电场改善细粒级尾矿浸出渗透效果试验研究

基于变水头法,针对在电场作用下尾矿渗流体系的渗透性进行柱浸试验研究,研究电场作用下体系渗透效果的改善情况,考察电压与渗透系数变化的关系;通过施加脉冲电压进行渗流试验,研究电场对改善体系渗透效果的作用规律。研究结果表明:电场改变了体系双电层结构以及某些"盲区"结构,有利于渗流;电场促使离子加速运移带动渗流加速,电压越高,渗流速度越快,体系的渗透系数越大;电场作用过程中产生的气体积压在体系内部对渗流产生严重的影响;与加电前体系的渗透系数进行对比,在断电稳定后体系的渗透系数有很大提高,电渗固结作用改变了体系内部结构并在断电后被保持,渗透效果提高。     

关于四阶五阶非负矩阵逆谱的研究

非负矩阵的一般逆谱问题尚未得到解决,三阶矩阵的逆谱问题已由Loewy和Lon-don提出.文章对特殊四阶五阶非负矩阵逆谱做了研究,并且提出了多元数组是某个非负矩阵谱的条件,同时也给出了证明,从而对高阶非负矩阵谱的求法有一定的帮助.     

n个半正定Hermite矩阵迹的H(o)lder不等式

文章研究了半正定Hermite矩阵迹的不等式问题,利用一些初等不等式和矩阵恒等变形的方法,得到了n个半正定Hermite矩阵迹的Hlder不等式.     

产氨细菌浸出碱性氧化铜矿

采用产氨菌种Providencia JAT-1,对云南某矿高碱性氧化铜矿进行氨浸体系下的摇瓶浸出试验.结果显示温度、矿浆液固质量比、助浸剂种类、助浸剂浓度以及细菌初始接种浓度对铜浸出率具有显著影响.在温度为30℃、矿浆液固质量比7:1、助浸剂硫酸铵浓度0.024 mol·L-1以及细菌初始接种浓度20%的条件下,产氨细菌浸出碱性氧化铜矿144 h后铜浸出率可达42.35%.通过对浸渣铜物相分析发现矿石中次生硫化铜浸出率最高.     

一株碱性产氨浸铜细菌改良试验研究

碱性浸矿细菌是处理碱性脉石矿物的新型高效菌株. 为提高碱性浸矿细菌( Providencia sp. )的浸矿适应性和浸出率,首次对其进行铜矿浆驯化和紫外诱变改良. 使用Design Expert-8软件对改良菌株进行三因素三水平Box-Behnken试验设计与结果分析,考察矿浆中固相质量浓度、接种量和温度三个因素与浸出率之间的关系,利用Design Expert-8软件对试验条件进行优化,确定改良菌株最佳浸出条件,并得到浸出率预测模型. 在最佳浸出条件下对改良菌株与原始菌株别进行浸出试验,比较二者在改良前后生长及浸出率的变化情况. 结果显示:改良菌株能更好适应矿浆环境,细菌浓度最高时可达6. 5 × 108 mL-1左右,浸出率达到了50. 57%;而改良前细菌浓度最高只有3 × 108 mL-1 ,浸出率也只有29. 03%.     

n个半正定Hermite矩阵迹的Hlder不等式

文章研究了半正定Hermite矩阵迹的不等式问题,利用一些初等不等式和矩阵恒等变形的方法,得到了n个半正定Hermite矩阵迹的Hlder不等式.     

极端嗜热硫杆菌浸出黄铁矿

为了探讨极端嗜热菌在高铁、高酸和高温条件下生物脱硫的可行性,采用从腾冲热海酸性温泉分离出的一株新型极端嗜热硫杆菌开展了四组不同初始pH值条件下的黄铁矿生物柱浸实验.该菌株能耐受pH值为0.58、全铁质量浓度为38.9 g.L 1的高酸高铁环境,同时维持580～640 mV的较低电位.初始pH值为2时,浸出28 d后黄铁矿浸出率达到最高为17.8%.生物浸出时,菌株生长依次表现出较明显的迟缓期、对数期和稳定期,且降低初始pH值会延长其到达稳定期的时间.此外,70℃高温和全铁质量浓度为38.9 g.L 1的高铁体系能促进生成黄钾铁矾和少量单质硫沉淀,而菌株能在pH值小于0.9时将大部分S0氧化为SO24.     

一株产氨浸铜细菌的分离与鉴定

从内蒙古某处土壤中分离出一株分解尿素的产氨细菌(命名为JAT-1),革兰氏阴性,菌落表面平整湿润,乳白色,短杆状.菌体尺寸为0.2~0.4μm×1.5~2.0μm.结合16S r DNA测定和菌株系统发育树分析,其与Providencia Sp.Sam 130-9A同源性高达99%.对其生长特性研究结果表明:JAT-1以10 g·L-1柠檬酸钠作为碳源,20 g·L-1尿素作为氮源,最佳生长p H值范围为8.0~9.5,最佳初始接种浓度20%.采用该细菌进行碱性铜矿摇瓶浸出实验,144 h后铜浸出率可达42.38%,表明该菌株具有应用于碱性铜矿浸出的潜力.     

基于3种机器学习模型的岩爆类型预测

岩爆类型预测是防治和控制硬岩矿山岩爆灾害的有效方式。基于国内外397组岩爆案例数据，规范训练集与测试集的数据预处理方式，采用模型参数优化及交叉验证技术获得最近邻、支持向量机与决策树模型最佳参数；对比分析主成分分析法（PCA）与过采样SMOTE对3种机器学习算法预测准确率的影响，并采用准确率、精确率、召回率、F1等指标对模型预测性能进行评估。结果表明：主成分分析对3种机器学习模型的预测准确率并无提升，不同岩爆类型的样本之间不具有较为明显的决策边界；过采样SMOTE算法仅对决策树模型有明显的提升，基于过采样建立的SMOTE-DT模型预测准确率为77.50%，高于仅对原始数据集进行标准化处理的KNN、SVM模型的68.75%与57.50%；SMOTE-DT在高估与低估岩爆类型表现优于KNN与SVM模型，对于四种岩爆类型的F1值均大于0.7，岩爆预测性能稳定可靠。此外，采用本文构建的3种机器学习模型对山西紫金金矿进行了岩爆类型预测，模型预测结果与现场观测结果相一致。本文构建的三种用于岩爆类型预测的机器学习模型避免了训练集信息泄露对测试集造成影响，研究结果为岩爆类型预测及规范机器学习模型训练过程提供了理论支撑。