得，其他4種影響因素不變，僅改變焙燒時間時，隨著焙燒時間的延長，鎳粗精礦產率逐漸增大，當焙燒時間超過65 min后，鎳粗精礦的產率增大幅度較小。焙燒時間的長短直接影響還原反應的進行程度，焙燒時間過短會使還原反應不充分，鎳的還原率較低；延長焙燒時間雖可以使還原劑與物料充分作用，但當還原劑被逐漸消耗殆盡，不能為物料提供足夠的還原氣氛，將導致已還原的鎳再度被氧化[12]，且焙燒時間過長也會增加不必要的能耗，因此焙燒時間選取65 min較為合適。

圖9 磁場強度對鎳粗精礦產率的影響

由圖9可得，其他4種影響因素不變，僅改變磁場強度時，隨著磁場強度的增大，鎳粗精礦產率不斷增大。磁場強度的大小對磁選產品有較大的影響，磁場強度越大得到的磁性物質越多，即鎳粗精礦的產率較大，但其品位較低。反之，磁場強度越小得到的磁性物質越少，即鎳粗精礦的產率較小，但其品位較高。為保證分選得到的鎳粗精礦符合試驗要求，故磁場強度選擇2.5 kA·m-1。

綜上所述，BP神經網絡模擬得到的最優試驗條件為還原劑用量9.5%、焙燒溫度1 070 ℃、料層厚度10.0 mm、焙燒時間65 min、磁場強度2.5 kA·m-1。

2.2.3 驗證BP神經網絡優化結果試驗

采用BP神經網絡優化的工藝條件進行多次紅土鎳礦還原焙燒—磁選試驗，結果表明鎳粗精礦的產率平均值為30.29%，對比正交試驗最優因素組合A3B3C1D2E4得到的鎳粗精礦產率27.46%，前者較后者提高了2.83%。由此可見，利用BP神經網絡在一定程度上可以優化正交試驗結果，得出更優的工藝條件。這表明將正交試驗與BP神經網絡相結合用于處理試驗數據，并篩取最佳的試驗工藝條件是可行的。

3 結論

將正交試驗與BP神經網絡相結合，利用正交試驗結果建立BP神經網絡模型，當該模型達到設定的學習精度后進行試驗數據的仿真和優化，優化后的工藝參數為還原劑用量9.5%、焙燒溫度1 070 ℃、料層厚度10.0 mm、焙燒時間65 min、磁場強度2.5 kA·m-1，以該工藝條件進行試驗得到鎳粗精礦產率為30.29%，比正交試驗最優因素組合獲得的粗精礦產率提高了2.83%。該BP神經網絡模型仿真程度高，具有較高的精度，相對誤差可降低至1.0%以下，其在不需要增加試驗次數的基礎上，可定量分析試驗影響因素的變化，并得出最佳工藝條件組合，提高紅土鎳礦還原焙燒—磁選工藝的效果。