市场对选矿厂精矿产品质量日益严格的情况下,浮选过程作为选矿厂选矿过程的核心环节,浮选过程中药剂添加制度决定着有用矿物富集效果的好坏。本文研究的目的和意义在于提高选矿厂经济效益,随着市场铜精矿价格的变化,会存在一个经济价值最优的平衡点,根据矿石性质的变化,通过预测浮选药剂的添加量来确定铜精矿最合理的品位和回收率。浮选指标达到一定程度时,精矿的品位和回收率存在矛盾,当精矿品位升高时,精矿回收率会有所下降;当精矿品位下降时,精矿回收率会有所上升,通过控制精矿指标达到经济平衡点的位置,预测计算药剂添加量可以得到最优经济效益的精矿指标,从而提高选矿厂经济效益。因此本文基于BP神经网络和RSM曲面响应法预测选矿厂药剂添加研究,提出了神经网络输入数据-预测药剂添加量-试验因素影响精矿指标分析的学术思想。针对浮选过程药剂智能化添加,以及在选矿方面的模型有效实用性。论文分别从浮选过程BP神经网络建模预测药剂添加量和试验模型浮选指标优化构建两个方面进行了研究。论文通过采集到四川铜矿选矿厂实际生产数据,根据BP神经网络具有自适应、容错性和自组织性强的特点,BP神经网络建立了输入层为4,隐含层神经元为7和输出层为2的神经网络结构,选取选矿厂2015年-2017年中前30个月的实际生产数据作为训练样本数据,神经网络最大训练次数5000次,神经网络学习速率0.05,神经网络目标误差为0.65*10-3,输入层输入原矿品位,氧化率,精矿品位和精矿回收率数据,输出层为黄药添加量和2号油用量数据,通过BP神经网络算法学习与训练分析结果对比,从四种算法模型中选取了预测效果最优的BP神经网络模型,线性回归R值0.99904>0.99,对药剂添加制度做了预测,取得了优良的预测效果。为了验证在不同药剂组合的条件下,本文对石灰、轻柴油和硫化钠药剂两两组合,神经网络线性回归R值分别0.99927、0.99899、0.99923都大于0.99,预测结果也取得了优良效果。BP神经网络模型质量优良,对组合药剂添加量的预测效果进行预测,药剂添加量预测结果与实际值误差较小,取得良好的预测结果,将该模型扩展应用于其他药剂预测,将会为智慧矿山发展提供广阔空间。为了进一步研究选矿厂试验因素的交互影响效果,通过响应曲面法RSM为该试验设计优化,在Design Expert 10.0版本软件模拟计算下,根据CCD试验设计安排,设计3因素3水平试验设计,三个影响因素A原矿品位、B氧化率和C黄药添加量对Y1精矿品位和Y2精矿回收率影响可靠性分析,精矿品位和精矿回收率p值分别为0.0400和0.0200均小于0.05,表明试验影响因素对试验结果指标具有显著性影响,在三维曲面图下可以分析出,在氧化率取固定值时,随着原矿品位和黄药添加量的增加,精矿品位随之显著增加的趋势。精矿品位和精矿回收率F值分别计算得出A52.94、B8.9、C18.43;A16.91、B1.65、C5.35,得出影响精矿品位和精矿回收率的主次因素为:A原矿品位>C黄药添加量>B氧化率,并且三个考察因素之间存在极明显的交互作用。最终在RSM指标最优条件下,计算最优精矿品位和精矿回收率下的影响最优因素指标配比,得到了A原矿品位0.846%、B氧化率0.968%、C黄药添加量23.686g/t最佳影响因素配比,从而取得了精矿品位25.152%和回收率94.410%的最优指标。为选矿科研人员提供一种便利高效的试验设计方法。