摘要
铬铁矿是制备铬及其化合物的唯一天然矿物。铬和铬的化合物广泛应用于国民生产与生活，除通过铬铁矿碱性焙烧-水浸制取铬盐外，铬铁矿通过酸性浸出，进而制备金属铬或铬盐产品是另一条重要途径。但是，在铬铁矿酸性浸出铬酸盐及电解制备金属铬的过程中仍然存在一些问题。随着大数据与算法的发展以及计算能力的提升，机器学习及数学模拟广泛应用于科学研究，并有效应用于矿物勘探前景预测、矿物加工及金属材料制备等方面。 本文将机器学习应用于矿物湿法浸出过程，基于软锰矿浸出过程的动力学数据，研究了机器学习模型在矿物浸出中的适用性，并通过迁移学习研究并验证了机器学习模型在电场强化铬铁矿酸性浸出及微波强化铬铁矿酸性浸出过程分析的可行性；建立了点、线电极分形研究装置，研究了铬铁矿酸性浸出溶液电沉积制备金属铬过程中阴极分形生长行为。具体如下： （1）采用机器学习模型预测电场强化软锰矿与铬铁矿的浸出率，比较模型预测效果与适用性并分析浸出条件对浸出率的影响。结果表明：机器学习模型对矿物浸出预测的研究中，线性模型效果较差，表明矿物浸出是复杂的非线性过程。在数据量较多的电场强化软锰矿浸出预测中，支持向量机模型（R2=0.92，MSE=25.04）效果最优，对数据量较少的铬铁矿可通过参数迁移获得良好的预测表现。最优预测模型分析发现浸出条件间存在着辅助影响浸出率的关系，如在达到同等浸出率下，电场环境的引入，明显降低了反应需求温度，有效减少了反应试剂用量。 （2）结合实验获得的微波强化铬铁矿酸性浸出数据，通过迁移学习模型对浸出条件进行分析。结果表明：微波强化铬铁矿浸出过程中，在无额外氧化剂等添加剂的条件下，硫酸浓度50wt.%，液固比4/1mL/g，微波功率600W，浸出温度130℃和浸出时间为160min时，可以获得最大浸出率为88.7%，相比无微波环境下的常规酸浸的浸出率提高了53%。SEM结果表明，在微波环境下铬铁矿浸出渣切面较为光滑。采用参数迁移对微波强化铬铁矿浸出率进行预测，每层128个神经元组成的4层隐藏层的神经网络模型，预训练后获得最优预测效果（R2=0.73）。 （3）搭建铬电沉积的点电极与线电极分形生长装置，探索电沉积条件与分形生长形貌的关系，量化比较分形维数的变化情况。铬的分形生长结果表明，在点电极下，六价铬与硫酸对分形维数的影响一致，先增大后减小，最终分形维数稳定在1.71，枝晶形貌由发散转变为紧密。随着电沉积时间的延长，分形维数增大，大量细小枝晶转变为粗壮枝晶。随着电压的增加，分形维数不断减小，枝晶由发散状转变为紧密状。在线电极下，六价铬浓度为250g/L，恒流泵转速为55rad/min，催化剂硫酸浓度为7.14g/L时的分形维数最高为1.796，枝晶分布密集长度接近。随着电压的增加，分形维数稳定，但枝晶高矮差加剧。 （4）建立点电极与线电极的扩散限制凝聚模型，探究粒子数量与粒子结合率与分形维数的关系。结果表明，点线电极的分形维数与粒子数、结合率均成正相关，并且枝晶的沉积整体的枝晶高度越高，枝晶由开放型转变为致密型。在高结合率下，“屏蔽效应”影响较大，粒子的沉积的自由性遭到限制，导致枝晶整体由松散态变得更加紧密。
NETL