碱煮工艺过程的智能集成建模探讨

《碱煮工艺过程的智能集成建模探讨》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、碱煮工艺过程的智能集成建模探讨摘要：通过对碱煮工艺过程的机理分析，建立了WO3浸出率的动态机理模型，并利用最小二乘支持向量机对机理模型的预测偏差进行了补偿，实现了对WO3浸出率的智能集成建模；利用MATLAB对智能集成模型进行了仿真分析，验证了模型的有效性和泛化性，并分析了主要因素对WO3浸出率的影响。碱煮工艺是钨冶炼湿法冶金中的重要工艺，近年来，很多大、中型钨冶炼企业已经实现了钨冶炼工艺的自动化控制[1]，但碱煮工艺过程复杂，具有非线性、时变性、强耦合和不确定等特点，关键生产参数无法检测，传统的建模方法很难建立过程的

2、精确模型，各种优化技术和现代控制技术难以利用，致使先进的自动化控制设备难以实现碱煮工艺的优化控制。碱煮工艺的主要目标是在尽可能短的时间获得尽可能高的WO3浸出率，因此，如何实现对浸出率的检测及对其影响因素的研究成为实现碱煮工艺优化控制的关键。文献[2]利用BP神经网络对WO3浸出率进行了软测量，但没有对影响WO3浸出率的因素进行分析；文献[3-6]对特定条件下碱煮工艺的热力学和动力学进行了研究，为本文的机理建模提供了理论基础。本文利用智能集成建模原理，对碱煮工艺进行机理建模，然后利用最小二乘支持向量机对机理模型与实际值

3、的偏差进行补偿，完成WO3浸出率的智能集成建模，并对影响浸出率的因素进行了仿真分析。1碱煮工艺过程机理建模1.1碱煮工艺过程简介碱煮工艺过程的核心是三氧化钨的浸出过程，该过程一般在高压釜中进行，属于间歇式浸出过程，即将物料一次性加入反应器中，密闭反应器并反应一定时间后将反应物从反应器中移出。在反应过程中，主要是细磨的钨矿浆与氢氧化钠反应生成可溶的钨酸钠，并伴随少量杂质与浸出剂的反应。影响三氧化钨浸出率的主要因素由：钨矿物品位、精矿粒度、碱用量、固液比、温度、压力、杂质等，反应过程具有不连续、非稳态、不确定性等特点[7]

4、。1.2碱煮工艺过程机理建模在碱煮工艺过程中，由于反应釜内搅拌桨的作用，假设反应器内物料达到了分子尺度上的均匀混合，釜内物料浓度处处相等，因此不考虑物质的传递问题；由于釜内物料均匀混合和良好的传热条件，假设反应器内的温度也处处相等，因此也不考虑反应器内的传热问题。通过文献可知，在温度为100℃左右时，固体产物膜也不成为反应进行的障碍。文献[8]通过试验研究了氢氧化钠浓度、矿物粒度、温度、时间对三氧化钨浸出率的影响，结果表明，该反应过程仅由受表面化学反应动力学控制。根据表面化学反应控制动力学原理[9]，反应速率可表示为：

5、（1）式中，N为固体矿粒在时刻t的摩尔数；S为固体颗粒表面积；C为浸出剂的浓度；K为化学反应速度常数；n为反应级数。反应过程中，颗粒的表面积S会发生改变，设矿粒为球形且致密无孔隙，并设其半径为r，密度为ρ，M为矿物的摩尔质量，则：带入式（1）得：（2）反应浸出分数X可表示为：（3）根据阿累尼乌斯公式：（4）式中，A为活化系数，E为矿物活化能，R为气体常数，T为浸出液温度。将（3）、（4）式带入（2）式，可得氢氧化钠分解钨矿的动力学方程为：（5）1.3碱煮工艺过程物料平衡方程随着碱煮过程的进行，浸出液氢氧化钠浓度在不断变

6、化，引起浸出液浓度变化的原因主要是其与含钨矿浆中的部分组分进行反应，并且大多被含钨组分所消耗，氢氧化钠溶液的物料平衡方程可表示为：（6）式中，VL为浸出液总体积；为1mol钨矿浸出时消耗的氢氧化钠摩尔数。1.4碱煮工艺过程能量平衡方程碱煮时，采用蒸汽加热反应釜，并通过搅拌桨搅拌物料，在这个过程中能量从搅拌槽的釜壁向物料中扩散。该过程的热量衡算可用如下方程表示：（7）式中，y为釜体温度；B为高压釜的换热面积；U为高压釜的传热系数；u1为温度控制量；m为整个浸出液的质量；Cp为浸出液平均比热。式（5）~（7）即为碱煮过程的

7、动态机理模型。2基于最小二乘支持向量机的误差补偿建模以上建立的机理模型是在对工艺机理分析的基础上，利用冶金动力学、物料平衡、能量平衡建立的，能够反应系统的主要规律，在描述系统的整体行为上是有效的，但是建立的模型是在很多假设条件下进行的，实际生产过程复杂多变，机理模型与实际值之间还存在偏差，精度不高，可以利用工业过程生产数据、经验知识运用智能建模技术对机理模型预测偏差进行补偿[10]。本文建立的碱煮工艺并联补偿智能集成模型如图1所示。图1智能集成模型结构Fig.1Structureofintelligentintegra

8、tedmodeling2.1最小二乘支持向量机简介支持向量机的基本思想是将输入向量通过非线性映射Ψ映射到一个高维乃至无穷维的特征空间，利用结构风险最小化原则构造最优线性超平面，高维特征空间中的点积运算被原空间的核函数所取代[11]。与支持向量机相比，最小二乘支持向量机不能保证是全局最优解，但具有更快的求解速度，求解所需的计算资源也