摘要
膏体技术的尾砂浓密工艺是一项复杂的系统工程,是典型的多输入、多输出、非线性关系模型。采用自制小型尾砂浓密系统,获取动态浓密试验关键参数,为模型建立提供数据来源;以尾砂浓密的入料质量浓度、入料流量、入料速度、絮凝剂溶液质量浓度、絮凝剂溶液流量、耙架转速为输入层神经元,以底流质量浓度、底流流量、溢流浊度为输出层神经元,建立了6-11-3的BP神经网络,获得了尾砂浓密影响因素与效果评价指标之间的映射关系;借助遗传算法(GA)的全局搜索能力,优化BP神经网络的初始权值和阈值,构建了基于GA-BP神经网络的尾砂浓密多目标预测模型。预测模型学习收敛速度快,保证收敛到全局最优点。相比于BP神经网络,GA-BP神经网络多目标预测模型的精度显著提高,对矿山现场实测结果的预测误差在2%以内。
出处
《采矿技术》
2022年第2期143-148,共6页
Mining Technology
基金
中国博士后科学基金资助项目(2021M701516)。
