论文部分内容阅读
本文的目的是通过建立人工神经网络模型来探究分析水力旋流器的分离性能指标与其结构参数、操作参数间的关系,为水力旋流器的选型提供一种新的方法。本文建立了基于BP神经网络的水力旋流器选型模型,该模型可根据所需的底流质量浓度、分离粒度、生产能力,实现水力旋流器的高效、精确选型。当选取71组试验数据作为样本,训练BP神经网络选型模型后,10组检验样本的选型预测误差:溢流管插入深度误差为17.86%,溢流管直径误差为7.51%,底流管直径误差为10.43%,入料压力误差为20.24%,四个参数的平均选型误差为14.01%,优于常规选型方法。该模型可用于水力旋流器选型和参数调整等。本文首次将BP神经网络模型应用于水力旋流器的底流管直径、溢流管直径、入料压力、插入深度等参数的选型中,为水力旋流器的选型开创一条全新思路。目前做选煤厂或者选矿厂设计时,水力旋流器选型有两种方法,一种是查表法,只能查得水力旋流器的大概尺寸,不够精确,一种是试验法,即通过试验确定水力旋流器尺寸,但试验量通常较大。而本文建立的BP神经网络选型模型,除去试验系统本身约5%-11%的误差,选型模型的选型误差约为3%-9%。本文第一次对训练样本组数对水力旋流器选型精度的影响做了深入分析,当选型预测误差较大时,训练样本组数成为降低误差的重要因素,当BP神经网络模型的选型误差在10%以内时,其误差随着样本组数的增多,并不会成明显下降趋势,模型本身波动性会成为限制误差下降的重要因素。BP神经网络模型的预测精度和训练样本的组数成正相关关系。本文的创新还在于提出将建立的BP神经网络模型应用于仿生试验,分析结构、操作参数对分离性能指标的具体影响,这样既可以完成较准确的定量分析,又可以避免做大量试验,节约资金和时间。从本文中可以推断:当训练样本数占比总样本数的20%-30%时,选型的精度即可满足实际需要。BP神经网络模型的选型精确度好于传统方法,且能快速、便捷地完成水力旋流器的选型,对于设计人员,不需学习复杂的水力旋流器产量、分离粒度等计算式,便能完成水力旋流器的全面设计。BP神经网络模型的选型优势,不仅在于其能快速、准确选型,还在于它能同时完成入料管插入深度、溢流管直径、底流管直径和入料压力等多参数的选择。本文已设计出分离粒度为0.074mm、生产能力符合需求的水力旋流器,完成磁铁矿粉在该粒度分离,使其溢流和底流产品分别满足湿法、干法重介质选煤技术对加重质的要求,将对我国选煤技术的发展、革新有重要意义。