作为磨矿过程的主要生产质量指标, 磨矿粒度是实现磨矿过程闭环优化控制的关键.将磨矿粒度控制在一定范围内能够提高选别作业的精矿品位和有用矿物的回收率, 并减少有用矿物的金属流失.由于经济和技术上的限制, 磨矿粒度的实时测量难以实现.因此, 磨矿粒度的在线估计显得尤为重要.然而, 目前我国所处理的铁矿石大多数为性质不稳定的赤铁矿, 其矿浆颗粒存在磁团聚现象, 所采集的数据存在大量异常值, 使得利用数据建立的磨矿粒度模型存在较大误差.同时, 传统前馈神经网络在磨矿粒度数据建模过程中存在收敛速度慢、易于陷入局部最小值等缺点, 且单一模型泛化性能较差, 现有的集成学习在异常值干扰下性能严重下降.因此, 本文在改进的随机向量函数链接网络(random vector functional link networks, RVFLN)的基础上, 将Bagging算法与自适应加权数据融合技术相结合, 提出一种基于鲁棒随机向量函数链接网络的集成建模方法, 用于磨矿粒度集成建模.所提方法首先通过基准回归问题进行了实验研究, 然后采用磨矿工业实际数据进行验证, 表明其有效性

为解决矿山高水充填材料成本较高、粉煤灰等工业废料大量剩余造成资源浪费、环境污染等问题,借助微机控制电子万能试验机(ETM)力学试验系统、扫描电镜扫描装置和X射线衍射分析仪,研究粉煤灰掺量对高水材料物理力学性能的影响规律,并通过物相和微观结构分析探讨其影响机理.结果表明:随着粉煤灰掺量的增加,高水材料的凝结时间逐渐延长,含水率逐渐降低,容重基本不变;掺杂粉煤灰前后高水材料均是一种弹塑性材料,其变形破坏过程可以分为孔隙压密阶段、弹性阶段、屈服阶段和破坏阶段;高水材料的峰值强度、弹性模量和变形模量均随粉煤灰掺量的增加略有降低,残余强度却有所提高;综合考虑高水材料的强度、模量和成本,粉煤灰掺量a为15%是最优掺量,此时峰值强度、弹性模量和变形模量仅分别降低了25%、8.6%和10%,残余强度却提高了50%.物相和微观形貌分析结果表明:粉煤灰的掺量影响了β-C2S的水化进程,导致钙矾石生成量减少,其他水化产物生成量增多,进而破坏了钙矾石结构的整体性和均匀性,最终降低了高水材料的抗压强度