选矿流程设计

{
  "workflow_id": "mineral_flowchart_generation",
  "input": {
    "assay_data": {
      "field_name": "assay_data",
      "default": "",
      "description": "选矿厂化验数据（选填），补充提供更精确的化验品位数据，格式为JSON字符串",
      "type": "string",
      "required": false
    },
    "report_text": {
      "field_name": "report_text",
      "default": "",
      "description": "选矿实验报告全文，包含各作业点的原始产率、品位等测量数据",
      "example": "#### 3. 矿石性质研究\n\n##### 3.1 矿石化学成分分析\n\n###### 3.1.1 多元素分析\n\n对铜钼金伴生矿进行多元素分析是了解其化学成分的重要手段，为后续选矿工艺的设计提供基础数据支持。常用的分析方法包括原子吸收光谱法（AAS）和X射线荧光光谱法（XRF）。原子吸收光谱法通过测量特定元素对光的吸收强度来确定其浓度，具有高灵敏度和高选择性的特点，适用于痕量元素的测定。而X射线荧光光谱法则通过激发样品产生特征X射线，根据荧光强度计算元素含量，能够快速、准确地分析多种元素，尤其适合测定主要元素和次要元素。通过对某低品位铜钼金伴生矿的多元素分析，结果显示矿石中主要含有Cu、Mo、Au等目标元素，其含量分别为0.68%、0.043%和0.27 g/t。此外，矿石中还含有大量的脉石矿物成分，如SiO₂、Al₂O₃、K₂O和CaO等，这些成分的存在可能对浮选过程产生一定影响。例如，高含量的石英和长石会增加浮选分离的难度，需要在后续试验中加以考虑。\n\n###### 3.1.2 物相分析\n\n物相分析是研究矿石中元素赋存状态的关键技术，能够为选矿工艺流程的设计提供重要依据。常用的物相分析手段包括X射线衍射分析（XRD）和电子探针微区分析（EPMA）。X射线衍射分析通过检测样品中晶体产生的衍射峰来确定矿物相的种类和含量，具有非破坏性和高分辨率的特点，广泛应用于矿石物相研究。电子探针微区分析则利用电子束激发样品表面，通过分析产生的特征X射线来确定微区内的元素分布和化学组成，适用于研究复杂矿石中微量元素的赋存状态。对某铜钼金伴生矿的物相分析结果表明，矿石中的铜主要以黄铜矿形式存在，其次为蓝辉铜矿和铜蓝；钼则以辉钼矿为主，少量以氧化钼形式存在；金主要呈自然金形式分布于硫化物中。此外，脉石矿物主要为石英、长石和云母等。这些结果明确了各元素在矿石中的赋存状态，为后续浮选分离工艺的设计提供了理论依据。例如，辉钼矿的嵌布粒度较细且与黄铜矿紧密共生，这对铜钼分离提出了较高的技术要求。\n\n##### 3.2 矿石结构构造研究\n\n###### 3.2.1 宏观特征\n\n矿石的宏观特征研究是了解其整体构造特点的第一步，为后续选矿工艺的优化提供直观参考。通过观察矿石的宏观形态、颜色、条痕等特征，可以初步判断其成因类型和矿物组成。例如，某低品位铜钼金伴生矿样品呈现出典型的浸染状构造和块状构造，其中金属矿物以稀疏浸染状分布于脉石矿物中，显示出热液成因的特点。矿石的颜色以灰黑色为主，条痕呈深灰色至黑色，反映了其富含硫化物矿物的特性。此外，矿石中可见明显的条纹条带构造，这可能与成矿过程中的多阶段热液活动有关。脉石矿物主要为石英和长石，其次为云母和黏土类矿物，这些矿物的分布特征对矿石的破碎和磨矿性能具有重要影响。例如，块状构造的矿石通常具有较高的硬度，需要更强的破碎力才能达到理想的粒度分布，而浸染状构造则可能导致矿物解离度不足，从而影响浮选效果。\n\n###### 3.2.2 微观结构\n\n借助显微镜等设备对矿石进行微观结构研究，能够深入了解矿物颗粒的形态、大小及嵌布关系，为磨矿和选矿工艺的优化提供关键信息。扫描电子显微镜（SEM）和透射电子显微镜（TEM）是常用的微观结构研究工具，结合能谱分析（EDS）可以进一步确定矿物颗粒的化学组成。对某铜钼金伴生矿的微观结构观察发现，辉钼矿颗粒呈片状或鳞片状分布，粒径范围在0.01~0.50 mm之间，与黄铜矿颗粒紧密共生，部分辉钼矿被包裹于黄铜矿中，这增加了铜钼分离的难度。黄铜矿颗粒则多呈不规则粒状，粒径在0.005~0.15 mm之间，与脉石矿物的接触边界较为复杂。此外，自然金颗粒主要分布于黄铜矿和辉钼矿的裂隙中，粒径普遍小于10 μm，这种嵌布特征决定了金的高效回收需要依赖于硫化物的充分单体解离。磨矿试验结果表明，当磨矿细度达到-0.074 mm占65%时，辉钼矿和黄铜矿的单体解离度分别可达85%和90%，为后续浮选分离创造了有利条件。\n\n#### 4. 试验方案设计\n\n##### 4.1 破碎磨矿方案\n\n###### 4.1.1 破碎流程\n\n在铜钼金伴生矿的试验中，破碎流程的设计至关重要，其目的在于将原矿石破碎至适宜粒度，为后续磨矿和选矿作业奠定基础。本试验采用颚式破碎机与圆锥破碎机联合使用的两段破碎流程。首先，通过颚式破碎机对原矿进行粗碎，使其粒度从初始的数百毫米降至50毫米以下；随后，利用圆锥破碎机进行中碎，进一步将矿石粒度控制在10~20毫米范围内。这一破碎流程不仅能够显著提高破碎效率，还能有效避免过度破碎现象的发生，从而满足后续磨矿作业对给矿粒度的要求。此外，破碎设备的选型需综合考虑矿石的硬度、韧性及处理量等因素，以确保设备运行的稳定性和经济性。\n\n###### 4.1.2 磨矿方案\n\n磨矿作业是影响铜钼金伴生矿分离提取效果的关键环节之一，其目标是通过机械力作用使矿石中的有用矿物达到良好的单体解离度，同时尽可能减少过粉碎现象的发生。本试验选用球磨机作为主要磨矿设备，并探讨了磨矿介质、磨矿浓度等因素对磨矿效果的影响。研究表明，在磨矿介质方面，采用钢球与钢锻组合的方式能够显著提高磨矿效率，尤其适用于处理硬度较高的铜钼金伴生矿。此外，磨矿浓度的优化同样至关重要，过高的磨矿浓度可能导致矿浆流动性下降，从而影响磨矿效率；而过低的磨矿浓度则可能导致磨矿能力不足。通过系统试验，确定适宜的磨矿浓度为65%~70%，此时磨矿产品的细度（-0.074毫米含量）可达到75%以上，且单体解离度较高，为后续浮选作业提供了良好的条件。\n\n##### 4.2 浮选试验方案\n\n###### 4.2.1 浮选流程设计\n\n根据铜钼金伴生矿的矿石性质，本试验设计了混合浮选—铜钼分离的浮选流程。该流程的设计依据在于矿石中铜钼矿物的嵌布粒度较细且存在一定的连生体现象，优先浮选难以实现高效分离，而混合浮选则能够有效回收铜钼矿物，再通过后续分离作业实现两者的高效分离。具体而言，混合浮选阶段采用一次粗选、两次精选的流程，旨在最大限度地回收铜钼矿物并提高粗精矿品位。随后，通过再磨作业进一步提高铜钼矿物的单体解离度，并采用抑铜浮钼的分离流程实现铜钼的有效分离。预期目标为获得铜品位大于20%、回收率大于90%的铜精矿，以及钼品位大于45%、回收率大于85%的钼精矿。\n\n###### 4.2.2 药剂制度确定\n\n浮选过程中，药剂制度的选择直接影响浮选效果的好坏。针对铜钼金伴生矿的特点，本试验选用了多种捕收剂、起泡剂和调整剂，并通过探索性试验确定了合理的药剂制度。在捕收剂方面，采用丁基黄药与Z-200的组合使用，以提高对铜钼矿物的捕收能力。起泡剂选用松醇油，其用量控制在30~40克/吨之间，以确保泡沫层的稳定性和适宜的矿化效果。此外，调整剂的选择尤为重要，本试验采用石灰作为pH调整剂，同时加入适量的六偏磷酸钠以分散矿泥并抑制脉石矿物。通过系统试验，确定了各药剂的最佳用量及添加顺序，即在粗选阶段先加入石灰调节矿浆pH值至9~10，再加入六偏磷酸钠和捕收剂，最后添加起泡剂进行浮选。这一药剂制度不仅能够显著提高铜钼矿物的浮选回收率，还能有效降低杂质矿物的上浮率，为后续分离作业创造了有利条件。\n\n#### 5. 试验过程与结果\n\n##### 5.1 破碎磨矿试验\n\n###### 5.1.1 破碎试验\n\n破碎试验是铜钼金伴生矿选矿工艺的首要环节，其目的是将原矿破碎至适宜粒度，为后续磨矿和浮选作业提供合格原料。在本次试验中，采用颚式破碎机与圆锥破碎机联合破碎流程，首先通过颚式破碎机进行粗碎，将原矿粒度从-500 mm降至-50 mm；随后利用圆锥破碎机进行中碎和细碎，最终使矿石粒度达到-10 mm以下。破碎前后的粒度变化情况通过筛分分析进行测定，结果表明，经过两段破碎后，矿石中-5 mm粒级含量达到85%以上，满足后续磨矿作业的入料要求。\n\n破碎效率的主要影响因素包括矿石硬度、破碎设备性能以及给料粒度分布等。本研究中的矿石硬度较高，且含有少量硫化物矿物，这在一定程度上增加了破碎难度。此外，破碎设备的排矿口尺寸对破碎产品粒度具有显著影响，过大的排矿口会导致细粒级含量不足，而过小的排矿口则可能引起设备堵塞和能耗增加。通过对破碎效率的计算发现，颚式破碎机的破碎效率约为90%，而圆锥破碎机的破碎效率可达95%以上，表明所设计的破碎流程具有较高的稳定性和可靠性。\n\n###### 5.1.2 磨矿试验\n\n磨矿试验是铜钼金伴生矿分离提取的关键步骤之一，其目的在于使矿石中的目的矿物达到充分单体解离，同时避免过磨现象以提高浮选效率。本试验采用球磨机作为主要磨矿设备，并通过条件试验确定了适宜的磨矿介质（钢球与钢锻组合）、磨矿浓度（70%）以及磨矿时间（15 min）。磨矿产品的粒度分布通过激光粒度分析仪进行测定，结果显示，在优化条件下，磨矿产品中-0.074 mm粒级含量达到65%以上，符合浮选作业对粒度的要求。\n\n为进一步评估磨矿效果，对磨矿产品进行了单体解离度分析。采用显微镜观察和图像分析法，测定了铜、钼、金等主要矿物的单体解离度，结果表明，铜矿物的单体解离度为85%，钼矿物的单体解离度为90%，金矿物的单体解离度为80%。这些数据表明，当前磨矿条件能够有效实现目标矿物的单体解离，但仍有部分微细粒矿物未能完全解离，这可能与矿石中矿物嵌布粒度不均匀有关。此外，磨矿条件的优化还对浮选指标产生了积极影响，例如磨矿细度的增加显著提高了粗选精矿中铜和钼的回收率。\n\n##### 5.2 浮选试验\n\n###### 5.2.1 粗选试验\n\n粗选试验是铜钼金伴生矿浮选分离的核心环节，其目标是通过一次浮选作业尽可能回收矿石中的有价元素。本试验采用混合浮选流程，首先向磨矿产品中加入适量石灰调节矿浆pH值至9~10，然后添加组合捕收剂（丁基黄药与Z-200质量比为3:1）进行粗选作业。粗选试验的具体操作如下：将磨矿产品加入浮选槽中，在搅拌条件下依次加入调整剂、捕收剂和起泡剂，浮选时间为8 min。试验结束后，分别收集粗选精矿、尾矿和中矿，并对其产率、品位及回收率进行测定。\n\n试验结果表明，粗选精矿中铜品位为3.21%、钼品位为0.15%，铜回收率为85.36%，钼回收率为78.45%。尾矿中铜品位降至0.12%、钼品位降至0.01%，表明粗选作业对目标矿物具有较好的回收效果。然而，中矿中铜和钼的品位分别为1.52%和0.08%，说明部分矿物未能在粗选过程中得到有效回收，这可能与矿物嵌布粒度不均或浮选药剂作用不充分有关。此外，粗选效果还受到矿浆浓度、药剂用量及浮选时间等因素的影响，其中矿浆浓度过高会导致浮选选择性下降，而药剂用量不足则可能影响矿物的上浮率。\n\n###### 5.2.2 精选与扫选试验\n\n精选与扫选试验旨在进一步提高粗选精矿的品位，并最大限度地回收中矿和尾矿中的有价元素。在精选试验中，采用再磨—浮选工艺流程，将粗选精矿再次磨至-0.045 mm粒级含量达80%以上，然后加入少量捕收剂和起泡剂进行三次精选作业。精选试验结果表明，最终精矿中铜品位提高至20.35%、钼品位提高至1.25%，铜回收率为76.58%，钼回收率为65.32%。尽管精矿品位显著提升，但由于再磨过程中部分微细粒矿物损失，导致回收率略有下降。\n\n扫选试验则针对粗选尾矿和中矿进行，通过增加捕收剂用量并延长浮选时间，尽可能回收残留的有价矿物。试验结果显示，扫选精矿中铜品位为0.85%、钼品位为0.05%，铜回收率为10.23%，钼回收率为8.45%。最终尾矿中铜品位降至0.08%、钼品位降至0.01%，表明扫选作业对提高资源综合利用率具有重要意义。此外，通过对比不同精选和扫选次数的试验结果发现，适当增加精选次数可显著提高精矿品位，但过多次精选会导致回收率下降；而扫选次数的增加则对回收率提升效果有限，且会增加生产成本。因此，在实际生产中需根据矿石性质和经济指标综合确定精选与扫选次数。\n\n#### 6. 试验影响因素分析\n\n##### 6.1 矿石性质影响\n\n矿石的化学成分和结构构造对浮选分离效果具有显著影响。研究表明，矿石中杂质元素的存在可能干扰浮选药剂的作用，从而降低目标矿物的回收率和品位。例如，在某些低品位铜钼矿石中，高含量的脉石矿物（如石英、长石等）会消耗大量浮选药剂，导致捕收剂的有效浓度降低，进而影响铜钼矿物的上浮性能。此外，矿石中钼氧化率的高低也直接影响浮选效果。以黑龙江某难选钼矿为例，该矿石中钼氧化率高达18.89%，导致辉钼矿表面氧化生成亲水性薄膜，削弱了其与捕收剂的作用力，使得浮选回收率显著下降。\n\n从结构构造角度来看，矿物嵌布粒度的不均匀性是制约单体解离的重要因素。当矿物嵌布粒度较细时，需要更细的磨矿细度才能实现充分单体解离，但这可能导致泥化现象加剧，进一步影响浮选效果。例如，某低品位铜钼矿石中辉钼矿的嵌布粒度主要在0.01~0.50mm之间，而黄铜矿的嵌布粒度则在0.005~0.15mm之间，这种粒度差异使得铜钼矿物的单体解离难度增加，从而影响了浮选分离效率。因此，深入研究矿石的化学成分和结构构造特性，对于优化浮选工艺流程具有重要意义。\n\n##### 6.2 磨矿细度影响\n\n磨矿细度是影响铜钼金分离提取效果的关键因素之一。磨矿细度过粗时，矿物颗粒未能充分单体解离，会导致浮选过程中连生体较多，从而降低精矿品位和回收率。例如，在某铜钼混合精矿的浮选试验中，当磨矿细度为-0.074mm占65%时，铜钼矿物的单体解离度较低，导致浮选精矿中铜和钼的品位均未能达到理想指标。然而，磨矿细度过细同样会带来负面影响，主要表现为泥化现象加剧，这不仅会增加浮选药剂的消耗，还可能导致精矿中杂质含量升高，影响产品质量。\n\n研究表明，合理的磨矿细度应根据矿石性质及目标矿物的嵌布特征确定。例如，在德兴铜矿的铜钼分离试验中，通过优化磨矿细度至-45μm占75.43%，有效提高了铜钼矿物的单体解离度，同时减少了泥化现象的发生，最终获得了较高的钼回收率和品位。由此可见，磨矿细度的选择需在单体解离度与泥化现象之间取得平衡，以确保浮选指标的最优化。\n\n##### 6.3 药剂制度影响\n\n浮选药剂制度对铜钼金伴生矿的分离提取效果具有决定性作用。捕收剂、起泡剂和调整剂的种类、用量及添加顺序均会显著影响浮选指标。例如，在某低品位铜钼矿石的浮选试验中，采用巯基乙酸钠作为抑制剂，Na₂SiO₃作为矿泥分散剂，显著提高了铜钼分离效果，最终获得了钼品位46.54%、钼作业回收率93.97%的良好指标。这表明，合理选择药剂种类并优化其用量是提升浮选性能的关键。\n\n此外，药剂的添加顺序也不容忽视。研究表明，先添加调整剂以调节矿浆pH值，再加入捕收剂和起泡剂，可以有效增强浮选药剂与目标矿物的作用效果。然而，若药剂添加顺序不当，可能导致药剂间的相互作用减弱，甚至产生负面效应。例如，在某铜钼混合精矿的浮选试验中，由于未能合理安排药剂添加顺序，导致浮选精矿中铜和钼的品位均未能达到预期目标。因此，通过系统试验优化药剂制度，对于提高铜钼金伴生矿的分离提取效率至关重要。\n\n#### 7. 结论与建议\n\n##### 7.1 试验结论\n\n本次铜钼金伴生矿试验研究通过系统的破碎磨矿和浮选工艺流程优化，成功实现了对矿石中铜、钼、金等主要有价元素的有效分离与提取。试验结果表明，采用混合浮选—铜钼分离工艺流程能够在技术经济上取得最佳效果。在磨矿细度为-0.074mm占65%的条件下，通过粗选、精选与扫选作业，获得了铜精矿品位21.45%、铜回收率91.01%，钼精矿品位46.54%、钼回收率93.97%，以及金品位5.10g/t、金回收率50.45%的优异指标。这些数据不仅验证了试验设计的合理性，也达到了预期目标，即确定高效分离提取方法并明确各矿物的回收率和品位指标，为实际生产提供了可靠依据。\n\n此外，试验过程中还发现，矿石中脉石矿物如石英、长石及黏土类矿物的存在对浮选效果产生了一定干扰，但通过添加适量调整剂（如六偏磷酸钠）和优化捕收剂组合（丁基黄药与Z-200），显著提高了浮选的选择性和回收率。因此，本试验成果不仅为铜钼金伴生矿的综合回收提供了技术支持，也为类似难选矿石的开发利用积累了宝贵经验。",
      "type": "string",
      "required": true
    }
  },
  "steps": [
    {
      "id": "step_0_prompt_guardian",
      "point_code": "1",
      "backend_type": "sys_api",
      "api_code": "prompt_guardian",
      "status": "PENDING",
      "name": "合规校验优化",
      "action": "run",
      "params": []
    },
    {
      "point_code": "",
      "id": "step_1_extract_topology",
      "result": [],
      "api_code": "mineral_process_topology_extract",
      "backend_type": "prompt_api",
      "status": "PENDING",
      "name": "选矿工艺拓扑结构提取",
      "action": "run",
      "params": {
        "report_text": "{{@input.report_text}}"
      }
    },
    {
      "point_code": "",
      "id": "step_2_balance_calc",
      "result": [],
      "api_code": "mineral_data_balance_calc",
      "backend_type": "prompt_api",
      "status": "PENDING",
      "name": "选矿料流数据校正与平衡计算",
      "action": "run",
      "params": {
        "assay_data": "{{@input.assay_data}}",
        "report_text": "{{@input.report_text}}"
      }
    },
    {
      "id": "step_3_generate_prompt",
      "point_code": "",
      "result": [],
      "backend_type": "prompt_api",
      "api_code": "mineral_flowchart_prompt_gen",
      "status": "PENDING",
      "name": "选矿数质量流程图生图提示词生成",
      "action": "run",
      "params": {
        "merge_context": {
          "fusion_strategy": "structural"
        },
        "balance_data": {
          "balanced_streams": "{{@step_2_balance_calc.result.data.balanced_streams}}"
        },
        "topology_data": {
          "edges": "{{@step_1_extract_topology.result.data.topology_edges}}",
          "nodes": "{{@step_1_extract_topology.result.data.topology_nodes}}"
        }
      },
      "depends_on": [
        "step_1_extract_topology",
        "step_2_balance_calc"
      ]
    },
    {
      "id": "step_4_generate_image",
      "point_code": "1",
      "result": [],
      "backend_type": "sys_api",
      "api_code": "3373",
      "status": "PENDING",
      "name": "生成数质量流程图图片",
      "action": "run",
      "params": {
        "prompt": "{{@step_3_generate_prompt.result.data.result}}",
        "aspect_ratio": "3:4"
      },
      "depends_on": [
        "step_3_generate_prompt"
      ]
    },
    {
      "point_code": "",
      "id": "step_5_poll_image_status",
      "result": [],
      "backend_type": "sys_api",
      "api_code": "polling",
      "status": "PENDING",
      "name": "轮询图片生成状态",
      "action": "run",
      "params": {
        "result_url": "{{@step_4_generate_image.result.data.result_url}}"
      },
      "depends_on": [
        "step_4_generate_image"
      ],
      "polling": {
        "interval_seconds": 6,
        "timeout_seconds": 1500,
        "success_condition": "{{@step_5_poll_image_status.result.data.task_status}} === 'SUCCEEDED'"
      }
    }
  ],
  "output": {
    "generated_prompt": {
      "field_name": "generated_prompt",
      "description": "融合结构与数据后生成的极度详细的文生图提示词",
      "value": "{{@step_3_generate_prompt.result.data.result}}",
      "type": "string"
    },
    "flowchart_image_url": {
      "field_name": "flowchart_image_url",
      "description": "生成的选矿数质量流程图图片URL",
      "value": "{{@step_5_poll_image_status.result.data.result_url}}",
      "type": "string"
    },
    "topology_nodes": {
      "field_name": "topology_nodes",
      "description": "提取的工艺拓扑结构节点数组",
      "value": "{{@step_1_extract_topology.result.data.topology_nodes}}",
      "type": "array"
    },
    "topology_edges": {
      "field_name": "topology_edges",
      "description": "提取的工艺拓扑结构流向连线数组",
      "value": "{{@step_1_extract_topology.result.data.topology_edges}}",
      "type": "array"
    },
    "balanced_streams": {
      "field_name": "balanced_streams",
      "description": "经过校正与平衡计算的料流数据数组",
      "value": "{{@step_2_balance_calc.result.data.balanced_streams}}",
      "type": "array"
    }
  }
}