Многокритериальная модель процесса дробления горных пород

Бесплатный доступ

В статье говорится о модернизации и наладке процесса измельчения тонкодисперсного мела. Процесс дробления энергозатратная процедура, ежегодно тратится около 5% всей вырабатываемой на Земле энергии, в том числе энергия двигателей внутреннего сгорания. Это говорит о его большой значимости. Помимо затрат на электричество, большие расходы идут на ремонт оборудования. Наибольшие замены производятся на основные рабочие части машин. В ходе замен тратится много времени, для того, чтобы не расходовать этот довольно важный ресурс, необходимо к данной процедуре подходить с научной точки зрения. Организация и проведение исследований по замене основных рабочих частей дробилок и мельниц позволит увеличить производительность основного оборудования, улучшить качество готового продукта и уменьшить затраты на производство в плане энергосбережения. Модернизация и наладка технологического оборудование в целях усовершенствования процесса производства тонкодисперсного мела значительно увеличить срок службы основного оборудования...

Еще

Дробление, энергозатраты, регрессионный анализ, модернизация, наладка

Короткий адрес: https://readera.ru/140244246

IDR: 140244246   |   DOI: 10.20914/2310-1202-2018-4-111-115

Список литературы Многокритериальная модель процесса дробления горных пород

  • Дрейпер Н., Смит Г. Прикладной регрессионный анализ. Книга 2. М.: Финансы и статистика, 1987. 351 с.
  • Furnival G.M., Wilson R.W. Regressijn dy leaps and bounds//Technometrics. 1974. № 16. P. 499-511.
  • Allen D.M. The prediction sum of squares as a criterion for selecting predictor variables//University of Kentucky, Department of Statistics, Technical Report. 1971. № 23.
  • Хартман К., Лецкий Э., Шеффер В. и др. Планирование экспериментов в исследовании технологических процессов. М.: Мир, 1977. 552 с.
  • Коробова Л.А., Толстова И.С., Лихушин А.П., Демина Ю.А. Алгоритм выбора дробильного оборудования для измельчения мела//Моделирование энергоинформационных процессов: сборник материалов IV и V Международных научно-практических интернет-конференций. 2017. С. 263-267.
  • Коробова Л.А., Толстова И.С., Демина Ю.А. Наладка технологического оборудования//Аллея науки. 2018. Т. 3. № 8 (24). С. 728-732.
  • Kuriakose S., Shunmugam M.S. Multi-objective optimization of wire-electro discharge machining process by non-dominated sorting genetic algorithm//Journal of materials processing technology. 2005. V. 170. № 1-2. P. 133-141.
  • Queipo N.V., Haftka R.T., Shyy W., Goel T. et al. Surrogate-based analysis and optimization//Progress in aerospace sciences. 2005. V. 41. № 1. P. 1-28.
  • Amanifard N., Nariman-Zadeh N., Borji M., Khalkhali A. et al. Modelling and Pareto optimization of heat transfer and flow coefficients in microchannels using GMDH type neural networks and genetic algorithms//Energy Conversion and Management. 2008. V. 49. № 2. P. 311-325
  • DOI: 10.1016/j.enconman.2007.06.002
  • Zhang Y.P., Zhang Y.J., Gong W.J., Gopalan A.I. et al. Rapid separation of Sudan dyes by reverse-phase high performance liquid chromatography through statistically designed experiments//Journal of Chromatography A. 2005. V. 1098. №. 1-2. P. 183-187
  • DOI: 10.1016/j.chroma.2005.10.024
  • Tarapata Z. Selected multicriteria shortest path problems: An analysis of complexity, models and adaptation of standard algorithms//International Journal of Applied Mathematics and Computer Science. 2007. V. 17. № 2. P. 269-287.
Еще
Статья научная