Вестник Кольского научного центра РАН № 4, 2019 г.

56 http://www.naukaprint.ru/zhurnaly/vestnik/ DOI: 10.25702/KSC.2307-5228.2019.11.4.56-61 УДК 622.765-52 ИССЛЕДОВАНИЕ ТЕХНОЛОГИЧЕСКОЙ ИЗМЕНЧИВОСТИ МЕДНО-ЦИНКОВЫХ КОЛЧЕДАННЫХ ПИРРОТИНСОДЕРЖАЩИХ РУД НА ПРИМЕРЕ ПРИОРСКОГО МЕСТОРОЖДЕНИЯ С. А. Романенко, Е. К. Ушаков ФГБОУ ВО «Санкт-Петербургский горный университет», г. Санкт-Петербург Аннотация В условиях значительной вариативности перерабатываемого сырья существенное значение имеет необходимость классификации перерабатываемых руд. К сожалению, применение классических регрессионных моделей не обеспечивает необходимого уровня достоверности из-за многофакторности и нелинейности исследуемого флотационного объекта. На примере медно-цинкового колчеданного Приорского месторождения проведен анализ геолого-минералогических особенностей посредством применения элементов нейросетевого моделирования. Согласно разработанной нейросетевой модели, выделено шесть основных кластеров. Показана значимая зависимость технологических показателей от типа перерабатываемой шихты, а также обоснована необходимость разработки высокоавтоматизированной технологии флотации, обеспечивающей более высокое извлечение металлов. Ключевые слова: нейронные сети, извлечение металлов, флотация, моделирование, типизация сырья. THE STUDY OF TECHNOLOGICAL VARIABILITY OF COPPER-ZINC PYRITE PYRRHOTITE-CONTAINING ORES ON THE EXAMPLE OF THE PRIORSKOYE DEPOSIT Sergey A. Romanenko, Egоr K. Ushakov Saint Petersburg Mining University, Saint Petersburg Annotation In the conditions of significant variability of processed raw materials, the need for classification of processed ores is essential. Unfortunately, the use of classical regression models does not provide the necessary level of reliability, due to the multifactorial and nonlinearity of the studied flotation object. On the example of the copper-zinc-pyrite-pirrotite Priorskoye deposit, the analysis of geological and mineralogical features through the use of elements of neural network modeling is carried out. According to the developed neural network model, six main clusters has been finding. A significant dependence of technological indicators on the type of charge being processed is shown, as well as the need to develop a highly automated flotation technology that provides higher recovery of metals. Keywords: neural networks, metal recovery, flotation, modeling, ore classification. В настоящей статье проанализированы геолого-минералогические особенности медно- цинкового колчеданного Приорского месторождения. Применение математических методов анализа при оценке мировой практики селективной флотации медно-цинковых и колчеданно- полиметаллических руд приведено в работах [1, 2]. С учетом сложности, многофакторности и нелинейности зависимостей исследуемой флотации медно-цинковых руд обосновывается целесообразность применения нейронных сетей Кохонена [3–6] для моделирования с целью составления технологической карты типизации перерабатываемой шихты. Согласно разработанной модели, выделено шесть основных кластеров. Показана существенная зависимость технологических показателей от типа перерабатываемой шихты и обоснована необходимость разработки высокоавтоматизированной технологии флотации, обеспечивающей более высокое извлечение металлов. На основе имеющихся данных сформирован часовой статистический массив (включает 302 наблюдения) по работе предприятия при переработке руд Приорского месторождения за период с 10 по 27 августа 2015 г. Статистические оценки исследуемых параметров представлены в табл. 1.