铁矿鉴别数据库

1、建立进口铁矿产地鉴别数据库的方法摘要本文涉及进口铁矿产地的鉴别，其步骤如下：1、依据标准将进口铁矿样品研磨、烘干后压制成测试样片；2、将制备成的测试样片放入X-射线荧光光谱仪中测量待测元素（CaO、MgO、Al2O3、CuO、V2O5）含量，并将数据存入X射线荧光光谱仪检测软件数据库；3、将上述五种元素含量与表1（主要进口国别铁矿主要组分分布表）进行比较，完全符合的即可确认该铁矿样品的产地。应用本鉴定方法能准确的判断出产地为巴西、伊朗的铁矿，对于澳大利亚和印度的铁矿，可能会出现误判，但已可满足初判的需求。本方法在实际检验工作中发挥了极大的效力，提供了一种应用数学方法与现代化大型分析仪器联用的快

2、速、准确的方法，大大缩减了工作流程，提高了工作效率。从而保证了检验检疫及海关对铁矿产品原产地鉴别的工作需要。Abstract This paper is concerned with identification of the origin of imported iron ore. The steps are as follows: 1, According to the standard, after grinding, drying imported iron ore, it is pressed into the test sample. 2, The prepared samples

3、 were placed into a test X-ray fluorescence spectrometer to measure the analyte (CaO, MgO, Al2O3, CuO, V2O5) content and Data is stored in X-ray fluorescence spectrometer software database; 3 Comparing with these five element content with Table 1 (different country imports of iron ore component dist

4、ribution table), If these elements are fully compliant, it can confirm the origin of the iron ore sample. This identification method can accurately determine whether the origin of iron ore in Brazil, Iran. For Australia and India's iron ore, misjudgment may occur. But it has to meet the needs of

5、 first-time judge. In the actual inspection work, this method has played a significant effect, it provides a fast, accurate method using mathematical methods and modern Large analysis instrument combination, greatly reducing the work flow and improving efficiency. Thus it guarantees the CIQ and cust

6、oms work needs to Identify origin of iron ore.铁矿作为钢铁生产的主要原料，在国民经济中占有重要地位。自改革开放以来中国的经济快速发展，钢铁需求逐年增加，随着钢铁工业快速发展，我国的铁矿石产量远远无法满足钢铁工业需求，2004年我国钢产量27280万吨，生铁25185万吨，铁矿石31010万吨，铁矿石自给率下降到50%。国内铁矿石生产能力的增长不能满足钢铁工业生产的需要，缺口呈扩大趋势。2005年中国成为世界铁矿石第一进口大国。因此进口铁矿量自1997年开始逐渐增加，2006年至2008年进口量呈爆炸性增加，铁矿价格也从最初100元/吨增至1000元

7、/吨。进口铁矿已经成为我国重要的战略资源类工业原料之一，我国钢产量的强劲增长直接带动了铁矿砂需求不断攀升。进口铁矿石品位高，杂质含量低为我国钢铁企业带来了显著的效益，在很大程度上缓解了国内铁矿石贫乏的压力。从中国矿石资源的实际出发，进口铁矿石是我国钢铁工业发展的长期战略选择。中国进口铁矿砂的主要国家有澳大利亚、巴西、印度、俄罗斯、乌克兰、哈萨克斯坦、加拿大、南非等国。我国钢产量的强劲增长直接带动了铁矿砂需求不断攀升，进口铁矿石价格持续上涨的同时，质量却难以得到保障。而对中国迅速增长的市场需求，矿石资源供应相对紧张，国外主要供货商对铁矿石的大幅提价造成了铁矿石国际市场秩序紊乱，一部分铁矿供应商采

8、取了降低品质、以次充好的做法，甚至出现假冒印度、澳大利亚、巴西等国家铁矿以扩大出口规模，谋求更大利益。 对于钢铁企业来说，由于不同国家的铁矿品质、应用不尽相同，以此为原料炼制钢铁需要不同的混料配比。对于检验检疫及海关来说，了解进口铁矿产地除了涉及原产地证书外，还与铁矿品质有着重要的关联，印度、澳大利亚、巴西等国家铁矿质量相对稳定，其它国家就需要重点的关注，因此对于进口铁矿产地的鉴别就极为重要。本文的进口铁矿产地鉴别数据库较好的解决了该问题，并且随着数据的不断积累，该数据库还可继续丰富，具有很好的拓展性。本文应用现代化大型分析仪器X射线荧光光谱仪对93个天津港进口铁矿监测数据通过科学分析，寻找出

9、铁矿中各种杂质元素与铁矿产地间的关系，利用统计方法建立铁矿的矿物组分含量的“数字全息图”，并分析这些项目影响该属性的程度，最终建立起一实用模型，通过该模型对部分进口铁矿产地进行有效的鉴别。 实验部分1、样品制备方法将收集的93份进口铁矿样品研磨至全部通过200目筛网，105烘干，然后采用半自动油压机在20t下保压30s压制成样片，检查样片表面应均匀无脱落。2、主要化学成分分析方法将（1）中制备的样片放入X射线荧光光谱仪中，真空条件下进行无标样自动扫描分析，对扫描结果进行评估分析。对93份样品全部分析后，汇总检测结果建立主要进口国别铁矿主要组分分布数据库见表1表1 主要进口国别铁矿主要组分分布表

10、国别主要组分含量（%）Fe2O3SiO2TiO2MgOAl2O3Cr2O3V2O5CaOSO3CuOP2O5澳大利亚90.165.018.905.060.2960.0794.390.1313.322.400.0230.0040.0240.0060.2510.0070.3060.1000.0230.0110.3480.022巴西95.464.224.471.880.0930.0603.210.085.510.970.0250.0080.0120.0070.1230.0160.5160.1000.0320.0100.3480.087朝鲜95.464.224.471.880.0930.0603.21

11、0.085.510.970.0250.0080.0120.0070.1230.0160.5160.1000.0320.0100.3480.087毛里塔尼亚78.171.620.9312.540.1220.0392.960.545.521.930.0120.0070.0140.0061.5240.4460.0830.1000.0150.0112.3860.091南非93.286.56.951.650.9890.0585.530.033.271.440.0120.0070.1020.0082.0630.1370.5370.1000.1430.0120.4440.243乌克兰93.390.77.45

12、5.540.0240.0060.710.560.460.100.0780.0050.0060.0060.1910.1430.2530.0700.0130.0110.0280.004伊朗83.360.321.976.360.7670.0578.831.227.560.760.0730.0040.3450.0096.5881.4654.5430.1380.1040.0101.9200.060印度89.968.514.663.950.4990.1051.770.0316.034.490.0700.0050.0400.0050.3730.0140.2090.1000.0250.0120.3960.06

13、5智利74.473.613.8613.670.3280.3114.123.813.883.790.0050.0030.2820.2791.8651.7230.7880.6970.0260.0260.1460.129印度尼西亚82.769.26.381.720.4190.2940.560.1318.519.694.0220.0110.0890.0200.3500.0120.6320.2230.2620.0210.2310.137俄罗斯91.66.560.0240.900.330.0050.0060.2110.1510.0160.008马来西亚86.36.290.0462.552.010.0120

14、.0080.7151.6790.0360.037美国83.66.340.0251.391.540.0060.0040.8855.2800.2300.010委内瑞拉93.03.620.1540.072.450.0110.0040.0100.1610.0160.395新西兰70.09.016.8684.164.690.0170.5512.0750.1000.0171.1723、进口铁矿产地鉴别数据库依据的检测结果，建立鉴别数据库以确定其是否与报验的产地国相符，进口铁矿产地鉴别技术，是以大量矿产品的实验数据为基础，利用统计方法建立矿物组分含量的“数字全息图”，并分析这些项目影响该属性的程度，最终建立

15、起一实用模型，通过该模型对进口铁矿产地进行有效的鉴别。3.1影响鉴别的变量的筛选我们以铁矿作为研究的对象，以铁矿国别作为属性，对影响铁矿国别鉴别的检测项目（变量）进行研究。3.1.1铁矿检测数据的处理对铁矿检测数据的国别情况进行处理，如表2所示：表2铁矿检测数据的国别情况处理样品个数百分比标识符号澳大利亚1516.13A巴西77.53B朝鲜44.3C俄罗斯11.08D马来西亚11.08E毛里塔尼44.3F美国11.08G南非44.3H委内瑞拉11.08I乌克兰22.15J新西兰11.08K伊朗88.6L印度3739.78M印度尼西55.38N智利22.15O由于原始数据过少，为了模型的建立需选

16、择样本数量大于5个的国家作为研究对象，经筛选得到：澳大利亚、巴西、印度、伊朗 ；即标识符号为A、B、L、M。3.1.2确定影响铁矿国别属性的关键变量为了能根据铁矿品质的某些项目进行有效的国别鉴定，我们采用数理统计的方法逐步判别法来解决这个问题。“逐步判别法”的核心思想是：利用已知国别属性的原始铁矿检测数据为基础，从与鉴别相关的指标（变量）中选择最优最小的变量组合，进行模型的建立，来进行国别的有效鉴定。3.1.2.1“逐步法”分析影响属性的关键变量本文采用的是逐步法（Stepwise），运用SAS/STAT来实现这个过程，如表3：表3分析过程的基本参数表：观测值67分析中的变量13等级水平4包括

17、的变量0准入值0.1保留值0.05由于采用逐步判别法，总的输出结果有7个步骤，得到本模型的变量筛选结果。由于步骤之间输出内容相似性，所以以步骤1为例子说明这个过程。变量的筛选过程基于F检验，因此，首先计算出各个指标F分布对应的数值（原假设是：该变量不在模型中），看看该变量进入模型，对于模型的确定系数（R-Square）的影响程度，结果如表4所示：表4变量对于模型影响程度步骤1变量模型的确定系数F 值概率大于F值Fe2O30.27918.130.0001SiO20.18264.690.0051TiO20.18194.670.0052MgO0.631936.05<.0001Al2O30.46

18、8218.49<.0001Cr2O30.11862.820.0457V2O50.29718.87<.0001CaO0.762167.26<.0001MnO0.10452.450.0717SO30.624434.91<.0001K2O0.439116.44<.0001CuO0.387313.27<.0001P2O50.408414.5<.0001结果： 变量 CaO 选入模型由表4可得到：变量CaO指标第一个被选入模型中。表5是CaO进入模型后的各个统计指标的表现（原假设：CaO应该在模型中）表5 CaO进入模型后的各个统计指标的表现多元检验方法类型 值

19、 F 值 概率大于F值Wilks'Lambda 0.23792567.26<.0001 Pillai's Trace 0.76207567.26<.0001 其对应的F检验的数值均小于0.001，结果是显著的，说明变量CaO指标应选入模型中。3.1.2.2影响属性的关键变量的确定经过了7个步骤的检验，得到如下的检验总表6：表6 检验总表步骤进入模型指标进入的变量移除的变量F 值概率大于F值11CaO67.26<.000122MgO17.76<.000133Al2O314.07<.000144CuO13.07<.000155V2O521.2&l

20、t;.000166Cr2O32.740.051175Cr2O32.740.0511先后有6个指标进入了模型。在分析过程的第6个步骤中，作为剩余指标中（除CaO、MgO、Al2O3、CuO、V2O5外）最具有区分效果的Cr2O3检测指标一开始被选入指标集合中，作为分类的标准但是由于Cr2O3没有通过最后的F检验，被剔除出去了。因此，最终该模型中的变量包括：CaO、MgO、Al2O3、CuO、V2O5五个指标。这5个指标构成判别指标集合，根据矿物该5个指标就可以初步断定其原产国。3.1.2.3结论通过运用SAS/STAT来实现逐步法（Stepwise），对影响铁矿国别属性的变量进行了分析，最终得出

21、CaO、MgO、Al2O3、CuO、V2O5五个指标为影响铁矿国别属性的关键变量。3.1.3辨别模型的建立3.1.3.1模型的建立由于样本数据较少，无法得知该数据的分布模型，因此采用非参数判别方法来建立此模型，并对鉴别模型的可信度进行检验。经选择，对于此数据样本最优化的距离定义是：平方距离函数，计算变量X、Y的距离公式：D（(X,Y)2=(X-Y)'COV-1(X-Y)D-变量X、Y平方距离3.1.3.2模型的评估基于上述距离和模型，我们可得到来自不同的样本（已知）被该模型放入何种类型。这就相当于“通过数据训练，教会模型哪一个国家的铁矿应该具有什么样的数值特征”，这是前面模型建立中所作的事情。现在模型“长大了”能够根据“所学知识来判断一个样品是属于哪个国家的铁矿”。这就是下面要做的，相当于对“模型所学知识”的考核，看它会多少东西。我们将模型判断正确的比率定义为模型的判断可信度。下面表格，就是模型的可信度数据具体如表7：表7模型可信度代号ABLM总数A870015对应比例53.3346.6700100B07007对应比例010000100L00808对应比例