-
题名硫化矿捕收剂分子设计及性能评估研究进展
- 1
-
-
作者
张晚佳
冯知韬
徐世红
高志勇
-
机构
中南大学矿物加工与生物工程学院
中南大学战略性含钙矿产资源清洁高效利用湖南省重点实验室
中南大学关键金属矿产资源高效清洁利用湖南省国际联合研究中心
美国加州大学戴维斯分校化学系
-
出处
《有色金属(选矿部分)》
2025年第2期68-86,共19页
-
基金
云南省重大科技专项(202302AB080010)
国家资助博士后研究人员计划项目(GZB20240863)
抚州市“揭榜挂帅”项目(2024JCA02)。
-
文摘
浮选作为矿物分离领域的关键技术,已有一个多世纪的历史,通过使用捕收剂等浮选药剂,帮助人类实现了矿产资源的综合利用。硫化矿物是矿产资源的主要类别之一,典型硫化矿物(如黄铜矿、方铅矿、闪锌矿等)高效捕收剂开发对保障我国金属资源的安全供应具有重要意义。典型硫化矿捕收剂按键合模式可分为单位点、双位点和多位点键合型,其中双位点键合型捕收剂最为常见。本文将已经报道的80余种硫化矿捕收剂按键合模式进行划分,并对其浮选性能进行了总结对比,发现上述捕收剂的性能各有优劣,开发兼顾强捕收能力和高选择性的硫化矿捕收剂仍然是研究难点,浮选性能评估是开发新型捕收剂的关键环节,此外,其环保性与经济性也十分重要。浮选百年历程中,捕收剂开发先后经历了“经验驱动”、“理论驱动”和“数据驱动”阶段,不断推动捕收剂性能评估从定性判断到定量预测发展。在数智化大趋势下,亟需将机器学习为代表的人工智能技术融入浮选药剂开发全流程中,基于能量-空间双匹配原则进行捕收剂分子设计,基于理论-数据共驱动模式进行捕收剂性能评估,以加快浮选药剂的智能研发。
-
关键词
浮选
捕收剂
硫化矿物
分子设计
性能评估
机器学习
-
Keywords
flotation
collector
sulfide minerals
molecular design
performance evaluation
machine learning
-
分类号
TD952
[矿业工程—选矿]
TD923
[矿业工程—选矿]
-
