陈 杰，杨志强，，高 谦，陈得信

(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)

铜渣-棒磨砂混合充填料的胶砂配比试验研究

陈 杰1，杨志强1，2，高 谦1，陈得信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)

水泥作为一种常用的充填胶凝材料，可以与废石、尾砂等作用生成强度较高的充填材料。水淬铜渣作为金川集团的冶炼废渣，堆积排放既污染环境又会造成矿产资源的浪费。如果铜渣可以代替棒磨砂在水泥作用下生成性能稳定的充填材料，将是实现铜渣再利用的一个经济、环保的发展方向。针对铜渣代替棒磨砂作为充填材料进行充填体力学试验，研究不同配比条件下的充填力学特性以及早强剂对充填体强度的作用。试验结果显示，掺加适量的早强剂，铜渣尾砂掺入量为15%时，充填体3 d、7 d抗压强度分别达到1.5 MPa、2.5 MPa以上，满足金川矿山充填法采矿对早期强度的要求。结合试验结果使用Matlab软件进行BP神经网络建模，对不同充填材料配比的充填体强度进行预测。预测结果显示，优化早强剂的配比，可以使铜渣的掺量提高到20%，从而进一步提高铜渣的利用率。

水泥;铜渣;早强剂;充填体强度;神经网络预测

近年来，世界铜产量迅速增长，我国的铜产量已超越智利跃居世界第一。作为世界性的产铜大国，我国铜矿的冶炼工艺90%以上都为火法冶炼，可见火法冶炼占我国冶金行业的主导地位。铜矿石经过提炼后的熔融态炼铜炉渣在炉后水淬池中经过水淬工艺生成玻璃质材料水淬渣。水淬渣的堆积排放不仅占用大量土地，同时还对周围环境产生一定影响［1－2］。针对这一问题，目前世界对铜渣的处理途径分为回收再利用和开发新用途两大类。对矿渣的回收再利用主要指使用电炉贫化或炉渣选矿工艺对铜渣中的铜、钴、锌、铁等金属的回收利用;对铜渣新用途的开发主要指根据铜渣的物理化学性能，用在其他的领域中，避免资源的浪费。当前主要的新用途有:利用铜渣的潜在活性作为矿化剂，生产铜渣水泥;以炼铜水淬渣为骨料，混合水泥一起使用，压制成自重轻、保温隔热、抗渗的渣砖和隔热板等建筑材料;还可以用于开发防护剂应用于建筑的防腐除锈领域等［3］。

针对金川矿山采用的下向分层充填工艺早期强度要求高以及冶炼铜渣堆积处理的现状，本文结合铜渣的物化特性，进行铜渣-棒磨砂混合充填材料的充填材料配比试验研究。以水泥作为胶凝材料，通过试验研究将铜渣掺入棒磨砂对充填体强度的影响、早强剂对铜渣掺量的影响。试验表明，早强剂作用下铜渣-棒磨砂充填体强度可以达到棒磨砂充填体的强度水平甚至更高。铜渣在胶结充填工艺中的应用有利于保护生态环境、减少土地资源浪费和实现资源再利用，从而实现经济、环境和社会效益的和谐发展。

1 试验材料物化特性

1.1 铜渣

金川铜矿冶炼炉渣的主要成分是FeO和SiO2，次要成分是CaO、MgO、Fe3O4、Al2O3、Cu2S、FeS等。不同的企业产生的铜渣中SiO2、CaO、MgO、Al2O3的含量根据矿石的品质和冶炼工艺水平会有不同的差异。金川铜渣的化学成分见表1。将金川铜渣作为胶结剂使用还是作为充填骨料使用，需要对其矿渣质量进行评定。根据冶炼炉渣质量评定方法的相关规定:

表1 水淬铜渣主要化学成分 /%Table 1 Chemical compositions of water quenching copper slag

1)矿渣的碱性系数M0根据其氧化物的比例来计算:

当M0＞1称为碱性矿渣;当M0=1称为中性矿渣;当M0＜1称为酸性矿渣。

2)矿渣的质量系数K的计算公式为:

3)矿渣的活性系数表达式如下:

金川公司冶炼铜渣的碱性系数为0.11，其值小于1.0，为酸性渣;根据我国国家标准GB203《用于水泥中粒化高炉矿渣》的规定质量系数K不应小于1.2，K值越大，矿渣质量越好，而金川铜渣质量系数为0.11，渣中氧化钙含量低，基本无活性。因此，基于金川铜渣开发新型充填胶凝材料的可能性不大，但可以用作充填骨料。金川水淬铜渣的颗粒较粗，颗粒级配不符合国家标准JGJ52-92普通混凝土用砂质量标准及检验方法中对砂的级配要求，但原状铜渣颗粒内存在不少裂纹，在搅拌过程中，铜渣颗粒极易与石子互相碰撞破碎变细，随搅拌时间越长破碎效果越好，所以与棒磨砂混合使用可以调整充填物料的平均粒径与级配［4－6］。

1.2 棒磨砂

采用金川公司级配为－5 mm的棒磨砂，针对金川龙首矿的充填工艺，在现场进行棒磨砂取样。对棒磨砂进行化学成分分析及级配分析，结果见表2和表3。

表2 棒磨砂的化学成分 /%Table 2 Chemical compositions of rod-mill tailings

1.3 水泥

水泥是铜渣-棒磨砂胶凝充填材料的胶结材料，试验选用钻牌32.5R复合硅酸盐早强水泥。水泥的凝结和硬化是一个复杂的物理化学过程。硅酸盐水泥熟料主要是由硅酸三钙、硅酸二钙、铝酸三钙和铁铝酸四钙四种矿物组成。水泥熟料矿物遇水后会发生水化反应而形成水化产物，这些水化产物按照一定的方式靠多种引力相互搭接和联结形成水泥石的结构从而产生强度。在水泥的初始凝结状态，铝酸三钙和硅酸三钙最先开始发生水化反应，并且生成难溶于水的硫铝酸钙晶体即钙矾石。钙矾石存在于水泥表面，减缓水泥的水化反应，避免水泥的闪凝现象，可以使充填骨料与水泥缓慢均匀地胶结在一起，使充填体产生一定的早期强度。而硅酸二钙水化反应的速度慢，在充填骨料胶结在一起后，使充填体的强度继续提升［7］。

1.4 早强剂

1)芒硝。工业Na2SO4，I类一等品，Na2SO4≥99.0，密度1.49 g/cm3，白色细颗粒结晶或粉末，有吸湿性，易溶于水。作为常用的硫酸盐类早强剂，能增加水泥液相的离子强度，促进水泥水化反应的进行，生成更多的钙矾石，促进充填体早期强度的增长。

2)亚硫酸钠。金川公司生产的无水亚硫酸钠，主要成分Na2SO3的质量分数≥97%。亚硫酸钠的早强机理是SO32－与Ca2+反应产生CaSO3，CaSO3极易被氧化为CaSO4，CaSO4继续与水泥中的物质进行反应。

3)氯化钙。无色立方结晶体，白色或灰白色，粉末状。吸湿性极强，暴露于空气中极易潮解。易溶于水，同时放出大量的热，其水溶液呈微碱性。氯化钙能加速水泥中铝酸三钙、硅酸三钙的水化，有利于水泥石结构的形成［8－9］。

表3 金川矿山－5 mm棒磨砂粒径分布Table 3 Particle size distribution of－5 mm rod-mill tailings in Jinchuan Mine

2 试验方案及结果

本试验采用的料浆浓度为78%，灰砂比为1∶4。在胶凝材料中，采用水泥胶凝剂，掺加芒硝、亚硫酸钠、氯化钙复合外加剂进行配比试验研究。试验方案及结果见表4。

表4 铜渣-棒磨砂充填材料试验方案及结果Table 4 Test scheme and results of copper slag-rod-mill tailings backfilling material

试验的具体操作为将水泥、早强剂、铜渣、棒磨砂、水按照试验方案用量进行称量，放入胶砂搅拌机搅拌180 s制成胶砂，之后倒入三联装试模中，制成尺寸为7.07 cm×7.07 cm×7.07 cm的试块，然后立即用振实台进行振实成型。将做好编号的试模放入标准恒温恒湿养护箱中标准养护48 h，养护环境设定为温度20±1℃、湿度不低于90%。养护结束后进行脱模，脱模后将试块继续放入养护箱养护，直至达到养护期龄(3 d和7 d)，在数显位移压力机上分别测试试块各个龄期的抗压强度，每一组试验会得到三组数据，根据水泥胶砂强度检验方法的相关规定进行数据处理［10－11］。

3 数据分析和神经网络预测

3.1 试验结果分析

1)无早强剂作用下，铜渣的掺合量达到5%时，充填体的3 d、7 d强度均达到下向分层充填的充填体强度要求;当铜渣掺合量在10%时，7 d强度可以达到2.73 MPa，3 d强度不足1.5 MPa。加入芒硝后，可以使铜渣掺量达到10%，充填体强度达到2 MPa以上。

2)在早强剂的作用下，铜渣掺量可以提升为15%，此时，充填体3 d强度达到1.6 MPa，7 d强度可以达到3 MPa。随着铜渣掺合量的增加，充填体3 d强度普遍低于1 MPa，早强剂的作用减弱，但对于7 d的强度仍有提高的作用。适当调节早强剂中各材料的含量，对于充填体强度的提高仍有作用。

3.2 BP神经网络预测

结合试验结果，利用BP神经网络建立模型，进行模拟预测。本研究重点研究铜渣掺合量、早强剂配比对充填体强度的影响，实验室实测了27组铜渣用量、早强剂配比不同条件下的充填体3 d、7 d单轴抗压强度值。选取27组数据的前24组试验数据作为训练样本，其余3组作为测试样本。网络训练目标误差选取0.0001，网络允许训练次数为1 000。为了使网络训练一开始就给各输入分量以同等重要的地位，加快网络学习和计算收敛效率，在对网络进行训练之前，所有样本数据，包括输入和输出数据归一化至［0，1］，使不同物理量的数据具有平等地位，消除奇异样本数据［12］。

根据Kolmogorov定理，3层前向网络可以任意精度逼近任意连续函数，所以确定网络总层数为3层。第1层为输入层，因为本研究主要分析4个因素对充填体强度的影响，所以输入层为4个神经元，分别代表铜渣和芒硝、亚硫酸钠、氯化钙的质量分数。第2层为隐含层，隐含层神经元个数的选取对网络非常重要，若神经元数设置太多，则浪费计算时间，使网络失去概括判断能力，且对提高精度无突出贡献;若神经元数设置太少，则网络求解问题精度提高慢，易产生误差率波动。综合考虑，隐含层神经元数选取7时，网络的性能最好，所以预测模型的隐含层神经元数选为7。第3层为输出层，本研究是预测充填体7 d的单轴抗压强度，所以输出层选取1个神经元，代表充填体的单轴抗压强度［13－15］。

图1 测试样本的网络训练结果分析图Fig.1 Analysis results of network training for test samples

根据已确定的网络模拟参数，建立充填体强度7 d的模型。为了检验BP网络的网络性能，绘制了测试样本的网络训练结果分析图，如图1所示。本预测得到的相关系数R=0.993 49，说明该神经网络模型对充填体强度有较好的解释，可以用于充填体的强度预测，并且预测精度高。在已建模型的基础上，调节各变量的取值进行模拟预测，并根据预测结果选取结果较好的方案进行试验验证，预测结果及试验结果见表5。

通过BP神经网络建模预测之后，铜渣掺量为20%时预测的充填体7 d强度为3.69 MPa，经过试验验证强度达到3 MPa＞2.5 MPa，可以满足金川集团采矿工艺对早期强度的要求;当铜渣掺量继续增大，试验强度与预测强度的差距也变大。误差出现的原因在于铜渣掺量的增加对充填骨料颗粒级配的改变，这成为另一个对充填体强度产生影响的因素。虽然试验强度值没有达到预测强度值，但对于试验的指导和设计具有积极的意义，可以在此基础上对建立的网络模型进行改进和完善。

表5 神经网络预测结果Table 5 The prediction results of neural network

4 结论

1)以铜渣作为充填骨料加入在水泥胶凝材料中，铜渣的掺合量最高达到10%;在早强剂作用下，铜渣的掺合量可以提高到15%，此时充填体3 d、7 d的强度可以达到1.5 MPa、2.5 MPa以上，这个结果可以满足金川公司矿山下向分层充填工艺的充填体强度要求。

2)早强剂对充填体强度的提高具有明显的作用，单纯以棒磨砂为充填骨料，水泥为胶凝材料，充填体的7 d强度为1.5 MPa。通过试验观察得知，早强剂中芒硝的百分比为2%～3%、亚硫酸钠的百分比为0.5%～1.5%、氯化钙的百分比为0.5%～1%时，效果较好，超过这个范围，随着用量的增加，强度反而会降低。

3)采用BP神经网络，在大量试验基础上建立充填体强度的预测模型。在BP神经网络预测的指导下，通过试验验证了铜渣掺合量提升至20%的可行性，随着铜渣用量的增加，预测与试验结果出现了一定的误差，但该模型具有自动学习和高精度预测的功能，进行一定的改进可以为后续试验的开展提供指导。

［1］李磊，王华，胡建杭，等.铜渣综合利用的研究进展［J］.冶金能源，2009，28(1):44－48.

［2］刘 纲，朱 荣.当前我国铜渣资源利用现状［J］.矿冶，2008，17(3):59－63.

［3］张雅娟.水淬铜渣代砂在建筑工程中的应用［J］.广西水利水电，2004(4):22－24.

［4］赵 凯，程相利，齐渊洪，等.水淬铜渣的矿物学特征及其铁硅分离［J］.过程工程学报，2012，12(1):38－43.

［5］杨志强，肖柏林，高 谦，等.基于金川棒磨砂充填料开发新型充填胶凝材料的试验研究［J］.有色金属(矿山部分)，2014，66(5):65－68.

［6］田立鹏，杨志强，高 谦，等.金川全尾砂新型充填胶凝材料激发剂配比与力学特性研究［J］.有色金属(矿山部分)，2014，66(5):74－78.

［7］李林香，谢永江，冯仲伟，等.水泥水化机理及其研究［J］.混凝土，2011(6):76－80.

［8］陈 琴，万慧文，谢春磊，等.含早强剂的矿物掺合料在水泥体系中的作用机理研究［J］.混凝土，2010(9):55－59.

［9］石运中，王琦，田陆飞，等.新型复合高效早强剂的研制［J］.商品混凝土，2010(8):45－50.

［10］杜聚强，高谦，南世卿，等.一种全尾砂充填新型胶凝材料的研制［J］.金属矿山，2012(5):152－155.

［11］李茂辉，高谦，王有团，等.司家营铁矿充填用新型胶凝材料制备中间试验［J］.金属矿山，2013(8):153－156.

［12］柳小桐.BP神经网络输入层数据归一化研究［J］.机械工程与自动化，2010(3):122－126.

［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］CHANG Q L，ZHOU H Q，HOU C J.Using particle swarm optimization algorithm in an artificial neural network to forecast the strength of paste filling material［J］.Journal of China University of Mining＆Technology，2008，18(4):551－555.

［15］YAO X.Evolutionary artificial neural networks［J］.International Journal of Neural Systems，1993，9(3):203－222.

Experimental study on cement-sand ratio of copper slag-rod-mill tailings backfilling materials

CHEN Jie1，YANG Zhiqiang1，2，GAO Qian1，CHEN Dexin2
(1.Key Laboratory of High-Efficient Mining and Safety of Metal Mine，Ministry of Education，USTB，Beijing 100083，China;2.Jinchuan Group Co.，Ltd.，Jinchang Gansu 737100，China)

Cement is a kind of common cement backfilling material，which can produce reliable strength backfilling body with waste rock，tailings etc.As smelting slag of Jinchuan，water quenching copper slag is piled up and discharged that will pollute the environment and cause the waste of mineral resources.If the copper slag can replace rod-mill tailings for mine filling，that generates stable performance cementations filling material，will be the development direction of an economic，environmental to achieve the reuse of copper slag.In the test，the copper slag is tested to instead of rod-mill tailings for filling materials，study on the mechanical properties of backfilling body in different mix ratio and improvement of early strength agent to backfilling body.The test results show that，when incorporation of copper slag reach 15%under the action of early strength agent，3 days、7 days compressive strength of the backfilling body can reach more than 1.5 MPa、2.5 MPa，contenting the requirement of the current mine filling.Using Matlab software to establish the BP neural network model combining with experimental results，the simulation prediction and experiment results show that，changing the ratio of early strength agent can increase the dosage of copper slag to 20%，further improve the utilization rate of copper slag.

cement;copper slag;early strength agent;strength of backfilling body;neural network prediction

TD862;TD853.34

Α

1671-4172(2015)01-0054-05

国家重点基础研究发展计划项目(2010CB731500)

陈杰(1989－)，男，硕士，岩土工程专业，主要从事金属矿山充填采矿技术与新型胶凝材料开发研究。

高谦(1956－)，男，博士，教授、博士生导师。

10.3969/j.issn.1671-4172.2015.01.013