神经网络预报低温铝电解的电流效率

用Ｎａ３ＡｌＦ６－ＡｌＦ３－ＣａＦ２－ＭｇＦ２－ＬｉＦ－Ａｌ２Ｏ３体系中的低摩尔比（ｎ（ＮａＦ）／ｎ（ＡｌＦ３））电解质进行低温电解实验，以大量的实验数据为学习样本，让网络学习以建立各种电解条件与对应电流效率间的非线性映射，用来预报不同电解条件下的电流效率，研究了各种电解工艺参数对电流效率的影响规律。     

含钾冰晶石熔体电导率的估算

利用简单模型、串联模型和并联模型分别估算Ｋ３ＡｌＦ６－Ｎａ３ＡｌＦ６和Ｋ３ＡｌＦ６－Ｌｉ３ＡｌＦ６二元系的电导率，发现在添加剂浓度较低时，简单模型能够得到较好的结果。据此我们预测了一些常用的添加剂如ＮａＣｌ、ＬｉＦ、ＡｌＦ３、Ａｌ２Ｏ，ＭｇＦ２和ＣａＦ２等对钾冰晶石熔体电导率的影响，并进一步利用简单模型推算Ｋ３ＡｌＦ６－ＡｌＦ３－ＬｉＦ三元系在一些温度截面的电导率。     

KF－AlF_3系热力学性质的计算

在ＫＦ－ＡｌＦ３熔体中采用络合离子逐级分解的模式，利用亚晶格溶液模型计算了ＫＦ－ＡｌＦ３熔体中的逐级解离常数和分解能。分解常数依次为ｋ１＝１．５５×１０－１，ｌ２＝４．２０×１０－２，ｋ３＝７．０１×１０－３；分解热依次为Ｈ１＝３７．８ｋＪ／ｍｏｌ，Ｈ２＝４８．２ｋＪ／ｍｏｌ，Ｈ３＝１２２．ｌｋＪ／ｍｏｌ，计算结果表明ＫＦ－ＡｌＦ３熔体中时比ＮａＦ－ＡｌＦ３和ＬｉＦ－ＡｌＦ３熔体中的都更稳定。本文还对ＫＦ－ＡｌＦ３熔体中各组成的摩尔浓度及其它混合热力学性质进行了计算，计算结果与实验测得结果吻合的较好。     

新型低温铝电解质体系的研究：氧化铝的溶解度与溶解速度

分别测定不同温度下粉末状α－Ａｌ２Ｏ３在Ｎａ３ＡｌＦ６－ＡｌＦ３（摩尔比１∶１）Ｋ３ＡｌＦ６－ＡｌＦ３（摩尔比１：１）及Ｎａ３ＡｌＦ６－Ｋ３ＡｌＦ６－ＡｌＦ３（摩尔比０．５：０．５：１）熔盐体系中的溶解度和溶解速度。探讨和分析了ＬｉＦ对Ｎａ３ＡｌＦ６－Ｋ３ＡｌＦ６－ＡｌＦ３熔体（摩尔比０．５：０．５：１）中氧化铝溶解度的影响。结果表明氧化铝在低温钾冰晶石体系Ｎａ３ＡｌＦ６－Ｋ３ＡｌＦ６－ＡｌＦ３（摩尔比０．５：０．５：１）中的溶解度和溶解速度能够满足低温电解的要求。     

矿浆电解法处理铋精矿的研究

本文采用独特的湿法冶金技术──矿浆电解法，在盐酸－三氯化铁一氯盐体系中，就湖南柿竹园铋精矿的处理进行了系统的理论探讨和条件试验研究，提出了相应的浸出机理。浸出过程发现，溶液中适量的铁离子的存在，可以提高浸出速率，提高阳极电流效率。石墨阳极反应主要是铁高子的转换反应，浸出过程主要是辉铋矿与盐酸的分解反应及三价铁和Ｈ２Ｓ的氧化还原反应，阳极浸出过程机理如下：Ｂｉ２Ｓ３＋６ＨＣｌ＋（２ｎ一６）Ｃｌ－＝２ＢｉＣｌｎ（３－ｎ）＋３Ｈ２Ｓ（ｎ＝１￣６）２Ｆｅ３＋＋Ｈ２Ｓ＝２Ｆｅ２＋＋Ｓｏ＋２Ｈ＋Ｆｅ２＋－ｅ＝Ｆｅ３＋阴极发生铋的沉积：Ｂｉｃｌｎ（３－ｎ）－３ｅ＝Ｂｉ＋ｎＣｌ－（ｎ＝１～６）Ｆｅ３＋＋ｅ＝Ｆｅ２＋     

Bi2S3矿浆电解热力学

由Ｂｉ２Ｓ３在ＮａＣｌ溶液中的溶解度,Ｂｉ２Ｓ３－Ｃｌ－Ｈ２Ｏ系的电位－ｐＨ,电位－ｌｇ「Ｃｌ」图分析表明：Ｂｉ２Ｓ３矿在氯盐水溶液中的溶解度有了很大的提高,在矿浆电解时它同时存在三种浸出机理。即 １．化学溶解,Ｂｉ２Ｓ３（Ｓ）＋３ｎＣｌ（ａｑ）＋６Ｈ（ａｑ）＾＋＝２ＢｉＣｌ＾３－ｎｎ（ａｑ）＋３Ｈ２Ｓ＾０（ａｑ） ２．化学氧化。Ｂｉ２（３Ｓ）＋６Ｆｅ＾３＋（ａｑ２）＋２ｎＣｌ＾－（ａｑ）＝６Ｆｅ     

辉银矿在FeCl3—HCl—NaCl体系中的浸取热力学分析

本文从热力学角度研究了ＦｅＣｌ３－ＨＣｌ－ＮａＣｌ体系从辉银矿（Ａｇ２Ｓ）中浸取银的原理，分析了ｐＨ值、Ｆｅ３＋与Ｃｌ－浓度以及反应温度等浸取热力学条件对反应的影响，并由阿仑尼乌斯公式推导出反应活化能。     

郝家湾夕线石选矿初步研究

郝家湾夕线石矿石含夕线石１４％－１７％，含Ｆｅ２Ｏ３小于２％。经单一浮选可获得含Ａｌ２Ｏ３５６．９５％，Ｆｅ２Ｏ３０．７７％的合格精矿。     

低分子比铝电解质的槽电阻—Al2O3浓度曲线

低分子比铝电解质的槽电阻－Ａｌ２Ｏ３浓度曲线是实现低分子比铝电解而进行Ａｌ２Ｏ３下料自动控制的基础。本文在实验室铝电解槽上使用低分子比电解质，应用Ｌｅ－ＢｌａｎｃｅＩ－Ｕ曲线法测定了槽电阻计算式Ｒ＝（Ｕ－Ｖｅｘｔ）／Ｉ中的常数值Ｖｅｘｔ，并通过槽电压Ｕ，槽电流Ｉ和Ａｌ２Ｏ３浓度，研制了槽电阻－Ａｌ２Ｏ３浓度曲线。     

金属离子对红柱石的吸附与活化

研究了Ｆｅ＾３＋、Ａｌ＾３＋、Ｍｇ＾２＋、Ｃａ＾２＋四种金属离子在红柱石上的吸附行为及其对红柱石可浮性的影响。发现Ｆｅ＾３＋对红柱石－十二烷基磺酸钠浮选体系具有活化作用，而Ａｌ＾３＋、Ｍｇ＾２＋、Ｃａ＾２＋三离子对红柱石的浮选起抑制作用。认为金属离子吸附在矿物表面上是其具有活化作用的前提条件。提出用吸附沉淀百分数（ＰＡＰ）表示金属离子对矿物的活化能力，ＰＡＰ越大，活力能力越强，ＰＡＰ小到一定程度，     

灌注单桩竖向极限承载力及沉降的神经网络预测

采用人工神经网络对天津市钻孔灌注单桩竖有限承载力及沉降进行了预测。实例分析表明,神经网络预测具有较好的精度因而其应用前景十分广阔。     

基于GIS与ANN的金川二矿地表移动预测

利用金川二矿区多年的GPS监测数据,探讨了GIS与人工神经网络技术相结合进行地表移动定量预测的方法和思路。借助Avenue语言,实现了在GIS平台下进行地表移动神经网络预测的整个过程,包括样本设计、网络设计与训练、网络测试与网络预测等;其中,数据处理、测试结果对比和预测结果分析由GIS软件完成,采用VB调用Matlab6.5实现Elman神经网络预测模型,并通过Avenue编程将其集成到GIS系统中。研究结果表明,利用GIS支持下的神经网络模型对地表移动进行预测,具有理论上的可行性和现实意义,说明GIS和人工神经网络技术在开采沉陷预计领域中具有广阔的应用前景。     

螺旋分级机数学模型研究

利用多元回归分析和人工神经网络构建螺旋分级机数学模型, 预测校对分离粒度和分级精度, 并对2个模型的预测效果进行了比较。使用LM算法和遗传算法优化人工神经网络模型, 模型预测结果表明: 采用人工神经网络构建螺旋分级机数学模型比多元回归分析模型表现出更高的拟合度和更低的拟合误差。     

基于BP神经网络的矿井淋水井筒风温预测

应用BP神经网络方法,建立了一种新的井底风温预测模型。它利用BP神经网络的函数拟合能力,通过拟合井筒风流温度、相对湿度,地面大气压力及井筒深度等参数,来预测淋水井筒井底风温,为矿井的井底风温预测提供了一种新的预测精度较高方法。     

地应力地温场中煤层气富集区高精度定量预测的力学方法

针对当前我国煤层气富集区预测中预测位置不准、难以定量化描述、精度不高等不足，提出了地应力地温场中煤层气富集区定量预测的力学方法。建立了应力、温度影响下的煤层气压力预测方程、含气量预测方程，预测方程体现了地应力和地温对煤层气压力、含气量、孔隙率的影响，其中，应力和温度通过影响煤层气压力进而影响吸附量，通过影响煤层气压力和孔隙率进而影响游离量，温度还通过影响吸附常数b影响吸附量。以重庆沥鼻峡盐井矿区为研究区，进行了Kaiser声发射原岩应力测试实验、不同温度下的煤体甲烷等温吸附实验和不同埋深的孔隙率测定实验。实验表明，吸附常数a随温度变化不明显，b随温度升高线性减小。以实验为基础，结合现场实测数据和实际地质资料，定量化预测了矿区煤层气含气量分布。以煤层气含量为判别指标，按照富集程度不同，将研究区划分为两级富集区。预测方法克服了以往煤层气富集区预测定性描述、预测不准和精度不高的不足。     

基于遗传算法优化的煤粉着火温度BP神经网络预测模型

采用遗传算法（GA）对BP神经网络（结构和初始权值、阈值）进行了优化，获得了影响煤粉着火温度预测的主要煤质指标（M_ad，A_ad，V_ad，O_ad），建立了优化的煤粉着火温度BP神经网络预测模型．对20个校验样本的预测结果表明：预测值与试验值的平均相对误差为0.29%，均方差为59.29，达到了较高的预测精度．     

灰色理论在煤层瓦斯含量预测中的应用

应用灰色系统理论，建立了预测煤层瓦斯含量的灰色系统GM（1，1）模型，并用残差模型对预测模型进行了修正。在测定煤层瓦斯含量的基础上进行了实际应用。结果表明，该模型的计算精度符合工程精度要求，可用于矿井煤层瓦斯含量的预测。研究结果为采取针对性的瓦斯防治措施提供了技术依据，同时也为煤层瓦斯含量预测探讨了新的方法。     

铝电解槽针振信息元分析和诊断系统的开发与应用

针对铝电解槽针振信息元诊断手段的不足,提出基于小波-神经网络技术的铝电解槽针振信息元分析与诊断的新方法。获取5种针振信息元的特征波谱作为神经网络的训练样本,建立神经网络诊断系统。分析了系统软硬件结构及其特点,并在350kA预焙铝电解槽上进行实验和仿真。实验证明该系统有很高的精度,且具有很好的应用价值。     

Forecast of coal spontaneous combustion with artificial neural network model based on testing and monitoring gas indices

Forecast is very important for preventing and controlling the disaster of spontaneous combustion (sponcom). Gaseous products of coal, such as carbon monoxide, ethylene, propane and hydrogen, are commonly used as indicators to reflect its status quo of sponcom in coal mines. Nevertheless, since the corresponding relationship between the temperature and the indicators is non-linear and can’t be depicted with simple mathematical formula, it is very difficult to diagnose and forecast coal sponcom by monitoring indicator gases’ distribution. A forward feeding 3-layer artificial neural network (ANN) model is employed to express the corresponding relation between temperature and index gases of coal sponcom more accurately. A large amount of data from programmed temperature oxidation experiments were employed to train the network to gain the connection strength between nerve cells and to accomplish the model. It proved in real coal productions that the ANN model can forecast coal sponcom accurately.