批次球磨产品的粒度分布预测

金属矿山 ›› 2018, Vol. 47 ›› Issue (11): 98-102.

批次球磨产品的粒度分布预测

李沛¹，刘建远²，赵瑞超³，梁博文⁴，王绍维⁴

1. 内蒙古科技大学矿业研究院，内蒙古包头 014010；2. 北京矿冶研究总院，北京 102628；3. 内蒙古科技大学分析测试中心，内蒙古包头 014010；4. 内蒙古科技大学矿业与煤炭学院，内蒙古包头 014010

出版日期:2018-11-15 发布日期:2018-12-19
基金资助:
* 内蒙古科技大学科研启动基金项目（编号：2017QDL-S06）。

Prediction of the Particle Size Distribution in Batch Ball Mill Grinding

Li Pei¹，Liu Jianyuan²，Zhao Ruichao³，Liang Bowen⁴，Wang Shaowei⁴

1. Institute of Mining Technology，Inner Mongolia University of Science and Technology，Baotou 014010，China；2. Beijing General Research Institute of Mining and Metallurgy，Beijing 102628，China； 3. Testing & Analysis Center， Inner Mongolia University of Science and Technology，Baotou 014010，China； 4. School of Mining and Coal， Inner Mongolia University of Science and Technology，Baotou 014010，China

Online:2018-11-15 Published:2018-12-19

摘要/Abstract

摘要： 预测磨矿产品粒度分布一直是磨矿动力学的重要方向。从Herbst-Fuerstenau方程出发，构建基于磨矿中能量输入的总量平衡模型。在批次球磨机上做若干单粒级的间隔磨矿试验，反算其碎磨动力学参数（碎裂速度与碎裂分布），之后用Austin等人提出的拟合方法，求得全部粒级的碎磨动力学参数并代入总量平衡模型，得到磨矿产品粒度分布预测模型，之后用模型进行预测，并进行试验验证，发现预测值与观测值吻合，表明模型可用。

关键词: 磨矿动力学, 预测模型, 总量平衡模型, 碎磨动力学参数

Abstract: It is an important direction of comminution kinetics to predict particle size distribution in grinding. A population balance model is developed based on energy input during grinding， from Herbst-Fuerstenau equation. To determine the breakage kinetic parameters （breakage rate and breakage distribution）， a limited number of mono-particle-size batch grinding tests are taken； with the fitting method come up with Austin etc， the parameters are determined in all sizes， which are then introduced into the model. Grinding products size distribution model was obtained， and used to prediction， a set of verification tests are taken， and the model predicts well， proving its availability.

Key words: Comminution kinetic, Predicting model, Population balance model, Breakage kinetic parameters

李沛, 刘建远, 赵瑞超, 梁博文, 王绍维. 批次球磨产品的粒度分布预测[J]. 金属矿山, 2018, 47(11): 98-102.

LI Pei, LIU Jian-Yuan, ZHAO Rui-Chao, LIANG Bo-Wen, WANG Shao-Wei. Prediction of the Particle Size Distribution in Batch Ball Mill Grinding[J]. Metal Mine, 2018, 47(11): 98-102.

[1]	郭润楠, 杨金林, 马少健, 帅智超. 研磨作用下磨矿产品粒度特性研究[J]. 金属矿山, 2020, 50(05): 210-214.
[2]	陈竹安, 熊鑫, 危小建. 利用卡尔曼滤波综合算法构建开采沉陷预测模型[J]. 金属矿山, 2019, 48(05): 132-136.
[3]	唐学飞, 杨光, 高鹏, 张臣一. 基于LM-BP神经网络的浮选药剂流量预测模型研究[J]. 金属矿山, 2019, 48(02): 200-204.
[4]	武彬, 樊献科, 王爱国, 叶现韬, 鲍晓明, 倪康. 新疆若羌喀腊达坂铅锌矿床S同位素特征及找矿预测[J]. 金属矿山, 2018, 47(2): 112-120.
[5]	王志军, 吕文生, 杨鹏, 王志凯, 王金海. 充填体强度的支持向量机设计匹配模型[J]. 金属矿山, 2016, 45(11): 34-38.
[6]	饶运章, 袁博云, 吴卫强, 孙翔, 陈斌. 基于GRNN模型的硫化矿石堆氧化自热温度预测[J]. 金属矿山, 2016, 45(06): 149-152.
[7]	徐彬, 陈建平, 相轩. 焦家金成矿带三维成矿条件分析与成矿预测[J]. 金属矿山, 2015, 44(09): 90-94.
[8]	陈俊杰, 王明远, 武君, 闫伟涛. 基于PSO-RBF神经网络的主要影响角正切求取方法[J]. 金属矿山, 2015, 44(04): 224-228.
[9]	饶运章, 王丹, 饶睿, 邵亚建, 张永胜. 基于EMD-RBFNN的稀土原地浸矿边坡位移预测[J]. 金属矿山, 2015, 44(03): 72-75.
[10]	程爱平, 高永涛, 季毛伟, 吴平. 基于未确知测度理论的煤矿底板突水量预测[J]. 金属矿山, 2014, 43(08): 157-161.
[11]	肖海平, 杨旺生, 肖岚, 郭钟群, 曹希西. 基于组合预测模型的露天矿高陡边坡滑坡变形研究[J]. 金属矿山, 2014, 43(04): 169-171.
[12]	梁浩楠, 刘卫群, 宋良. 岩体裂隙网络串并组合渗透率预测模型[J]. 金属矿山, 2012, 41(10): 19-24.
[13]	薛建春, 蔡松. 灰色预测模型在矿区土地利用变化研究中的应用[J]. 金属矿山, 2011, 40(10): 148-150.
[14]	徐效波, 吴华玲, 刘波, 王建强. GIS支持下的突发性大气污染扩散模拟[J]. 金属矿山, 2011, 40(05): 146-148.
[15]	毛政利, 闫继涛, 赖健清. 基于BP人工神经网络的成矿预测模型[J]. 金属矿山, 2009, 39(07): 66-68.