利用BP神经网络优化低活性矿渣基胶凝材料配方

袁国斌, 杨志强,, 高 谦, 把多恒

(1.北京科技大学 金属矿山高效开采与安全教育部重点实验室,北京 100083; 2.金川集团股份有限公司,甘肃 金昌 737100)



利用BP神经网络优化低活性矿渣基胶凝材料配方

袁国斌1, 杨志强1,2, 高 谦1, 把多恒2

(1.北京科技大学 金属矿山高效开采与安全教育部重点实验室,北京 100083; 2.金川集团股份有限公司,甘肃 金昌 737100)

针对金川镍矿充填法采矿,文章利用酒钢低活性水淬渣对早强新型充填胶凝材料进行了研究,并对酒钢水淬渣进行物化特性分析,选择生石灰、脱硫灰渣、粉煤灰和芒硝作为复合激发剂进行胶凝材料配方正交试验。在此基础上,建立BP(back propagation)神经网络模型对试验样本进行学习和训练,获得激发剂配方与胶凝材料特性之间的隐含知识。并借助隐含知识进行不同激发剂配方胶凝材料特性预测,揭示胶凝材料特性随激发剂掺量的变化规律,由此确定了新型充填胶凝材料最优配方生石灰、脱硫灰渣、粉煤灰、芒硝、亚硫酸钠、酒钢渣粉的掺量分别为3%、5%、5%、1%、2%、84%。对该最优配方进行验证试验,获得3 d和7 d的强度分别达到1.735 MPa和2.876 MPa,完全满足金川矿山下向胶结充填法采矿对胶凝材料的强度要求。

矿渣微粉;低活性;胶凝材料;BP神经网络;配比优化

0 引 言

将固体废弃物和工业废料作为充填料充填空区的充填法采矿,能实现贫矿及难采资源的安全、环保开发和固体废弃物资源化综合利用,是矿山企业可持续发展的必由之路[1-4]。近年来,利用粉煤灰、水淬渣等工业废料研发充填胶凝材料,已经成功在矿山获得工业化应用[5-7]。金川镍矿是我国乃至世界上不多见的大型硫化铜镍矿床,矿床所固有的埋藏深、矿岩破碎和矿区地应力高等特点,是国内外难采矿床之一[8-9]。通过大量的采矿技术攻关和工程实践,选择了采矿成本最高和生产能力最低的下向分层进路充填采矿法,自建矿以来,金川镍矿一直致力于提高充填生产能力和降低采矿成本的采矿技术研究[10]。结合金川矿区所在位置,开展了利用酒泉钢铁集团低活性水淬渣,开发出满足金川矿山所要求的早强型充填胶凝材料。

针对酒钢低活性酸性渣,开展低活性酸性渣激发剂配方的正交试验,利用BP(back propagation)人工神经网络所具有自学习、自组织和强大

的容错性能,对试验样本进行学习[11-13],建立激发剂配方与胶凝材料性能的隐含知识模型,并进行不同配比条件下的胶结充填体强度预测,获得胶凝材料力学特性与激发剂配比的变化关系,从而为低活性酸性渣激发剂配比优化决策奠定了基础[13-16]。

1 试验材料物化特性

1.1 酒钢水淬渣

酒钢水淬渣是金川矿山附近酒泉钢铁集团冶炼钢铁所产生的高炉矿渣,水淬渣的主要化学成分见表1所列。根据渣粉的化学成分,计算得其碱性系数为0.935、质量系数为1.41、活性系数为1.01。由此可见,酒钢水淬渣属于活性低的酸性矿渣粉[17]。

实验渣粉是对水淬渣经过粉磨1.5 h的细渣粉,粒径分布为:d10=3.65 μm,d50=7.26 μm,d90=29.99 μm,d平均=12.26 μm,比表面积为577.2 m2/kg,是超细矿渣粉。渣粉的粒度越小(比表面积越大),其活性越高,对于胶凝材料早期强度提高越大。

表1 各种渣料的化学成分 %

1.2 冲积河砂集料

金川是以冲积河砂作为充填骨料,对冲积河砂进行现场取样,烘干。测得冲积河砂的比重为2.66 t/m3,容重为1.59 t/m3,孔隙率为40.11%。冲积河砂的主要化学成分见表1所列,冲积河砂粒径分布见表2所列。

表2 冲积河砂粒径分布

1.3 激发剂材料

激发剂材料的选取首先利用金川集团生产过程中产生的废弃物,从而有效降低充填胶凝材料成本,提高金川集团废弃物资源的综合利用。

(1) 石灰是金川集团铁厂生产的高钙石灰,相对密度为2.26 g/cm3,平均粒径为20.82 μm,比表面积为280 m2/kg。该石灰的CaO质量分数为85.86%,MgO质量分数为11.92%,两者合计达到96.78%,高钙石灰为优等品。

(2) 粉煤灰是火山灰活性材料,具有潜在活性,对充填体的后期强度能发挥一定的作用。粉煤灰呈大多球状颗粒,有利于提高料泵的流动性。试验用的粉煤灰是金川热电厂在发电过程中排放的废弃物,相对密度为2.2 g/cm3,容重为0.6～0.8 g/cm3,孔隙率为59.72%,主要化学成分见表1所列。

(3) 脱硫灰渣对矿渣的潜在活性具有激发作用,加入适量的脱硫灰渣有助于提高矿渣的早期活性[18-19]，是金川热电发电厂干法脱硫的副产品,其主要化学成分见表1所列。

2 低活性水淬渣激发剂配方正交试验

2.1 试验方法

将胶结材料(以生石灰、脱硫灰渣、粉煤灰和芒硝等为复合激发剂,主要材料为酒钢渣粉)、水、骨料按设计的质量比混合,使用JJ-5型行星式水泥胶砂搅拌机设置60 s慢速+30 s快速连续搅拌2次。制成砂浆后将其均匀倒入70.7 mm×70.7 mm×70.7 mm标准三联试模中,在振实台上将试块振捣密实成型。将三联试模编号后放入YH-40B型标准恒温恒湿养护箱中以养护温度为(20±1) ℃、湿度不低于90%的条件下进行养护。经养护48 h后进行脱模,将脱模后的试块继续放置在养护箱内以同等养护条件下养护直到养护龄期(3、7 d)。

采用SANS数显固定位移压机以0.5 mm/s匀速对试块施加荷载,测定试块单轴抗压强度。每龄期测试3块,取其平均值,作为该龄期充填体的单轴抗压强度值。

2.2 试验结果与分析

以冲积河砂为骨料,采用料浆质量分数为80%,胶砂比(胶凝材料与冲积河砂的质量比)为1∶4。选取生石灰、脱硫灰渣、粉煤灰和芒硝的质量分数为试验因素,各因素设置3个水平,酒钢渣粉的质量分数由以上4个因素决定,亚硫酸钠具有早强效果,提高早期强度添加2%。试验为四因素三水平的正交试验,试验方案及3、7 d强度见表3所列。

表3 酒钢渣粉配比正交试验方案及结果

由表3可知，利用酒钢渣粉开发的胶凝材料胶结充填体强度,一般只能达到相同浓度水泥胶结充填体强度的70%左右,3 d最高强度为1.32 MPa、7 d仅为2.20 MPa,不能满足金川下向分层水平进路胶结充填采矿法对于胶结充填体早期强度的要求(3 d强度>1.5 MPa,7 d强度>2.5 MPa),需要进一步开展胶凝材料配比优化研究。

3 BP神经网络模型的建立与预测

3.1 BP神经网络模型建立

利用上述正交试验数据作为学习样本,建立BP神经网络模型,对试验样本进行训练,由此获得胶凝材料配方与其强度的隐含知识,从而进行不同配方的激发剂胶凝材料特性预测。

由Kolmogorov定理可知,3层前向网络可以任意精度逼近任意连续函数,所以选取模型总层数为3层。以生石灰、脱硫灰渣、粉煤灰、芒硝和酒钢渣粉为输入因子,分别研究3、7 d的强度,以强度为输出因子建立BP神经网络模型。隐含层神经元数进行选择时采用的公式如下:

(1)

(2)

l3=lbn

(3)

其中,n为输入层节点数;l为隐含层节点数;m为输出层节点数;a为0～10 之间的常数[15,22]。

根据(1)～(3)式可得隐含层合理节点数为2～12。选用了区间(2,12)内的各个神经元数目,分别建立模型,比较网络收敛速度和预测误差,当节点数为8时网络性能最优。3 d样本和7 d样本的训练曲线和训练结果如图1所示。图1表明,隐含层节点数为8时,预测网络模型训练步数合理,预测结果与实际强度匹配精度高,误差相对较小,所建立的预测网络模型可以很好地进行试验预测。

图1 BP神经网络测试样本的训练误差曲线

为了使网络训练一开始就给各输入分量以同等重要地位,加快网络学习和计算收敛效率,将输入层数据归一化至[0,1],归一化函数为:

同理对预测结果进行反归一化处理,输出强度预测数值。本文构建的BP神经网络预测模型如图2所示。

图2 BP神经网络预测模型

3.2 正交试验样本训练与精度检验

对建立的BP神经网络模型,采用A1～A7组试验数据作为学习样本对模型进行训练,利用A8、A9组试验数据作为模型精度的检验。BP神经网络样本的检验结果见表4所列。

表4 测试样本及预测结果

从检验结果来看,充填体3、7 d强度相对误差最大为3.570%、最小为0.005%,平均为1.302%。说明预测模型的预测结果精度高,相对误差小,完全满足工程实际5%的容许误差。从而证明了应用BP神经网络预测充填料强度的方法是合理有效的。

4 低活性水淬渣激发剂配比分析

利用建立的低活性酒钢水淬渣激发剂配方的BP神经网络模型,进行不同配比的胶凝材料特性的预测和分析,由此揭示胶凝材料与激发剂配比的变化规律。在此基础上,进行激发剂配比的优化决策。

4.1 激发剂掺量对胶凝材料强度的影响分析

本试验共有4个变量,考虑到数据分析单一变量分析可观性,选取其中2个变量同时变化分析的方法。首先固定芒硝和粉煤灰掺量,通过对初始试验数据进行DPS回归分析,生石灰以及脱硫灰渣的增加均会对充填体3 d强度起到降低作用。芒硝掺量固定为3%,粉煤灰掺量固定为18%,生石灰和脱硫灰渣掺量的预测范围选取在DPS最优值偏低方向进行预测,结果见表5所列。由表5可知,在粉煤灰和芒硝掺量固定时,胶结充填体3 d强度随着脱硫灰掺量的减少而提高；在其掺量为4%～6%时达到最大值后逐渐降低;生石灰掺量无论脱硫灰渣如何变化,最优值基本都在3%水平,高于或者低于3%的生石灰掺量,胶结充填体3 d强度都会降低。

表5 生石灰和脱硫灰渣不同掺量条件下充填体3 d强度预测结果 MPa

通过对生石灰和脱硫灰渣掺量变化对胶结充填体3 d强度影响规律的分析,基本确定生石灰的最佳掺量为3%,脱硫灰渣的最佳掺量为4%～6%,考虑下一步对粉煤灰和芒硝掺量变化的预测分析时其他变量的固定性,故选脱硫灰渣最佳掺量的中间值5%。通过对初始实验数据分析,粉煤灰掺量的增加会降低充填体3 d强度,粉煤灰18%掺量过高,对其分析采用与脱硫灰渣相同的选取原则,从18%掺量逐渐降低研究,芒硝由于其价格较高和具有较好的早强效果,故对其在0.5%～4%范围内进行预测,结果见表6所列。由表6可知,在生石灰掺量为3%、脱硫灰掺量为5%时,胶结充填体3 d强度随着芒硝掺量的增加呈现先提高后降低趋势,最高强度出现在芒硝掺量1%处,浮动范围为1%～2%,而粉煤灰掺量的增加也对胶结充填体3 d强度起到先增加后降低作用,最优水平为8%,浮动范围为4%～10%。胶结充填体3 d强度较第1步预测结果普遍提高,最高值达到了1.695 MPa,此时芒硝和粉煤灰掺量分别为1%和8%。

表6 粉煤灰和芒硝不同掺量条件下充填体3 d强度预测结果 MPa

4.2 激发剂最优配比决策

对激发剂影响规律综合分析,经过3 d强度BP神经网络综合预测分析,得到一个3 d强度最高的最优配比见表7所列。通过实验可得,在最优配比下激发剂3 d强度为1.695 MPa>1.5 MPa,满足3 d强度的要求。由3 d强度BP神经网络的预测配比再回代到7 d强度数值神经网络模型中,得到其7 d强度为2.834 MPa>2.5 MPa,也满足7 d强度的要求。

表7 最优预测配比

胶凝材料的强度主要是具有活性的SiO2、Al2O3发生水化反应生成C—S—H(水化硅酸钙)及C—A—H(水化铝酸钙)凝胶物质。SiO2、Al2O3主要来自矿渣微粉,但是活性较低,需要激发活性才能发生水化反应。生石灰和脱硫灰渣的主要成分CaO反应生成Ca(OH)2,而Ca(OH)2能与SiO2、Al2O3发生水化反应生成C—S—H及C—A—H。化学反应方程式如下:

SiO2+Ca(OH)2+H2O →CaO·SiO2·xH2O，

Al2O3+Ca(OH)2+H2O →CaO·Al2O3·xH2O，

Al2O3+Ca(OH)2+2SiO2+3 H2O →

CaO·Al2O3·2SiO2+4H2O。

Na2SO3发生水解生成NaOH,提高OH-浓度,在OH-作用下破坏Si—O和Al—O,使具有活性的SiO2、Al2O3增加,促进水化反应生成C—S—H及C—A—H。Na2SO4的作用是在Ca2+和SO42-作用下与AlO2-反应生成AFt(水化硫铝酸钙),还能与Ca(OH)2生成NaOH,增加体系中OH-的浓度,OH-浓度越高,矿渣释放出活性SiO2、Al2O3越多。粉煤灰中的主要成分SiO2、Al2O3也参与水化反应生成C—S—H和C—A—H,加入粉煤灰可以提高料浆流动性,能对后期强度有所提高。

4.3 胶凝材料最优配方试验验证

按照最优配比进行充填胶凝材料室内验证试验,采用与之前相同的试验方法。助磨剂有明显提高早期强度作用[23],为更好地提高充填体早期强度,会在充填材料中加入一定量的助磨剂。验证试验时外加0.15%(质量分数)的助磨剂，试验结果见表8所列。在该配比下3 d强度为1.735 MPa,与预测结果的3 d强度相对误差为2.3%；7 d强度为2.876 MPa,相对误差为1.4%,结果表明建立的预测模型是可靠的。

表8 最优预测配比

金川矿山32.5增强水泥价格为345元/t,而利用酒钢水淬渣开发的充填胶凝材料仅为214元/t,因此,胶凝材料成本降低40%左右。由此可见,本研究开发的充填胶凝材料在金川矿山推广应用,由此可以有效降低充填成本,从而获得显著的经济效益。

5 结 论

建立BP神经网络模型进行胶凝材料配比优化是一种新的方法。验证实验结果证明建立的预测模型的预测结果可靠,也表明运用BP神经网络对胶凝材料的强度预测和配比优化是可靠和有效的,可以应用BP神经网络预测为开发新型胶凝材料试验设计提供参考和科学指导。

以正交试验为基础,获取BP神经网络学习样本,这样既减少了试验次数又能保证学习样本的代表性。运用BP神经网络可以跳出正交试验的水平限制,能在大范围内对新型胶凝材料的强度进行BP神经网络模拟以及预测,分析出各种激发剂对于胶结充填体强度的影响规律,并获得最优配比。为胶凝材料配比优化和强度预测提供一种有效实用的手段。

新型充填胶凝材料与金川水泥厂生产的矿山32.5增强水泥相比,其3 d和7 d的充填强度都较高,并且成本较低,性价比十分优越,是一种非常好的水泥充填胶凝材料替代品,能够为金川镍矿降低充填成本和改善矿区环境提供有利的技术支持,获得显著的经济效益。

[1] 钱鸣高,缪协兴,许家林.资源与环境协调(绿色)开采[J].煤炭学报,2007,32(1):1-7.

[2] 李夕兵,刘志祥,古德生.矿业固体尾废与采空区互为资源战略的思考[J].矿冶工程,2005,25(6):1-5.

[3] 古德生.地下金属矿采矿科学技术的发展趋势[J].黄金,2004,25(1):18-22.

[4] 陈泉源,柳欢欢.钢铁工业固体废弃物资源化途径[J].矿冶工程,2007,27(3):49-56.

[5] 杨志强,高谦,王永前,等.利用金川水淬镍渣尾砂开发新型充填胶凝剂试验研究[J].岩土工程学报,2014,36(8):1498-1506.

[6] 伏程红,倪文,张旭芳,等.矿渣-粉煤灰基高性能混凝土专用胶凝材料[J].北京科技大学学报,2011,33(5):606-613.

[7] 陈友治,李国刚,毕春梅,等.利用矿渣、脱硫渣及炉渣制备胶凝材料试验研究[J].武汉理工大学学报,2010,32(14):6-10.

[8] 岳斌,王永才.金川二矿区深部工程地质研究与岩体质量评价[J].岩石力学与工程学报,2003,22(增刊2):2615-2619.

[9] 董培鑫,杨志强,马海志,等.金川铜镍硫化矿床Ⅲ矿区工程地质研究[J].西北师范大学学报(自然科学版),2014,50(6):99-103.

[10] 杨志强,高谦,王永前,等.金川高应力矿床充填采矿技术研究进展与亟待解决的技术难题[J].中国工程科学,2015,17(1):42-50.

[11] 周开利,康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京: 清华大学出版社,2005.

[12] 崔明义,孙恒虎.基于MATLAB的胶结充填材料BP神经网络质量模型[J].有色金属,2003,55(1):121-123.

[13] 魏微,高谦.改进的BP神经网络模型预测充填体强度[J].哈尔滨工业大学学报,2013,45(6):90-95.

[14] 徐国强,苏幼坡,韩佃利,等.基于BP神经网络的绿色混凝土抗压强度预测模型[J].混凝土,2013(2):33-35.

[15] 张钦礼,李谢平,杨伟.基于BP网络的某矿山充填料浆配比优化[J].中南大学学报(自然科学版),2013,44(7):2867-2874.

[16] 常庆粮,周华强,秦剑云,等.膏体充填材料配比的神经网络预测研究[J].采矿与安全工程学报,2009,26(1):74-77.

[17] 姚嘉斌.酒钢钢渣特性及综合利用技术[J].甘肃冶金,2011,33(4):24-27.

[18] 梁宝瑞,宋存义,汪莉,等.利用烧结脱硫灰-高炉矿渣-水泥熟料制备胶凝材料[J].北京科技大学学报,2013,35(5):659-666.

[19] 杨志强,高谦,董璐,等.基于脱硫灰渣的新型充填胶凝材料关键技术[J].采矿技术,2013,13(3):20-27.

[20] 栾晓风,潘志华,王冬冬.粉煤灰水泥体系中粉煤灰活性的化学激发[J].硅酸盐通报,2010,29(4):757-761.

[21] 冯国瑞,任亚峰,张绪言,等.塔山矿充填开采的粉煤灰活性激发实验研究[J].煤炭学报,2011,36(5):732-737.

[22] 沈花玉,王兆霞,高成耀,等.BP神经网络隐含层单元数的确定[J].天津理工大学学报,2008,24(5):13-15.

[23] 赵计辉,王栋民,王学光,等.助磨剂配方设计及其对水泥性能的影响研究[J].硅酸盐通报,2014,33(4):724-730.

(责任编辑 闫杏丽)

Optimization of the formula of low activity slag cementitious materials using BP neural network

YUAN Guobin1, YANG Zhiqiang1,2, GAO Qian1, BA Duoheng2

(1.Key Laboratory of High Efficient Mining and Safety of Metal Mine of Ministry of Education, University of Science and Technology Beijing, Beijing 100083, China； 2.Jinchuan Group Co., Ltd., Jinchang 737100, China)

Considering the filling mining of Jinchuan nickel mine, the development of early strong cementitious material by using low activity slag of Jiuquan steel was studied. Firstly, the physicochemical characteristic of water quenching slag was analyzed, and the quicklime, desulfurization ash, fly ash and mirabilite were selected as composite activator and the orthogonal test of cementitious materials was finished. On this basis, the back propagation(BP) neural network model was established for the learning and training of the test sample, and the implied knowledge between the activator and cementitious materials properties was gotten. The characteristic of different activator formulations of cementitious materials was predicted by using the implied knowledge, and the change rules of cementitious material properties with the activator content were revealed. The optimal ratio of new filling cementitious material was as followed： the quicklime, desulfurization ash, fly ash, mirabilite, sodium sulfite and slag powder were 3%, 5%, 5%, 1%, 2% and 84%, respectively. The results of verification test showed that the compressive strength of 3 d and 7 d was 1.735 MPa and 2.876 MPa, respectively, which fully meets the strength requirements of downward filling mining with cementitious material in Jinchuan mine.

slag powder; low activity; cementitious material; back propagation(BP) neural network; ratio optimization

2015-07-15；

2015-08-27

国家高技术研究发展计划(863计划)资助项目(SS2012AA062405)

袁国斌(1992-),男,湖南娄底人,北京科技大学硕士生;

高 谦(1956-),男,江苏徐州人,北京科技大学教授,博士生导师.

10.3969/j.issn.1003-5060.2016.09.008

TD853;X773

A

1003-5060(2016)09-1189-07