CN112861076B - 一种基于线性回归模型的铂钯品位的预测方法 - Google Patents
一种基于线性回归模型的铂钯品位的预测方法 Download PDFInfo
- Publication number
- CN112861076B CN112861076B CN202110009812.2A CN202110009812A CN112861076B CN 112861076 B CN112861076 B CN 112861076B CN 202110009812 A CN202110009812 A CN 202110009812A CN 112861076 B CN112861076 B CN 112861076B
- Authority
- CN
- China
- Prior art keywords
- platinum
- grade
- palladium
- linear regression
- copper
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- KDLHZDBZIXYQEI-UHFFFAOYSA-N palladium Substances [Pd] KDLHZDBZIXYQEI-UHFFFAOYSA-N 0.000 title claims abstract description 85
- 229910052763 palladium Inorganic materials 0.000 title claims abstract description 59
- 238000012417 linear regression Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 27
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 claims abstract description 52
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 claims abstract description 49
- 229910052697 platinum Inorganic materials 0.000 claims abstract description 26
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims abstract description 24
- 229910052802 copper Inorganic materials 0.000 claims abstract description 24
- 239000010949 copper Substances 0.000 claims abstract description 24
- 229910052759 nickel Inorganic materials 0.000 claims abstract description 24
- 239000012141 concentrate Substances 0.000 claims abstract description 23
- 238000005188 flotation Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000000611 regression analysis Methods 0.000 claims abstract description 4
- 230000002000 scavenging effect Effects 0.000 claims description 7
- CDBYLPFSWZWCQE-UHFFFAOYSA-L Sodium Carbonate Chemical compound [Na+].[Na+].[O-]C([O-])=O CDBYLPFSWZWCQE-UHFFFAOYSA-L 0.000 claims description 6
- 239000004088 foaming agent Substances 0.000 claims description 6
- DSCFFEYYQKSRSV-UHFFFAOYSA-N 1L-O1-methyl-muco-inositol Natural products COC1C(O)C(O)C(O)C(O)C1O DSCFFEYYQKSRSV-UHFFFAOYSA-N 0.000 claims description 4
- VJXUJFAZXQOXMJ-UHFFFAOYSA-N D-1-O-Methyl-muco-inositol Natural products CC12C(OC)(C)OC(C)(C)C2CC(=O)C(C23OC2C(=O)O2)(C)C1CCC3(C)C2C=1C=COC=1 VJXUJFAZXQOXMJ-UHFFFAOYSA-N 0.000 claims description 4
- DSCFFEYYQKSRSV-KLJZZCKASA-N D-pinitol Chemical compound CO[C@@H]1[C@@H](O)[C@@H](O)[C@H](O)[C@H](O)[C@H]1O DSCFFEYYQKSRSV-KLJZZCKASA-N 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 229910000029 sodium carbonate Inorganic materials 0.000 claims description 3
- GGLZPLKKBSSKCX-YFKPBYRVSA-N L-ethionine Chemical compound CCSCC[C@H](N)C(O)=O GGLZPLKKBSSKCX-YFKPBYRVSA-N 0.000 claims 2
- 150000002148 esters Chemical class 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 6
- 238000012360 testing method Methods 0.000 description 8
- TUZCOAQWCRRVIP-UHFFFAOYSA-N butoxymethanedithioic acid Chemical compound CCCCOC(S)=S TUZCOAQWCRRVIP-UHFFFAOYSA-N 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 229910000570 Cupronickel Inorganic materials 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- YOCUPQPZWBBYIX-UHFFFAOYSA-N copper nickel Chemical compound [Ni].[Cu] YOCUPQPZWBBYIX-UHFFFAOYSA-N 0.000 description 2
- -1 ethylsulfazepine Chemical compound 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- GBCAVSYHPPARHX-UHFFFAOYSA-M n'-cyclohexyl-n-[2-(4-methylmorpholin-4-ium-4-yl)ethyl]methanediimine;4-methylbenzenesulfonate Chemical compound CC1=CC=C(S([O-])(=O)=O)C=C1.C1CCCCC1N=C=NCC[N+]1(C)CCOCC1 GBCAVSYHPPARHX-UHFFFAOYSA-M 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 239000010665 pine oil Substances 0.000 description 2
- 238000000692 Student's t-test Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000010948 carboxy methyl cellulose Nutrition 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- CIMOVGXLLJFXQW-UHFFFAOYSA-N ethyl 4-aminobenzenesulfonate Chemical compound CCOS(=O)(=O)C1=CC=C(N)C=C1 CIMOVGXLLJFXQW-UHFFFAOYSA-N 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- CMGLSTYFWSQNEC-UHFFFAOYSA-N o-ethyl n-ethylcarbamothioate Chemical compound CCNC(=S)OCC CMGLSTYFWSQNEC-UHFFFAOYSA-N 0.000 description 1
- 235000019353 potassium silicate Nutrition 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 235000017550 sodium carbonate Nutrition 0.000 description 1
- GCLGEJMYGQKIIW-UHFFFAOYSA-H sodium hexametaphosphate Chemical compound [Na]OP1(=O)OP(=O)(O[Na])OP(=O)(O[Na])OP(=O)(O[Na])OP(=O)(O[Na])OP(=O)(O[Na])O1 GCLGEJMYGQKIIW-UHFFFAOYSA-H 0.000 description 1
- 235000019982 sodium hexametaphosphate Nutrition 0.000 description 1
- NTHWMYGWWRZVTN-UHFFFAOYSA-N sodium silicate Chemical compound [Na+].[Na+].[O-][Si]([O-])=O NTHWMYGWWRZVTN-UHFFFAOYSA-N 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 239000001577 tetrasodium phosphonato phosphate Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
- B03D—FLOTATION; DIFFERENTIAL SEDIMENTATION
- B03D1/00—Flotation
- B03D1/001—Flotation agents
- B03D1/018—Mixtures of inorganic and organic compounds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
- B03D—FLOTATION; DIFFERENTIAL SEDIMENTATION
- B03D2201/00—Specified effects produced by the flotation agents
- B03D2201/007—Modifying reagents for adjusting pH or conductivity
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
- B03D—FLOTATION; DIFFERENTIAL SEDIMENTATION
- B03D2201/00—Specified effects produced by the flotation agents
- B03D2201/02—Collectors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
- B03D—FLOTATION; DIFFERENTIAL SEDIMENTATION
- B03D2201/00—Specified effects produced by the flotation agents
- B03D2201/04—Frothers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
- B03D—FLOTATION; DIFFERENTIAL SEDIMENTATION
- B03D2203/00—Specified materials treated by the flotation agents; specified applications
- B03D2203/02—Ores
- B03D2203/025—Precious metal ores
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/20—Recycling
Abstract
本发明涉及一种基于线性回归模型的铂钯品位的预测方法。该预测方法包括如下步骤:S1:测定铂钯共生矿的浮选精矿中铜的品位和镍的品位,铂和钯的品位和;S2:利用二元线性回归方程进行回归分析;S3:测定待测浮选精矿样品中铜的品位和镍的品位,根据线性回归方程即可计算得到铂和钯的品位和。本发明提供的预测方法利用铜、镍元素检测方法的便捷性,采集庞大的数据并从中分析出铂+钯品位与其的相关关系,以铜、镍元素品位作为自变量,建立线性回归模型,克服了铂钯品位分析难度大、周期长、滞后于生产流程等缺陷;利用该预测方法得到的线性回归方程具有较高的拟合度,可有效、准确地预测铂钯品位。
Description
技术领域
本发明属于选矿技术领域,具体涉及一种基于线性回归模型的铂钯品位的预测方法。
技术背景
多元线性回归模型是通过考察因变量Y与两个或两个以上自变量X1,X2,…,Xk之间线性依赖关系而建立的数学模型,它可以把隐藏在大规模原始数据中的重要信息提炼出来,建立自变量与因变量的数学表达式,从而利用自变量来预测因变量的取值,同时也简化了分析预测手段,并具有一定的可靠性。
马楠(东昆仑某铜镍矿床矿石体重与品位回归模型探讨,《中国锰业》,2019(1),72-75)以东昆仑夏日哈木铜镍矿床小体重测试数据为基础,运用数学地质原理及SPSS软件探讨了小体重值与Ni、Cu、Co元素品位之间的关系,建立了以Ni、Co元素品位与小体重值的回归模型,预测体重与实际测试体重平均误差为6.08%,建立的回归模型可为储量计算提供科学依据。黄橙(原矿铜、硫品位与金、铜回收率预测模型的建立与应用,《现代矿业》,2018(3),168-171)为解决矿石铜、硫品位变化导致混合浮选精矿产量波动较大及对分离浮选、铜精矿品位控制带来影响的问题,结合实际生产指标数据,通过建立金、铜回收率与原矿铜、硫品位的多元线性回归模型,揭示了铜回收率与原矿铜品位有直接关系,金回收率与原矿硫铜品位比有直接关系,并对其予以验证,用以预测和指导该矿在原矿品位波动下的生产指标规律。
铂钯元素由于含量极低,并且由于铂族元素的电子结构和化学性质十分相近,许多试剂同时会与铂族元素发生相似反应,因此造成了铂族元素地分离和测定十分困难,铂钯元素测定的方法主要有电感耦合等离子体质谱、原子吸收石墨炉法、微堆中子活化法、催化极谱法,这些方法虽然可以精确获得指标结果,但背景干扰大、操作复杂、对设施和人员素质要求高等特点使得其分析结果严重落后于生产流程,阻碍了其对生产需要得指导作用。因此,建立准确高效的预测模型,对于实时反馈生产现状和准确提供调整方案的依据具有重大的实际意义。
发明内容
本发明的目的在于克服现有相关技术分析检测铂钯品位难以满足指导生产实践的缺陷或不足,提供一种基于线性回归模型的铂钯品位的预测方法。本发明提供的预测方法利用铜、镍元素检测方法的便捷性,采集庞大的数据并从中分析出铂+钯品位与其的相关关系,以铜、镍元素品位作为自变量,建立线性回归模型,克服了铂钯品位分析难度大、周期长、滞后于生产流程等缺陷;利用该预测方法得到的线性回归方程具有较高的拟合度,可有效、准确地预测铂钯品位。
为实现本发明的目的,本发明采取如下方案:
一种基于线性回归模型的铂钯品位的预测方法,包括如下步骤:
S1:测定铂钯共生矿的浮选精矿中铜的品位和镍的品位,分别记为x1,%、x2,%;对应测定浮选精矿中铂和钯的品位和,记为y,g/t;
S2:利用线性回归方程y=(η0+η1x1+η2x2)/10000对S1测得的x和y进行回归分析得η0和η1;
S3:测定待测浮选精矿样品中铜的品位x1和镍的品位x2,根据线性回归方程即可计算得到铂和钯的品位和y。
本发明的发明人通过反复研究发现,铂钯共生矿的浮选精矿中铜、镍的品位和与铂和钯的品位和之间存在较高的线性相关度(相关系数在0.8以上),通过快速测定铜和镍元素的品位,可实现对铂和钯的品位和的预测,克服了铂钯品位分析检测困难、回馈周期长,严重影响对生产实践的指导作用的缺陷。
利用本发明的预测方法得到的二元线性回归方程具有较高的拟合度,可有效、准确地预测铂钯品位。
根据预测的准确度要求,可对样本数量进行优化。
优选地,S1中至少测定15组对应的x和y值。
更为优选地,S1中测定15~25组对应的x和y值。
优选地,S2中利用最小二乘法分析得到η0、η1和η2。
更为优选地,S2中还包括计算得到t统计量、样本多元相关系数、修正系数和F统计量的步骤。
其中,F用于检验总体显著性,t用于检验单个系数的显著性。
优选地,S1中所述铂钯共生矿的浮选精矿通过如下过程得到:矿石磨细至-0.074mm占60%~72%,加入调整剂、捕收剂和起泡剂进行一次粗选,粗选尾矿磨细至-0.043mm占65%~75%,加入调整剂、捕收剂和起泡剂进行二次粗选,两次粗选精矿合并进行三次空白精选,获得浮选精矿,精选中矿顺序返回;二次粗选尾矿加入捕收剂和起泡剂进行二次扫选,扫选中矿顺序返回,二次扫选尾矿即为浮选精矿。
更为优选地,所述捕收剂为丁基黄原酸丙炔酯、乙硫氮丙炔酯、乙硫氨酯或丁基黄药中的一种或多种。
更为优选地,所述捕收剂的用量为10~300g/t。
更为优选地,所述调整剂为碳酸钠、水玻璃、CMC或六偏磷酸钠中的一种或多种。
更为优选地,所述调整剂的用量为200~3000g/t。
更为优选地,所述起泡剂为松醇油。
更为优选地,所述起泡剂的用量为5~80g/t。
本发明的预测方法对现有常规的铂钯共生矿(铂钯的品位y一般在1~100g/t之间)均具有较好的适用性
优选地,所述浮选精矿中铂、钯品位和y为1~100g/t。
与现有技术相比,本发明具有如下有益效果:
本发明提供的预测方法利用铜、镍元素检测方法的便捷性,采集庞大的数据并从中分析出铂+钯品位与其的相关关系,以铜、镍元素品位作为自变量,建立线性回归模型,克服了铂钯品位分析难度大、周期长、滞后于生产流程等缺陷;利用该预测方法得到的线性回归方程具有较高的拟合度,可有效、准确地预测铂钯品位。
附图及说明
图1是本发明实施例1中EViews软件的回归结果图;
图2是本发明实施例1的预测方法的流程图。
具体实施方式
下面结合实施例进一步阐述本发明。这些实施例仅用于说明本发明而不用于限制本发明的范围。下例实施例中未注明具体条件的实验方法,通常按照本领域常规条件或按照制造厂商建议的条件;所使用的原料、试剂等,如无特殊说明,均为可从常规市场等商业途径得到的原料和试剂。本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
本发明实施例1选用的铂钯矿为铂钯共生矿,对其进行浮选得到浮选精矿,具体过程如下:矿石磨细至-0.074mm占72%,加入1000g/t的碳酸钠、100g/t的乙硫氨酯和30g/t的松醇油进行一次粗选,粗选尾矿磨细至-0.043mm占72%,加入300g/t的CMC、30g/t的乙硫氮丙炔酯和10g/t的松醇油进行二次粗选,两次粗选精矿合并进行三次空白精选,获得浮选精矿,精选中矿顺序返回;二次粗选尾矿加入20g/t的丁基黄药和10g/t的松醇油进行二次扫选,扫选中矿顺序返回,二次扫选尾矿为最终尾矿。
实施例1
本实施例提供一种基于线性回归模型的铂钯品位的预测方法,如图2,包括如下步骤:
(1)收集样本考察值
将同一产品中铜、镍品位作为样本考察值,样本值为18组,18组样本值具体数值如表1所示:
表1 18组样本值
(2)建立线性回归模型
假设铂钯品位(y)与铜品位(x1)、镍品位(x2)呈线性相关关系,建立线性回归分析方程为:y=(η0+η1x1+η2x2)/10000,用EViews软件输入样本值数据后,选用选用最小二乘法估计模型的参数,得到模型估计结果(结果如图1所示)y=16.46089+20.75877x1-5.764464x2、t统计量(η0、η1、η2对应的t统计量分别为2.85747、4.03077、-1.224991)、样本多元相关系数(R2=0.806486)、修正系数(0.780684)和F统计量(31.25686),求得η0、η1、η2的值,得到线性回归分析模型:y=(η0+η1x1+η2x2)/10000,如图1。
(3)铂钯品位的预测
将需预测的铂钯品位对应的铜镍品位数值(如表3)带入到回归分析模型中,求得铂钯品位(如表3)。
对上述步骤(2)中的线性回归模型进行检验:
①自变量的相关性检测
根据铜、镍品位的样本值,利用EViews软件计算各变量的相关关系,得到铜、镍品位之间的相关系数矩阵,如表2所示。
表2铜、镍品位之间的相关系数矩阵
变量 | X1 | X2 |
X1 | 1.00000 | 0.92889 |
X2 | 0.92889 | 1.00000 |
②拟合优度检测
从步骤(2)的模型估计结果可知,修正系数γs=0.780684,即铜镍品位对铂钯品位浮动的78.07%做出解释。这也说明模型对该样本的拟合较好。
③F检验总体显著性
采用F检验多元线性回归模型的总体显著性,可知Fα(k,n-k-1)=F0.01(2,15)(其中α为显著性水平1%,k为铜、镍品位两个变量,n为样本组,本实施案例为18个样本组),在F分布分位数表中查出F0.99(2,15)的值为6.36,所以F0.01(2,15)=0.1572,该步骤(2)的模型估计结果可知F=31.25686>F0.01(2,15),所以拒绝H0,说明铜、镍品位对铂钯品位共同的影响是显著的。
④采用t检验单个系数的显著性
采用t检验单个系数的显著性。t0.8(n-k)=t0.8(15)(其中显著性水平为2%,k为铜、镍品位两个变量,n为样本组,本实施例为18个样本组),查t分布分位数表可知t0.8(15)=0.866,步骤(2)的模型估计结果可知η1、η2对应的t统计量分别为4.03077、-1.224991,均满足|t(ηi)|>|t0.8(15)|=0.866,说明各个系数对y影响是显著的,所以拒绝H0,即铜、镍品位对铂钯品位都有显著的影响。
②模型的实际意义检验
二元性回归方程中各系数表明,在假定其他变量不变的情况下,当镍品位提高0.1个百分点时,铂钯品位减少0.58个百分点;当铜品位增加0.1个百分点时,铂钯品位可提高2.08个百分点。这与国外某选厂目前的生产指标相吻合,工业试验期选厂生产指标见下表3。
表3模型检验结果
由表3可知,在工业试验期,所得精矿中铂钯品位的实际值与计算值之间的误差为0.298%,相对误差为0.5%,说明按该模型计算的精矿中铂钯品位与实际品位基本吻合,这也表明了回归统计模型具有一定的实际意义。
本领域的普通技术人员将会意识到,这里的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (5)
1.一种基于线性回归模型的铂钯品位的预测方法,其特征在于,包括如下步骤:S1:测定铂钯共生矿的浮选精矿中铜的品位和镍的品位,分别记为x1,%、x2,%;对应测定浮选精矿中铂和钯的品位和,记为y,g/t;
S2:利用线性回归方程y=(η0+η1x1+η2x2)/10000对S1测得的x和y进行回归分析得η0、η1和η2;
S3:测定待测浮选精矿样品中铜的品位x1和镍的品位x2,根据线性回归方程即可计算得到铂和钯的品位和y;
S1中所述铂钯共生矿的浮选精矿通过如下过程得到:矿石磨细至-0.074mm占60%~72%,加入碳酸钠、乙硫氨酯和松醇油进行一次粗选,粗选尾矿磨细至-0.043mm占65%~75%,加入CMC、乙硫氮丙炔酯和松醇油进行二次粗选,两次粗选精矿合并进行三次空白精选,获得浮选精矿,精选中矿顺序返回;二次粗选尾矿加入捕收剂和起泡剂进行二次扫选,扫选中矿顺序返回,二次扫选尾矿即为浮选精矿;
所述铂和钯的品位和y为1~100g/t。
2.根据权利要求1所述基于线性回归模型的铂钯品位的预测方法,其特征在于,S1中至少测定15组对应的x和y值。
3.根据权利要求1所述基于线性回归模型的铂钯品位的预测方法,其特征在于,S1中测定15~25组对应的x和y值。
4.根据权利要求1所述基于线性回归模型的铂钯品位的预测方法,其特征在于,S2中利用最小二乘法分析得到η0、η1和η2。
5.根据权利要求1所述基于线性回归模型的铂钯品位的预测方法,其特征在于,S2中还包括计算得到t统计量、样本多元相关系数、修正系数和F统计量的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110009812.2A CN112861076B (zh) | 2021-01-05 | 2021-01-05 | 一种基于线性回归模型的铂钯品位的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110009812.2A CN112861076B (zh) | 2021-01-05 | 2021-01-05 | 一种基于线性回归模型的铂钯品位的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112861076A CN112861076A (zh) | 2021-05-28 |
CN112861076B true CN112861076B (zh) | 2023-12-26 |
Family
ID=76004029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110009812.2A Active CN112861076B (zh) | 2021-01-05 | 2021-01-05 | 一种基于线性回归模型的铂钯品位的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861076B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114741969B (zh) * | 2022-04-27 | 2023-10-31 | 江南大学 | 基于fir-nma模型的硫回收软测量建模方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0825081A (ja) * | 1994-07-15 | 1996-01-30 | Ishifuku Metal Ind Co Ltd | 白金及び白金合金用ろう材 |
CA2272037A1 (en) * | 1999-05-04 | 2000-11-04 | Barrick Gold Corporation | Flotation and cyanidation process control |
CN102631977A (zh) * | 2012-05-05 | 2012-08-15 | 广州有色金属研究院 | 一种微细粒级锡石的选矿方法 |
JP2013209719A (ja) * | 2012-03-30 | 2013-10-10 | Jx Nippon Mining & Metals Corp | 銅精鉱の処理方法 |
CN104331714A (zh) * | 2014-11-28 | 2015-02-04 | 福州大学 | 基于图像数据提取和神经网络建模的铂浮选品位估算方法 |
CN105631221A (zh) * | 2016-01-06 | 2016-06-01 | 昆明理工大学 | 一种基于线性回归模型浮选回收率的预测方法 |
CN110738271A (zh) * | 2019-07-13 | 2020-01-31 | 中南大学 | 一种锌浮选过程精矿品位预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11203044B2 (en) * | 2017-06-23 | 2021-12-21 | Anglo American Services (UK) Ltd. | Beneficiation of values from ores with a heap leach process |
-
2021
- 2021-01-05 CN CN202110009812.2A patent/CN112861076B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0825081A (ja) * | 1994-07-15 | 1996-01-30 | Ishifuku Metal Ind Co Ltd | 白金及び白金合金用ろう材 |
CA2272037A1 (en) * | 1999-05-04 | 2000-11-04 | Barrick Gold Corporation | Flotation and cyanidation process control |
JP2013209719A (ja) * | 2012-03-30 | 2013-10-10 | Jx Nippon Mining & Metals Corp | 銅精鉱の処理方法 |
CN102631977A (zh) * | 2012-05-05 | 2012-08-15 | 广州有色金属研究院 | 一种微细粒级锡石的选矿方法 |
CN104331714A (zh) * | 2014-11-28 | 2015-02-04 | 福州大学 | 基于图像数据提取和神经网络建模的铂浮选品位估算方法 |
CN105631221A (zh) * | 2016-01-06 | 2016-06-01 | 昆明理工大学 | 一种基于线性回归模型浮选回收率的预测方法 |
CN110738271A (zh) * | 2019-07-13 | 2020-01-31 | 中南大学 | 一种锌浮选过程精矿品位预测方法 |
Non-Patent Citations (3)
Title |
---|
某铂钯铜镍共生矿选矿技术研究;熊述清 等;《矿产综合利用》;20030828(第4期);第3-7页 * |
贵州遵义锰矿选矿产品中铁品位对锰品位的回归数学模型;俞中良 等;《安徽地质》;19981230;第8卷(第4期);第65-69页 * |
金宝山铂钯矿选矿工艺研究;杨玉珠 等;《矿冶工程》;20111015;第31卷(第5期);第39-42页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112861076A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111208793B (zh) | 基于慢特征分析的非平稳工业过程的状态监测方法 | |
CN104062953B (zh) | 金湿法冶金过程运行状态在线评价方法 | |
CN104360677A (zh) | 一种卷烟加工过程质量评价与诊断方法 | |
CN112861076B (zh) | 一种基于线性回归模型的铂钯品位的预测方法 | |
CN111598298A (zh) | 一种选煤厂浮选药剂加药量的预测方法 | |
CN107563656B (zh) | 金湿法冶金氰化浸出过程运行状态的评价方法 | |
CN112651579B (zh) | 基于矿石基因特性的浮选回收率预测方法 | |
CN111737993A (zh) | 一种配电网设备的故障缺陷文本提取设备健康状态方法 | |
CN112837762B (zh) | 一种铂钯共生矿的浮选精矿中铂钯品位的预测方法 | |
CN107121490A (zh) | 一种湿法冶金过程中运行状态的评价方法 | |
CN105023091A (zh) | 一种定量评价选矿流程可优化程度的方法 | |
Govett | Interpretation of a rock geochemical exploration survey in Cyprus-statistical and graphical techniques | |
Newcombe et al. | The effect of rotor speed on the flash flotation performance of Au and Cu in an industrial concentrator | |
CN112024451B (zh) | 一种基于受试者操作特征曲线分析的矿石拣选决策方法 | |
CN114510970A (zh) | 基于音频信号特征的浮选过程工况识别方法 | |
CN114950714B (zh) | 一种快速预测实验室选矿闭路指标的方法 | |
CN114997540B (zh) | 矿石中伴生贵金属的回收率的预测方法及其应用 | |
CN112465347A (zh) | 基于聚类分析与改进神经网络协同预测顶板稳定性的方法 | |
CN107133718B (zh) | 固体类大宗矿产资源商品的抽样制样方法 | |
CN109840722A (zh) | 一种金湿法冶金全流程运行状态在线评价方法及系统 | |
Liu et al. | Operating condition recognition of industrial flotation processes using visual and acoustic bimodal autoencoder with manifold learning | |
CN112547293B (zh) | 一种棒磨机负荷智能控制的方法 | |
Evans et al. | Improving energy efficiency across mineral processing and smelting operations–a new approach | |
CN115656464A (zh) | 一种二元体系金矿石载金矿物含金性测定方法 | |
CN111445964B (zh) | 成分分析结果的可视化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |