CN117094864A - 一种钛精矿碳排放计量方法 - Google Patents
一种钛精矿碳排放计量方法 Download PDFInfo
- Publication number
- CN117094864A CN117094864A CN202311036565.0A CN202311036565A CN117094864A CN 117094864 A CN117094864 A CN 117094864A CN 202311036565 A CN202311036565 A CN 202311036565A CN 117094864 A CN117094864 A CN 117094864A
- Authority
- CN
- China
- Prior art keywords
- coarse
- grain
- carbon emission
- fine
- iron
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 220
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 123
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 123
- 239000012141 concentrate Substances 0.000 title claims abstract description 94
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 title claims abstract description 79
- 239000010936 titanium Substances 0.000 title claims abstract description 79
- 229910052719 titanium Inorganic materials 0.000 title claims abstract description 79
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims abstract description 194
- 229910052742 iron Inorganic materials 0.000 claims abstract description 97
- 238000005065 mining Methods 0.000 claims abstract description 35
- 229910052500 inorganic mineral Inorganic materials 0.000 claims abstract description 32
- 239000011707 mineral Substances 0.000 claims abstract description 32
- 239000002245 particle Substances 0.000 claims abstract description 28
- SZVJSHCCFOBDDC-UHFFFAOYSA-N iron(II,III) oxide Inorganic materials O=[Fe]O[Fe]O[Fe]=O SZVJSHCCFOBDDC-UHFFFAOYSA-N 0.000 claims abstract description 18
- 229910052720 vanadium Inorganic materials 0.000 claims abstract description 18
- LEONUFNNVUYDNQ-UHFFFAOYSA-N vanadium atom Chemical compound [V] LEONUFNNVUYDNQ-UHFFFAOYSA-N 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 229910052717 sulfur Inorganic materials 0.000 claims description 48
- 239000011593 sulfur Substances 0.000 claims description 48
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 47
- 238000007885 magnetic separation Methods 0.000 claims description 40
- 238000000926 separation method Methods 0.000 claims description 25
- 230000002000 scavenging effect Effects 0.000 claims description 16
- VRRFSFYSLSPWQY-UHFFFAOYSA-N sulfanylidenecobalt Chemical compound [Co]=S VRRFSFYSLSPWQY-UHFFFAOYSA-N 0.000 claims description 16
- 230000018044 dehydration Effects 0.000 claims description 8
- 238000006297 dehydration reaction Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 5
- 238000006124 Pilkington process Methods 0.000 claims description 4
- INPLXZPZQSLHBR-UHFFFAOYSA-N cobalt(2+);sulfide Chemical compound [S-2].[Co+2] INPLXZPZQSLHBR-UHFFFAOYSA-N 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 12
- 239000000463 material Substances 0.000 abstract description 10
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 239000000047 product Substances 0.000 description 13
- 238000005259 measurement Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000002283 diesel fuel Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 239000013067 intermediate product Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000005266 casting Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005188 flotation Methods 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Animal Husbandry (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Operations Research (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Manufacture And Refinement Of Metals (AREA)
Abstract
提供了一种钛精矿碳排放计量方法，包括以下步骤：a将钒钛磁铁矿采选整体过程划分为采矿、选铁和选钛三个过程；b分别在各工序的投入产出传送带布设图像传感器和压力传感器以用于实时测量获取各工序投入产出矿料的粒径参数和质量参数；c基于各工序投入产出矿料的粒径参数和质量参数确定各工序的碳排放量；d确定钒钛磁铁矿采选过程中获得的钛精矿的碳排放量Ek。提高了钛精矿的碳排放量的准确性，基于机器学习的子工序碳排放智能计算模型可直接依据质量参数和粒度参数来确定各子工序的碳排放，不再依赖子工序的物耗和能耗参数，大大简化了相关数据监测量，节省了成本。
Description
技术领域
本发明涉及碳排放计量领域，尤其涉及一种钛精矿碳排放计量方法。
背景技术
钒钛磁铁矿的整体采选是多输出生产过程，主要产物包括铁精矿，钛精矿和浮硫钴精矿三种，目前钛精矿碳排放计算的实现方案主要有两种，第一种方案为首先将采矿、选铁、选钛过程这三阶段的能耗物耗按阶段分别加和并计算阶段碳排放量，进而将采矿和选铁过程产生的碳排放划归至铁精矿，将选钛过程的碳排放划归至钛精矿，少量产出的浮硫钴精矿不承担采选过程的碳排放；第二种方案将整体采选过程的物耗能耗加和并计算整体碳排放量，以三种精矿产品的产出总质量占比为分配参数将钒钛磁铁矿采选的碳排放进行划归。
然而，上述两种方案均不能准确确定钛精矿产品的采选过程碳排放。
因此，有必要研究一种钛精矿碳排放计量方法来解决上述的一个或多个技术问题。
发明内容
为解决上述至少一个技术问题，根据本发明一方面，提供了一种钛精矿碳排放计量方法，其特征在于包括以下步骤：
a将钒钛磁铁矿采选整体过程划分为采矿、选铁和选钛三个过程；
采矿过程包括开采和运输工序；选铁过程包括粗碎、中碎、磁滑轮抛尾、细碎、一段磨矿、一段旋流器分级、一段弱磁粗选、二段旋流器分级、二段磨矿和弱磁精选工序；选钛过程包括选钛分级、粗粒筛分、粗粒弱磁选除铁、粗粒强磁选、粗粒分级、粗粒磨矿、粗粒精选、脱水、粗粒浮硫、粗粒浮钛、细粒弱磁选除铁、细粒强磁粗扫选、细粒精选扫选、细粒浮硫和细粒浮钛工序；
b分别在各工序的投入产出传送带布设图像传感器和压力传感器以用于实时测量获取各工序投入产出矿料的粒径参数和质量参数；
c基于各工序投入产出矿料的粒径参数和质量参数确定各工序的碳排放量，其中，采矿过程总碳排放量数据E采，选铁过程总碳排放量数据Eb，选钛分级工序碳排放数据E分，粗粒筛分和粗粒弱磁选除铁工序碳排放数据E粗1，粗粒强磁选、粗粒分级、粗粒磨矿、粗粒精选、脱水和粗粒浮硫工序碳排放数据E粗2，粗粒浮钛工序碳排放数据E粗3，细粒弱磁选除铁工序碳排放数据E细1，细粒强磁粗扫选、细粒精选扫选和细粒浮硫工序碳排放数据E细2，细粒浮钛工序碳排放数据E细3；
d确定钒钛磁铁矿采选过程中获得的钛精矿的碳排放量Ek；
En为工序n的碳排放，En具体为E采，Eb，E分，E粗1，E粗2，E粗3，E粗3，E细1，E细2，E细3，E细3；bn,k为钛精矿产品k在工序n相关碳排放的分配系数；bn,k具体为：
b粗3，Ti＝1
b细3，Ti＝1；
①选铁过程产出的经多段磨矿和分选后，铁精矿和选铁尾矿的质量分别记为mFe1和mT；②分级工序后产出的第一粒度的粗粒矿物质量数据记为m粗，第二粒度的粗粒矿物质量数据记为m细；③粗粒弱磁选除铁工序后产出的次铁精矿质量记为mFe2，粗粒弱磁除铁余矿的质量记为m粗余；④粗粒浮硫工序后产出的浮硫钴精矿质量记为mCo1,粗粒浮硫余矿的质量记为m浮余1；⑤细粒弱磁选除铁工序后产出的次铁精矿质量记为mFe3，细粒弱磁除铁余矿的质量记为m细余；⑥细粒浮硫工序后产出的浮硫钴精矿质量记为mCo2,细粒浮硫余矿的质量记为m浮余2。
根据本发明又一方面，步骤c具体包括基于机器学习的子工序碳排放智能计算模型，根据各工序投入产出矿料的粒径参数和质量参数确定各工序的碳排放量。
根据本发明又一方面，粒度在0.15mm以下的铁精矿和选铁尾矿的质量分别记为mFe1和mT。
根据本发明又一方面，粒度大于等于0.074mm的粗粒矿物质量数据记为m粗，粒度大于0.019mm小于0.074mm的粗粒矿物质量数据记为m细。
根据本发明又一方面，粗粒弱磁选除铁工序后产出的粒度小于1mm的次铁精矿质量记为mFe2，粒度小于1mm的粗粒弱磁除铁余矿的质量记为m粗余。
根据本发明又一方面，粗粒浮硫工序后产出的粒度小于0.15mm的浮硫钴精矿质量记为mCo1,粒度小于0.15mm的粗粒浮硫余矿的质量记为m浮余1。
根据本发明又一方面，细粒弱磁选除铁工序后产出的粒度在0.019mm到0.074mm之间的次铁精矿质量记为mFe3，粒度在0.019mm到0.074mm之间的细粒弱磁除铁余矿的质量记为m细余。
根据本发明又一方面，细粒浮硫工序后产出的粒度在0.019mm到0.074mm之间的浮硫钴精矿质量记为mCo2。
根据本发明又一方面，粒度在0.019mm到0.074mm之间的细粒浮硫余矿的质量记为m浮余2。
本发明可以获得以下一个或多个技术效果：
通过分析钒钛磁铁矿的整体采选过程，筛选和确定了与钛精矿碳排放相关的工序类型和工序参量，构建了钛精矿碳排放模型，大大提高了碳排放的测量精确性；
针对现有技术中仅对整个采选矿流程计量能耗和物料而无法针对各工序提供相关计量数据的现实，设计了基于机器学习的子工序碳排放智能计算模型，通过训练，可直接依据质量参数和粒度参数来确定各子工序的碳排放，不再依赖子工序的物耗和能耗参数，大大简化了相关数据监测量，无需增设相关检测设备，节省了成本。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为根据本发明一种优选实施例的钛精矿碳排放计量方法流程图。
图2-3为根据本发明一种优选实施例的钒钛磁铁矿的整体采选流程示意图。
图4为根据本发明一种优选实施例的钒钛磁铁矿的整体采选过程中产出的钛精矿和中间产品质量示意图。
图5为根据本发明一种实施例的钒钛磁铁矿的整体采选过程中选钛阶段能耗物耗及碳排放量示意图。
具体实施方式
下面结合附图，通过优选实施例来描述本发明的最佳实施方式，这里的具体实施方式在于详细地说明本发明，而不应理解为对本发明的限制，在不脱离本发明的精神和实质范围的情况下，可以做出各种变形和修改，这些都应包含在本发明的保护范围之内。
实施例1
根据本发明一种优选实施方式，参见图1-3，提供了一种钛精矿碳排放计量方法，其特征在于包括以下步骤：
a将钒钛磁铁矿采选整体过程划分为采矿、选铁和选钛三个过程；
采矿过程包括开采和运输工序；选铁过程包括粗碎、中碎、磁滑轮抛尾、细碎、一段磨矿、一段旋流器分级、一段弱磁粗选、二段旋流器分级、二段磨矿和弱磁精选工序；选钛过程包括选钛分级、粗粒筛分、粗粒弱磁选除铁、粗粒强磁选、粗粒分级、粗粒磨矿、粗粒精选、脱水、粗粒浮硫、粗粒浮钛、细粒弱磁选除铁、细粒强磁粗扫选、细粒精选扫选、细粒浮硫和细粒浮钛工序；
b分别在各工序的投入产出传送带布设图像传感器和压力传感器以用于实时测量获取各工序投入产出矿料的粒径参数和质量参数；
c基于各工序投入产出矿料的粒径参数和质量参数确定各工序的碳排放量，其中，采矿过程总碳排放量数据E采，选铁过程总碳排放量数据Eb，选钛分级工序碳排放数据E分，粗粒筛分和粗粒弱磁选除铁工序碳排放数据E粗1，粗粒强磁选、粗粒分级、粗粒磨矿、粗粒精选、脱水和粗粒浮硫工序碳排放数据E粗2，粗粒浮钛工序碳排放数据E粗3，细粒弱磁选除铁工序碳排放数据E细1，细粒强磁粗扫选、细粒精选扫选和细粒浮硫工序碳排放数据E细2，细粒浮钛工序碳排放数据E细3；
d确定钒钛磁铁矿采选过程中获得的钛精矿的碳排放量Ek；
En为工序n的碳排放，En具体为E采，Eb，E分，E粗1，E粗2，E粗3，E粗3，E细1，E细2，E细3，E细3；bn,k为钛精矿产品k在工序n相关碳排放的分配系数；bn,k具体为：
b粗3，Ti＝1
v细3，Ti＝1；
①选铁过程产出的经多段磨矿和分选后，铁精矿和选铁尾矿的质量分别记为mFe1和mT；②分级工序后产出的第一粒度的粗粒矿物质量数据记为m粗，第二粒度的粗粒矿物质量数据记为m细；③粗粒弱磁选除铁工序后产出的次铁精矿质量记为mFe2，粗粒弱磁除铁余矿的质量记为m粗余；④粗粒浮硫工序后产出的浮硫钴精矿质量记为mCo1,粗粒浮硫余矿的质量记为m浮余1；⑤细粒弱磁选除铁工序后产出的次铁精矿质量记为mFe3，细粒弱磁除铁余矿的质量记为m细余；⑥细粒浮硫工序后产出的浮硫钴精矿质量记为mCo2,细粒浮硫余矿的质量记为m浮余2。
根据本发明又一优选实施方式，步骤c具体包括基于机器学习的子工序碳排放智能计算模型，根据各工序投入产出矿料的粒径参数和质量参数确定各工序的碳排放量。
根据本发明又一优选实施方式，粒度在0.15mm以下的铁精矿和选铁尾矿的质量分别记为mFe1和mT。
根据本发明又一优选实施方式，粒度大于等于0.074mm的粗粒矿物质量数据记为m粗，粒度大于0.019mm小于0.074mm的粗粒矿物质量数据记为m细。
根据本发明又一优选实施方式，粗粒弱磁选除铁工序后产出的粒度小于1mm的次铁精矿质量记为mFe2，粒度小于1mm的粗粒弱磁除铁余矿的质量记为m粗余。
根据本发明又一优选实施方式，粗粒浮硫工序后产出的粒度小于0.15mm的浮硫钴精矿质量记为mCo1,粒度小于0.15mm的粗粒浮硫余矿的质量记为m浮余1。
根据本发明又一优选实施方式，细粒弱磁选除铁工序后产出的粒度在0.019mm到0.074mm之间的次铁精矿质量记为mFe3，粒度在0.019mm到0.074mm之间的细粒弱磁除铁余矿的质量记为m细余。
根据本发明又一优选实施方式，细粒浮硫工序后产出的粒度在0.019mm到0.074mm之间的浮硫钴精矿质量记为mCo2。
根据本发明又一优选实施方式，粒度在0.019mm到0.074mm之间的细粒浮硫余矿的质量记为m浮余2。
根据本发明又一优选实施方式，还提供了一种钛精矿碳排放计量装置，其特征在于包括：
第一模块，用于将钒钛磁铁矿采选整体过程划分为采矿、选铁和选钛三个过程；
采矿过程包括开采和运输工序；选铁过程包括粗碎、中碎、磁滑轮抛尾、细碎、一段磨矿、一段旋流器分级、一段弱磁粗选、二段旋流器分级、二段磨矿和弱磁精选工序；选钛过程包括选钛分级、粗粒筛分、粗粒弱磁选除铁、粗粒强磁选、粗粒分级、粗粒磨矿、粗粒精选、脱水、粗粒浮硫、粗粒浮钛、细粒弱磁选除铁、细粒强磁粗扫选、细粒精选扫选、细粒浮硫和细粒浮钛工序；
第二模块，用于接收在各工序的投入产出传送带布设的图像传感器和压力传感器实时测量获取的各工序投入产出矿料的粒径参数和质量参数；
第四模块，用于基于各工序投入产出矿料的粒径参数和质量参数确定各工序的碳排放量，其中，采矿过程总碳排放量数据E采，选铁过程总碳排放量数据Eb，选钛分级工序碳排放数据E分，粗粒筛分和粗粒弱磁选除铁工序碳排放数据E粗1，粗粒强磁选、粗粒分级、粗粒磨矿、粗粒精选、脱水和粗粒浮硫工序碳排放数据E粗2，粗粒浮钛工序碳排放数据E粗3，细粒弱磁选除铁工序碳排放数据E细1，细粒强磁粗扫选、细粒精选扫选和细粒浮硫工序碳排放数据E细2，细粒浮钛工序碳排放数据E细3；
第四模块，用于确定钒钛磁铁矿采选过程中获得的钛精矿的碳排放量Ek；
En为工序n的碳排放，En具体为E采，Eb，E分，E粗1，E粗2，E粗3，E粗3，E细1，E细2，E细3，E细3；bn,k为钛精矿产品k在工序n相关碳排放的分配系数；bn,k具体为：
b粗3，Ti＝1
b细3，Ti＝1；
①选铁过程产出的经多段磨矿和分选后，铁精矿和选铁尾矿的质量分别记为mFe1和mT；②分级工序后产出的第一粒度的粗粒矿物质量数据记为m粗，第二粒度的粗粒矿物质量数据记为m细；③粗粒弱磁选除铁工序后产出的次铁精矿质量记为mFe2，粗粒弱磁除铁余矿的质量记为m粗余；④粗粒浮硫工序后产出的浮硫钴精矿质量记为mCo1,粗粒浮硫余矿的质量记为m浮余1；⑤细粒弱磁选除铁工序后产出的次铁精矿质量记为mFe3，细粒弱磁除铁余矿的质量记为m细余；⑥细粒浮硫工序后产出的浮硫钴精矿质量记为mCo2,细粒浮硫余矿的质量记为m浮余2。
根据本发明又一优选实施方式，第三模块包括基于机器学习的子工序碳排放智能计算模型，用于根据各工序投入产出矿料的粒径参数和质量参数确定各工序的碳排放量。
根据本发明又一优选实施方式，还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序适于由处理器加载并执行，以使得具有所述处理器的计算机设备执行前述的方法。
根据本发明又一优选实施方式，还提供了一种计算机设备，其特征在于，包括：处理器和存储器；
所述处理器与存储器相连，其中，所述存储器用于存储计算机程序，所述处理器用于调用所述计算机程序，以使得所述计算机设备执行前述的方法。
实施例2
本实施例中，投入钒钛磁铁矿原矿质量为22.12t，产出的钛精矿产品和中间产品质量(含矿石成分信息)如图4所示。
通过图像传感器和压力传感器获取各工序投入产出矿料的粒径参数和质量参数，即选铁过程产出的经多段磨矿和分选后，粒度在0.15mm以下的铁精矿的质量mFe1为7.45t，选铁尾矿(选铁中矿)的质量mT为13.21t，分级工序后产出的粒度大于0.074mm的粗粒矿物质量数据m粗为8.42t，粒度大于0.019mm小于0.074mm的粗粒矿物质量数据m细为4.15t，粗粒弱磁选除铁工序后产出的粒度小于1mm的次铁精矿质量mFe2为0.42t，粒度小于1mm的粗粒弱磁除铁余矿的质量m粗余为7.75t,粗粒浮硫工序后产出的粒度小于0.15mm的浮硫钴精矿质量mCo1为0.10t，粒度小于0.15mm的粗粒浮硫余矿的质量m浮余1为1.80t，细粒弱磁选除铁工序后产出的粒度在0.019mm到0.074mm之间的次铁精矿质量mFe3为0.21t，粒度在0.019mm到0.074mm之间的细粒弱磁除铁余矿的质量m细余为3.94t，细粒浮硫工序后产出的粒度在0.019mm到0.074mm之间的浮硫钴精矿质量mCo2为0.06t,粒度在0.019mm到0.074mm之间的细粒浮硫余矿的质量m浮余2为0.91t。
基于机器学习的子工序碳排放智能计算模型确定相应工序的不同粒径下的单位质量碳排放量系数，根据相应工序投入产出矿料的粒径参数和质量参数确定相应工序的碳排放量，具体地，E采为34.61kgCO2-eq，Eb为346.84kgCO2-eq，E分为22.51kg kgCO2-eq，E粗1为19.69kgCO2-eq，E粗2为95.65kgCO2-eq，E粗3为68.23kgCO2-eq，E细1为11.25kgCO2-eq，E细2为61.89kgCO2-eq，E细3为42.91kgCO2-eq。
由此，可以确定采选过程钛精矿碳排放量为：
E钛精矿＝b采/b，Ti×(E采+Eb)+b分，Ti×E分+b粗1，Ti×E粗1+b粗2，Ti×E粗2+b粗3，Ti×E粗3+b细1，Ti×E细1+b细2，Ti×E细2+v细3，Ti×E细3＝526.29kg CO2-eq
若采用现有技术的第一种方案，即先将采矿、选铁、选钛过程这三阶段的能耗物耗按阶段分别加和并计算阶段碳排放量，进而将采矿和选铁过程产生的碳排放划归至铁精矿，将选钛过程的碳排放划归至钛精矿，少量产出的浮硫钴精矿不承担采选过程的碳排放，则钛精矿产品采选过程碳排放量为：
E钛精矿＝E分+E粗1+E粗2+E粗3+E细1+E细2+E细2＝332.13kg CO2-eq
若采用现有技术的第二种方案，即以最终产物质量占比为基准，将采矿、选铁、选钛阶段的能耗、物耗和随之产生的碳排放整体划归分配于三种精矿产品，则钛精矿产品采选过程碳排放量为：
该第二种方案中，由于在多层级子工序生产过程中的碳排放量与最终产物质量之间不存在直接的线性关系，以最终精矿产品的总质量为依据，不能准确核算钛精矿产品的采选过程碳排放。
可替换地，参见图5，各工序的碳排放也可以根据消耗的燃料和物料来确定。例如，获取采矿阶段该期计算范围内的机械设备、辅助生产设施和运输过程的各类能源消耗数据，采矿阶段消耗电力49.99kWh，柴油10.64kg，汽油0.0021kg，根据一般商业碳排放数据库，企业碳排放数据库和上游供应商碳排放数据库，实时转化为采矿过程总碳排放量数据E采。
例如，获取选铁阶段的粗碎、中碎、磁滑轮抛尾、细碎、一段磨矿、一段旋流器分级、一段弱磁粗选、二段旋流器分级、二段磨矿和弱磁精选工序的各类能源消耗数据，选铁阶段消耗电力607.92kWh，柴油0.56kg，汽油0.00097kg，新鲜水12960kg，根据一般商业碳排放数据库，企业碳排放数据库和上游供应商碳排放数据库，实时转化为选铁阶段总碳排放量数据Eb。
本发明可以获得以下一个或多个技术效果：
通过分析钒钛磁铁矿的整体采选过程，筛选和确定了与钛精矿碳排放相关的工序类型和工序参量，构建了钛精矿碳排放模型，大大提高了碳排放的测量精确性；
针对现有技术中仅对整个采选矿流程计量能耗和物料而无法针对各工序提供相关计量数据的现实，设计了基于机器学习的子工序碳排放智能计算模型，通过训练，可直接依据质量参数和粒度参数来确定各子工序的碳排放，不再依赖子工序的物耗和能耗参数，大大简化了相关数据监测量，无需增设相关检测设备，节省了成本。
本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种钛精矿碳排放计量方法，其特征在于包括以下步骤：
a将钒钛磁铁矿采选整体过程划分为采矿、选铁和选钛三个过程；
采矿过程包括开采和运输工序；选铁过程包括粗碎、中碎、磁滑轮抛尾、细碎、一段磨矿、一段旋流器分级、一段弱磁粗选、二段旋流器分级、二段磨矿和弱磁精选工序；选钛过程包括选钛分级、粗粒筛分、粗粒弱磁选除铁、粗粒强磁选、粗粒分级、粗粒磨矿、粗粒精选、脱水、粗粒浮硫、粗粒浮钛、细粒弱磁选除铁、细粒强磁粗扫选、细粒精选扫选、细粒浮硫和细粒浮钛工序；
b分别在各工序的投入产出传送带布设图像传感器和压力传感器以用于实时测量获取各工序投入产出矿料的粒径参数和质量参数；
c基于各工序投入产出矿料的粒径参数和质量参数确定各工序的碳排放量，其中，采矿过程总碳排放量数据E采，选铁过程总碳排放量数据Eb，选钛分级工序碳排放数据E分，粗粒筛分和粗粒弱磁选除铁工序碳排放数据E粗1，粗粒强磁选、粗粒分级、粗粒磨矿、粗粒精选、脱水和粗粒浮硫工序碳排放数据E粗2，粗粒浮钛工序碳排放数据E粗3，细粒弱磁选除铁工序碳排放数据E细1，细粒强磁粗扫选、细粒精选扫选和细粒浮硫工序碳排放数据E细2，细粒浮钛工序碳排放数据E细3；
d确定钒钛磁铁矿采选过程中获得的钛精矿的碳排放量Ek；
En为工序n的碳排放，En具体为E采，Eb，E分，E粗1，E粗2，E粗3，E粗3，E细1，E细2，E细3，E细3；bn，k为钛精矿产品k在工序n相关碳排放的分配系数；bn,k具体为：
b粗3，Ti＝1
b细3，Ti＝1；
①选铁过程产出的经多段磨矿和分选后，铁精矿和选铁尾矿的质量分别记为mFe1和mT；②分级工序后产出的第一粒度的粗粒矿物质量数据记为m粗，第二粒度的粗粒矿物质量数据记为m细；③粗粒弱磁选除铁工序后产出的次铁精矿质量记为mFe2，粗粒弱磁除铁余矿的质量记为m粗余；④粗粒浮硫工序后产出的浮硫钴精矿质量记为mCo1，粗粒浮硫余矿的质量记为m浮余1；⑤细粒弱磁选除铁工序后产出的次铁精矿质量记为mFe3，细粒弱磁除铁余矿的质量记为m细余；⑥细粒浮硫工序后产出的浮硫钴精矿质量记为mCo2，细粒浮硫余矿的质量记为m浮余2。
2.根据权利要求1所述的钛精矿碳排放计量方法，其特征在于步骤c具体包括基于机器学习的子工序碳排放智能计算模型，根据各工序投入产出矿料的粒径参数和质量参数确定各工序的碳排放量。
3.根据权利要求1或2所述的钛精矿碳排放计量方法，其特征在于粒度在0.15mm以下的铁精矿和选铁尾矿的质量分别记为mFe1和mT。
4.根据权利要求3所述的钛精矿碳排放计量方法，其特征在于粒度大于等于0.074mm的粗粒矿物质量数据记为m粗，粒度大于0.019mm小于0.074mm的粗粒矿物质量数据记为m细。
5.根据权利要求4所述的钛精矿碳排放计量方法，其特征在于粗粒弱磁选除铁工序后产出的粒度小于1mm的次铁精矿质量记为mFe2，粒度小于1mm的粗粒弱磁除铁余矿的质量记为m粗余。
6.根据权利要求4所述的钛精矿碳排放计量方法，其特征在于粗粒浮硫工序后产出的粒度小于0.15mm的浮硫钴精矿质量记为mCo1,粒度小于0.15mm的粗粒浮硫余矿的质量记为m浮余1。
7.根据权利要求6所述的钛精矿碳排放计量方法，其特征在于细粒弱磁选除铁工序后产出的粒度在0.019mm到0.074mm之间的次铁精矿质量记为mFe3，粒度在0.019mm到0.074mm之间的细粒弱磁除铁余矿的质量记为m细余。
8.根据权利要求7所述的钛精矿碳排放计量方法，其特征在于细粒浮硫工序后产出的粒度在0.019mm到0.074mm之间的浮硫钴精矿质量记为mCo2。
9.根据权利要求8所述的钛精矿碳排放计量方法，其特征在于粒度在0.019mm到0.074mm之间的细粒浮硫余矿的质量记为m浮余2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311036565.0A CN117094864A (zh) | 2023-08-17 | 2023-08-17 | 一种钛精矿碳排放计量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311036565.0A CN117094864A (zh) | 2023-08-17 | 2023-08-17 | 一种钛精矿碳排放计量方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117094864A true CN117094864A (zh) | 2023-11-21 |
Family
ID=88769286
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311036565.0A Pending CN117094864A (zh) | 2023-08-17 | 2023-08-17 | 一种钛精矿碳排放计量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117094864A (zh) |
-
2023
- 2023-08-17 CN CN202311036565.0A patent/CN117094864A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102225356B (zh) | 一种从硫化铜镍矿石洗矿矿浆中回收镍金属的选矿方法 | |
| Dehaine et al. | Rare-metal granites as a potential source of critical metals: A geometallurgical case study | |
| CN1603986A (zh) | 基于案例推理的磨矿系统智能优化设定方法 | |
| Abaka-Wood et al. | The use of mining tailings as analog of rare earth elements resources: Part 1–characterization and preliminary separation | |
| Roy et al. | Characterization and processing of low-grade iron ore slime from the Jilling area of India | |
| CN114841453A (zh) | 一种浮选过程的精煤灰分预测方法 | |
| Mukherjee et al. | Process to recover iron values from high-alumina indian iron ore slime—a bench-scale study | |
| CN108469797A (zh) | 一种基于神经网络和进化计算的磨矿过程建模方法 | |
| CN117094864A (zh) | 一种钛精矿碳排放计量方法 | |
| Hulbert, DG*, Craig, IK*, Coetzee, ML** & Tudor | Multivariable control of a run-of-mine milling circuit | |
| Sosa-Blanco et al. | Economic optimisation of a flotation plant through grinding circuit tuning | |
| CN107016454B (zh) | 一种非均质矿球磨破碎分布函数预测方法 | |
| CN117151953A (zh) | 由钒钛磁铁矿采选的钴精矿的碳排放计量方法 | |
| Ghorbani et al. | Repurposing legacy metallurgical data part II: Case studies of plant performance optimisation and process simulation | |
| CN117151952A (zh) | 基于物联网的钒钛磁铁矿采选碳排放多层级耦合测定方法 | |
| CN107121490A (zh) | 一种湿法冶金过程中运行状态的评价方法 | |
| CN87108168A (zh) | 一种控制磨矿粒度的方法 | |
| Bustillo Revuelta et al. | Mineral Processing | |
| Ze-lin et al. | A study on fast predicting the washability curve of coal | |
| CN103514324A (zh) | 一种利用小波时间序列确定交货批铁矿石品位波动的方法 | |
| Zhang et al. | Pre-separation of low-grade collophane by an enhanced gravity separator | |
| CN114950714B (zh) | 一种快速预测实验室选矿闭路指标的方法 | |
| Stupnik et al. | Development of concentration technology for medium-impregnated hematite quartzite of Kryvyi Rih iron ore basin | |
| Kumar | Coal tailings re-processing and fines recovery | |
| Miettunen | The Pyhäsalmi concentrator–13 years of computer control |
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 |