⟁

旋流器模拟器

使用文档 & 现场校准指南

← 返回模拟器
← 返回模拟器

1. 快速入门

界面概览

模拟器界面由四个区域组成：

基本操作

  1. 选择模型：Plitt (1976) 或 Nageswararao (1978)
  2. 选择预设工况或手动设置几何参数
  3. 调整操作条件（给矿流量 Q、固体体积浓度 Cv、给矿压力 P）
  4. 所有输出通过服务端实时计算，自动更新
提示：建议使用预设工况（Case A/B/C）作为起点，再通过滑块微调。Nageswararao 模型中压力 P 与流量 Q 耦合 —— 调整 P 会自动反算 Q。

输入参数说明

参数 符号 单位 说明
筒体直径 Dc mm 旋流器圆柱段直径
入口直径 Di mm 等效圆形入口直径
溢流管直径 Do mm 涡旋发现器（溢流管）直径
沉砂口直径 Du mm 底流排放口直径
柱段长度 Lc mm 圆柱段长度
锥角 θ ° 锥段半角
给矿流量 Q m³/h 给矿矿浆体积流量
固体浓度 Cv vol% 给矿体积固体浓度
固体密度 ρs kg/m³ 矿石/渣固体密度
流体密度 ρf kg/m³ 载液密度（水 ≈ 1000）
给矿压力 P kPa 旋流器入口表压

2. 模型机理简介

2.1 Plitt (1976) / Flintoff (1987) 模型

Plitt 模型是选矿工业中应用最广泛的旋流器半经验模型。基于几何参数和操作条件预测三个关键输出：

校正分级粒度 d50c：
d50c = F₁ · 14.8 · Dc0.46 · Di0.6 · Do1.21 · exp(0.063·Cv) / (Du0.71 · h0.38 · Q0.45 · (ρs−ρf)0.5)

分离锐度 m：
m = F₂ · 1.94 · exp(−1.58·Rv) · (Dc²·h / Q)0.15

压降 ΔP：
ΔP = F₃ · 1.88 · Q1.78 · exp(0.0055·Cv) / (Dc0.37 · Di0.94 · h0.28 · Du2·(Du/Do)0.87)

底流水分率 Rf（水分配比）：
S = F₄ · 1.9 · (Du/Do)3.31 · h0.54 · (Du²+Do²)0.36 · exp(0.0054·Cv) / (H0.24 · Q0.24)
Rf = S / (1 + S)

其中 F₁–F₄ 为校准因子，h = 自由涡高度，H = 旋流器总高度。模型内部计算采用 CGS 单位制。

2.2 Nageswararao (1978/2004) 模型

Nageswararao 模型采用无量纲几何比，并将入口压力与体积流量耦合，适用于压力调节型工业分级回路。

流量：
Q* = KQ0 · (Di/Dc)0.45 · (Do/Dc)0.68 · (Lc/Dc)0.20 · (θ)−0.10
Q = Q* · Dc² · √(P / ρp)

分级粒度：
d50c* = Kd0 · (Di/Dc)−0.5 · (Do/Dc)0.68 · (Du/Dc)−0.40 · (Lc/Dc)0.20 · (θ)0.15
d50c = d50c* · Dc · √(ρp·P / (ρs−ρf))

底流水分率 Rf：
Rf* = Kw0 · (Du/Dc)1.19 · (Do/Dc)−0.80 · (Cv)0.27 · (θ)−0.10

2.3 分配曲线

两种模型均基于 Lynch–Rao 效率模型生成校正分配曲线：

Ec(d) = 1 − exp(−0.693 · (d/d50c)m)

Ea(d) = Rf + (1 − Rf) · Ec(d)   （含底流短路水的实际分配曲线）

2.4 Arterburn 交叉验证

使用 Arterburn (1976) 经验关联式独立估算 d50c，用于验证模型预测的合理性。比值接近 1.0 表明模型与经验估算一致。

3. 现场校准步骤

校准通过调整 F₁–F₄ 因子，使模型输出匹配现场实测数据。由于实际旋流器受磨损、给矿波动、安装差异等影响，校准是工业应用的必要步骤。

注意：必须在稳态工况下采集现场样品。过渡态数据会导致校准因子不可靠。

操作流程

1

采集现场数据

在单台旋流器稳态运行条件下记录以下数据：

  • 给矿压力表读数 ΔP（kPa）
  • 溢流固体浓度 — 湿筛或 Marcy 称量（wt%）
  • 底流固体浓度（wt%）
  • 溢流 P80 粒度 — 筛分分析或激光粒度仪（μm）
  • 估计的锐度因子 m（未知时默认取 2.5）
2

输入几何参数与操作条件

将旋流器几何尺寸设置为现场实际安装尺寸。操作条件（Q、Cv、ρs、ρf）需与现场回路匹配。

3

输入现场实测数据

在「现场校准目标」区域（校准因子滑块下方）输入上述 5 项实测值。

4

点击「Auto-Calibrate」

系统自动执行以下计算：

  1. 根据现场数据计算目标 d50c、m、ΔP、Rf
  2. 以 F₁=F₂=F₃=F₄=1.0（未校准）运行选定模型
  3. 计算比值：Fi = 目标值i / 原始预测值i
  4. 自动更新四个校准因子滑块
5

验证与微调

检查 KPI 数值是否与现场数据吻合。验证 Arterburn 交叉检验比值是否接近 1.0。如有需要，可手动微调单个 F 因子。

校准因子释义

因子 控制输出 典型范围 含义
F₁ d50c 0.5 – 2.0 分级粒度校正 — F₁>1 表示实际分级粒度比模型预测更粗
F₂ m 0.5 – 2.0 分离锐度校正 — F₂>1 表示分离更锐利
F₃ ΔP 0.5 – 3.0 压降校正 — 受入口几何形状和磨损影响
F₄ Rf 0.3 – 3.0 水分配校正 — 对沉砂口磨损和绳状排料敏感
提示：校准因子大幅偏离典型范围（如 F > 3 或 F < 0.3）通常表明几何参数输入错误或现场数据不具代表性，而非合理的校准修正。

4. 生产问题应用示例

以下是本仿真器可直接解决的典型工业场景。每个示例均可通过调整模拟器参数实时推演，量化决策依据。

4.1 溢流跑粗：分级粒度突然变粗

现象：磨矿回路溢流 P80 从 75μm 升至 110μm，下游浮选回收率下降。

仿真诊断：在模拟器中逐项排查 —— 固定几何参数，分别调整给矿压力 P↓、固体浓度 Cv↑、给矿流量 Q↑，观察 d50c 响应。若 d50c 对 Cv 高度敏感，则问题根因是给矿浓度波动；若 d50c 对 P 敏感，则检查泵压或管路堵塞。

4.2 沉砂口磨损评估

现象：底流呈"伞状"排放（含水量过高），怀疑沉砂口磨损。

仿真诊断：使用现场实测数据执行「Auto-Calibrate」获取 F₄。若 F₄ 远大于 1.0（如 F₄ > 2.0），表明底流水分率显著高于理论值，确认沉砂口已磨损扩大。可通过增大 Du 参数模拟磨损后的等效直径，观察 Rf 和分配曲线变化。

4.3 新旋流器选型与验证

场景：磨矿回路扩容，需从 250mm 升级至 350mm 旋流器，要求溢流 P80 ≤ 75μm。

仿真方法：输入新旋流器几何参数（Dc=350, Di, Do, Du 按供应商图纸），设置预期操作条件。对比 Plitt 和 Nageswararao 两个模型的预测结果，通过 Arterburn 交叉验证确认 d50c 预测的可靠性。

4.4 操作参数优化（压力-流量寻优）

场景：在给定磨矿回路产能下，寻找最佳给矿压力区间使分级效率最高（I 值最低）。

仿真方法：使用 Nageswararao 模型（P→Q 耦合），扫描 P = 50~200 kPa，记录每个压力下的不完善度 I 和循环负荷。I 值最小且循环负荷合理的压力区间即为最优操作窗口。

4.5 溢流管（涡流发现器）直径调整决策

场景：需要将分级粒度从 75μm 降至 53μm 以提升浮选回收率。

仿真方法：固定其他参数，在模拟器中扫描 Do（如从 89mm 递减至 65mm），观察 d50c 下降幅度，同时监控 ΔP 变化（缩小溢流管会显著增加压降，泵可能无法满足）。

4.6 高浓度给矿工况风险评估

场景：因水源受限，计划将给矿浓度从 Cv=15% 提升至 Cv=30%。

仿真方法：在模拟器中逐步增大 Cv，观察三个关键指标：d50c（分级粒度变粗幅度）、ΔP（压降增加量）、Rf（底流含水率变化）。若 d50c 超过 120μm 或 ΔP 超过泵扬程，则该方案不可行。

4.7 磨矿回路循环负荷监控

场景：循环负荷持续偏高（>350%），磨机过载。

仿真诊断：模拟器质量平衡表直接显示循环负荷百分比。通过调节 Du（增大底流排放）和 P（增加给矿压力）观察循环负荷下降趋势，制定最小干预的调整方案。

5. 旋流器仿真方法对比

以下对比当前工业界和学术界常用的旋流器仿真方法。本模拟器采用的半经验模型方法（第一行）在工业现场快速决策场景中具有不可替代的实用性。

方法 代表模型 计算速度 精度 数据需求 适用场景
半经验模型 Plitt, Nageswararao, Lynch–Rao < 1 秒 中等（校准后高） 几何 + 5~8 项现场数据 现场校准、选型、回路优化
CFD ANSYS Fluent, OpenFOAM (RSM/LES) 数小时~数天 高 精确 CAD 几何 + 入口边界条件 结构设计、流场可视化、新型旋流器研发
DEM-CFD 耦合 EDEM + Fluent, CFDEM 数天~数周 高（颗粒级） 颗粒物性 + 粒度分布 + 完整几何 颗粒运动轨迹研究、非球形颗粒分离
机器学习 ANN, XGBoost, LSTM 毫秒级 依赖数据量 大量历史运行数据（数千组） 软测量、在线预测、异常检测
PINN / 物理信息神经网络 DeepXDE, NVIDIA Modulus 秒~分钟（推理） 中高 控制方程 + 少量实验数据 小样本工况外推、数字孪生

5.1 方法选择指南

现场快速决策（分钟级）：选择半经验模型。无需高性能计算资源，校准后可达工业精度（±10%），适合值班工程师实时使用。本模拟器即属此类。

数据驱动的机器学习方法在数据充足（>1000 组工况）时可实现实时软测量，但存在以下局限：

PINN（物理信息神经网络）是近年的新兴方向，通过将物理方程或半经验关联式嵌入损失函数，在小样本条件下（N ≤ 50）实现物理一致的预测。

6. 参考文献

  1. Plitt, L.R. (1976). "A mathematical model of the hydrocyclone classifier." CIM Bulletin, 69(776), 114–123.
  2. Flintoff, B.C., Plitt, L.R., Turak, A.A. (1987). "Cyclone modelling: a review of present technology." CIM Bulletin, 80(905), 39–50.
  3. Nageswararao, K. (1978). "Further developments in the new model of a hydrocyclone classifier." Ph.D. Thesis, University of Queensland (JKMRC).
  4. Nageswararao, K., Medronho, R.A. (2004). "A generalized model for hydrocyclone classifiers." Chemical Engineering Journal, 103(1-3), 59–67.
  5. Lynch, A.J., Rao, T.C. (1975). "Modelling and scale-up of hydrocyclone classifiers." 11th Int. Mineral Processing Congress, Cagliari.
  6. Arterburn, R.A. (1976). "The sizing of hydrocyclones." Krebs Engineers, Technical Paper.
  7. Napier-Munn, T.J., Morrell, S., Morrison, R.D., Kojovic, T. (2005). Mineral Comminution Circuits: Their Operation and Optimisation. JKMRC, 3rd Ed.
  8. Narasimha, M., Brennan, M., Holtham, P.N. (2007). "CFD modelling of hydrocyclones." Minerals Engineering, 20(1), 60–71.