欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025100892219
申请人: 郑州大学
专利类型:发明专利
专利状态:已下证
专利领域: 测量;测试
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于颗粒形貌特征的矿物碎磨能量判别与解离程度智能识别方法,包括如下步骤:

a.利用落重冲击试验机对磁铁矿石试样进行破碎,破碎后的矿石颗粒通过筛分实现粒度分级;

b.用矿物解离仪,对部分粒径小的粒度分级后的颗粒进行矿物解离度测量,并记录,

c.调整落重冲击试验机的冲击破碎能量,多次进行步骤a-b;

d.根据步骤c的记录,建立不同破碎能量下磁铁矿单体解离度分布图,不同破碎能量下石英单体解离度分布图;

e.结合步骤d中的两个分布图进行分析,对应A部分粒度级别的颗粒矿物解离度高,确定某个破碎能量为适宜破碎能量E;

f.将适宜破碎能量E情况下的各个粒度级别的颗粒通过电镜扫描,获取各个粒度级别中的颗粒断口中的沿晶断裂比例;

g.根据步骤f中获取的沿晶断裂比例,根据沿晶断裂比例与破碎能量之间的函数关系,分别计算各个粒度级别对应的计算破碎能量E1;

h.对比E1与E得出误差范围;确定B部分粒度级别的对应的E1与E误差小,可用B部分粒度级别的破碎后颗粒的沿晶断裂比例计算和推测适宜破碎能量E。

2.根据权利要求1所述的一种基于颗粒形貌特征的矿物碎磨能量判别与解离程度智能识别方法,其特征在于:该方法针对单颗粒磁铁矿石进行,步骤a中的试样为Φ50×25mm,步骤a中的粒度分级为-1.180+0.900mm、-0.900+0.600mm、-0.600+0.300mm、-0.300+0.150mm、-0.150+0.074mm、-0.074+0.03mm8、-0.038+0.019mm;

步骤b中-0.300+0.150mm、-0.150+0.074mm、-0.074+0.03mm 8、-0.038+0.019mm粒度级别的分别进行矿物解离度测量,并记录;

步骤c中多次冲击破碎能量,分别为226.01J、376.69J、527.36J、640.37J、753.38J、866.38J;

步骤e中当破碎能量为753.38J时,-0.074+0.038mm、-03038+0.019mm颗粒级别的磁铁矿石破碎后颗粒的解离度较高,分别为64.71%、83.49%,定为A部分粒度级别,确定的适宜破碎能量E为753.38J;

步骤f中,将破碎能量为753.38J时,-1.180+0.900mm、-0.900+0.600mm、-0.600+0.300mm、-0.300+0.150mm、-0.150+0.074mm、-0.074+0.03mm 8、-0.038+0.019mm颗粒级别的磁铁矿石破碎后颗粒通过电镜扫描,获取各个粒度级别中的颗粒断口中的沿晶断裂比例;

步骤h中,确定-1.180+0.900mm、-0.900+0.600mm、-0.600+0.300mm粒度级别的计算的E1与E误差小,误差分别为3.77%、5.93%、1.52%,确定为B部分粒度级别。

3.根据权利要求1所述的一种基于颗粒形貌特征的矿物碎磨能量判别与解离程度智能识别方法,其特征在于:该方法针对颗粒群磁铁矿石进行,步骤a中的试样为-2.000+1.180mm粒级的磁铁矿石颗粒群,每次实验取150g,步骤a中的粒度分级为-1.180+0.900mm、-0.900+0.600mm、-0.600+0.300mm、-0.300+0.150mm、-0.150+0.074mm、-0.074+0.03mm8、-0.038+0.019mm;

步骤b中-0.300+0.150mm、-0.150+0.074mm、-0.074+0.03mm 8、-0.038+0.019mm粒度级别的分别进行矿物解离度测量,并记录;

步骤c中多次冲击破碎能量,分别为多次冲击能量,分别为332.59J、432.36J、532.14J、631.25J、731.69J;

步骤e中当破碎能量为432.36J时,-0.074+0.038mm、-03038+0.019mm颗粒级别的磁铁矿石破碎后颗粒的解离度较高,分别为69.57%、84.03%,定为A部分粒度级别,确定的适宜破碎能量E为432.36J;

步骤f中,将破碎能量为432.36J时,-1.180+0.900mm、-0.900+0.600mm、-0.600+0.300mm、-0.300+0.150mm、-0.150+0.074mm、-0.074+0.03mm 8、-0.038+0.019mm颗粒级别的磁铁矿石破碎后颗粒通过电镜扫描,获取各个粒度级别中的颗粒断口中的沿晶断裂比例;

步骤h中,确-1.180+0.900mm、-0.900+0.600mm、-0.600+0.300mm、-0.300+0.150mm、-0.150+0.074mm、粒度级别的计算的E1与E误差小,误差均在5%以内,确定为B部分粒度级别。

4.根据权利要求1所述的一种基于颗粒形貌特征的矿物碎磨能量判别与解离程度智能识别方法,其特征在于:所述的步骤g中的各个粒径级别的沿晶断裂比例与破碎能量之间的函数关系,是通过如下步骤得到;

41.采用落重冲击试验机对磁铁矿石试样进行破碎,选取同一破碎能量下的单颗粒磁铁矿石破碎后的颗粒,通过筛分对破碎磁铁矿石颗粒进行分级,通过电镜扫描获取各个不同粒度级别磁铁矿石颗粒的断口图片,统计其中沿晶断裂的比例;

42.调整落重冲击试验机的破碎能量,重复步骤41多次,依次对颗粒磁铁矿石在不同破碎能量下的不同粒度级别磁铁矿石的断口形貌,统计其中沿晶断裂的比例;

43.汇总步骤42中的数据,在坐标系中描点,根据描点拟合曲线,根据该拟合曲线建立磁铁矿石破碎后的不同粒径级别颗粒沿晶断裂比例与破碎能量之间的函数关系。

5.根据权利要求4所述的一种基于颗粒形貌特征的矿物碎磨能量判别与解离程度智能识别方法,其特征在于:所述的步骤41中的采用软件图片识别的方法统计其中沿晶断裂的比例,该软件图片识别方法采用如下过程,

51.通过落重冲击试验机对磁铁矿石进行破碎,将破碎完成后的磁铁矿石颗粒收集均分成N组,每组平摊后进行电镜扫描,扫描后的N张扫描图片导入计算机,N≥1000张;

52.人工对扫描后的每张图片中的各个区域颗粒表面形貌进行标定,不同的颗粒形貌分别标定为沿晶断裂或者穿晶断裂两种断裂类型中的一种,并汇总计算该图片中的沿晶断裂颗粒数量和穿晶断裂颗粒数量,反复操作该步骤,得到N张标定图片,

53.在计算机中建立针对步骤52完成后标定图片进行学习训练的基于SSD算法的全卷积神经网络模型,

54.将步骤52中完成后的大部分标定图片导入到计算机上的基于SSD算法的全卷积神经网络模型中进行深度学习训练,深度学习训练后形成图片识别模型,用剩余部分的标定图片对该图片识别模型进行测试,若测试准确率符合要求,停止进行深度学习训练,保留该训练完成的模型;若测试准确率不符合要求,继续进行深度学习训练和测试,直至测试准确率符合要求,保留该训练完成的图片识别模型;

55.计算机中建立软件与上述步骤54获得的图片识别模型对接,利用该软件,完成步骤41。