分形理论在高炉渣球磨工艺中的应用

摘要

破碎颗粒材料无论是粒度分布还是颗粒轮廓曲线均满足统计自相似，可用分形维数表征，破碎颗粒材料的团聚同样是人们一直关注的课题。本文主要以攀钢破碎后高炉渣为研究对象，采用行星式球磨机对高炉渣进行二次破碎，以激光粒度仪为粒度测量设备获取高炉渣粒度信息，采用扫描电镜采集原渣及破碎后高炉渣SEM图像以研究行星式球磨机工艺参数与高炉渣体分形维数之间的关系及团聚对分形维数的影响。主要工作包括以下几个方面：
　　1.概述了分形理论在矿石破碎中的发展现状，简介了高炉渣的物性和分形理论在粒度表征及破碎工艺参数中的应用；分析了球磨时间、球磨机转速、球料比三个工艺参数对破碎后高炉渣粒度及分布的影响球；采用GBL-101BI型激光粒度仪测量了原渣及53组工艺参数下的高炉渣样本，获得粒度报告211个；采用扫描电镜拍摄了1组原渣样本及5组工艺参数下的高炉渣样本，并借助ImageJ图形分析软件对单颗粒图像进行二值化处理，获得单颗粒图像372个。
　　2.基于MATLAB软件平台编制高斯-牛顿法程序，用于拟合颗粒材料Rosin-Rammler粒度分布函数，并以菱镁矿等3种材料的粒度测量结果及文献中3种材料的实验数据为例，与文献常用拟合方法进行了对比分析，结果表明，高斯-牛顿法拟合结果优于其它三种方法。
　　3.通过正交实验分析，选择6组高炉渣为研究对象，采用课题组分形维数测定模型，应用粒度分布函数法及高斯-牛顿法拟合结果计算了高炉渣的体分形维数；应用功率谱法，通过选择合适的截止频率计算了高炉渣的面分形维数；应用码尺法，通过选择适当步长计算了高炉渣的线分形维数，进一步实验验证了课题组提出的体、面和线分形维数关系的合理性。
　　4.基于三因素三水平正交分析结果，应用回归正交组合设计建立了球磨工艺参数与体分形维数之间的二次回归方程，并将其用于体分形维数的预测，预测最大相对误差为2.76％。
　　5.基于6组高炉渣分形维数测量结果，简要分析了团聚对二次破碎后高炉渣体、面和线分形维数的影响，并与高炉渣SEM图像定性分析结果进行了对比；通过将放大倍数由2.0k增至10.0k，拍摄团聚现象较为严重的单颗粒SEM图像，进一步分析了团聚对单颗粒图像面和线分形维数测量结果的影响；结果表明，体分形维数为2.40、面分形维数为2.30左右时高炉渣团聚较严重。
　　6.建立了以球磨工艺参数为输入，180个体分形维数及对应的工艺参数为训练数据，以体分形维数为输出的BP神经网络模型，用于给定31组工艺参数对应的31个体分形维数的预测，并与同样工艺条件下体分形维数测量结果进行了对比，两者相对误差均小于2%。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1课题研究背景及意义

1.2分形理论在矿石破碎中的应用

1.3粉体的表征及其评价

1.4实验设计及数据分析概述

1.5课题来源及主要研究内容

第2章 高炉渣球磨破碎实验及测量

2.1高炉渣及破碎实验设备

2.2高炉渣破碎实验

2.3高炉渣粒度测量

2.4高炉渣图像信息提取及处理

2.5本章小结

第3章 分形维数关系的实验验证

3.1高炉渣体、面、线分形维数测量[49]

3.2高炉渣体、面、线分形维数测量结果

3.3分形维数关系的实验验证

3.4 本章小结

第4章 球磨工艺参数与高炉渣分形维数关系

4.1球磨工艺正交实验分析

4.2球磨工艺参数与分形维数二次回归正交组合设计

4.3高炉渣粒度特征参数与分形维数之间的关系

4.4团聚与分形维数

4.5本章小结

第5章 神经网络在分形维数预测中的应用

5.1 BP神经网络模型

5.2 预测体分形维数的BP神经网络设计

5.3体分形维数预测时神经网络参数选择

5.4 神经网络预测体分形维数

5.5本章小结

结论

展望

参考文献

攻读硕士学位期间发表的论文和获得的科研成果

致谢