№82-16
Системний аналіз конструктивних особливостей повітряних відцентрових класифікаторів та перспективи їх вдосконалення
А.О. Хруцький1,https://orcid.org/0000-0002-9332-1748
М.О.Франузо1 https://orcid.org/0009-0003-4354-0875
¹Криворізький національний університет, Кривий Ріг, Україна
Coll.res.pap.nat.min.univ. 2025, 82:183-195
Full text (PDF)
https://doi.org/10.33271/crpnmu/82.183
АНОТАЦІЯ
Мета. Провести системний аналіз і узагальнення конструктивних особливостей повітряних відцентрових класифікаторів динамічної дії для виявлення типових і рідкісних параметрів, взаємозв’язків та закономірностей їх геометричної й функціональної еволюції з метою формування рекомендацій щодо проєктування, модернізації та вибору обладнання для класифікації дрібно- та наддрібнодисперсних матеріалів.
Методика. Досліджено 68 конструкцій, описаних 10 параметрами. Для зниження розмірності та візуалізації застосовано метод головних компонент (PCA), для виділення груп – кластеризацію DBSCAN. Побудовано дерево еволюції робочого органу – потоку повітря.
Результати. Проведений системний аналіз та узагальнення конструктивних особливостей повітряних відцентрових класифікаторів динамічної дії. При цьому визначено, що найпоширеніші повітряні відцентрові класифікатори динамічної дії мають: вертикальну вісь (92,6%), циліндричний корпус (86,8%), динамічні лопаті (66%). Типові комбінації охоплюють ≤16% моделей, що свідчить про різноманітність. Дві головні компоненти пояснюють 71,04% дисперсії. DBSCAN виділив 4 групи та одну атипову конструкцію. Виявлено кореляції: циркуляція повітря завжди супроводжується пласкими обертовими лопатями; горизонтальні моделі мають лише відцентрові колеса або їх відсутність; статичні – без додаткового повітря. Виділено дві перспективні конструкції – існуючу (равликоподібний корпус, вертикальна вісь) та гіпотетичну (равликоподібний корпус, горизонтальна вісь). Дерево еволюції показує розвиток робочого органу відцентрових повітряних сепараторів.
Наукова новизна. Вперше виконано комплексний багатовимірний аналіз класифікаторів із застосуванням PCA та DBSCAN, систематизовано конструкції та закономірності їх еволюції, запропоновано дерево розвитку робочого органу.
Практична значимість. Оптимізація конструкцій дозволяє підвищити ефективність, зменшити енергоспоживання та знос, інтегрувати рекомендації у CAD/CAM-системи та використовувати як базу для CFD-моделювання.
Ключові слова: збагачення корисних копалин,повітряні відцентрові класифікатори, параметри відцентрових класифікаторів, частотна діаграма параметрів, зниження розмірності, кластерізація, системний аналіз, дерево еволюції, потік повітря.
Перелік посилань
1. Abohelwa, M., Benker, B., Javadi, M., Wollmann, A., & Weber, A. P. (2023). Limitation in the Performance of Fine Powder Separation in a Turbo Air Classifier. Processes, 11(10), 2817. https://doi.org/10.3390/pr11102817
2. Abohelwa, M., Wollmann, A., Benker, B., Plack, A., Javadi, M., & Weber, A. P. (2024). Size Classification and Material Sorting of Fine Powders with a Deflector Wheel Air Classifier and an Electrostatic Separator. Powders, 3(4), 550–573. https://doi.org/10.3390/powders3040029
3. Adamčíka M., Svěráka T. & Peciar P. (2017). Parameters Affecting Forced Vortex Formation in Blade Passageway of a Dynamic Air Classifier. Acta Polytechnica, 57(5):304, 304–315. https://doi.org/10.14311/AP.2017.57.0304
4. Barimani M., Green S. & Rogak S. (2018). Particulate concentration distribution in centrifugal air classifiers. Minerals Engineering, 126, 44–51. https://doi.org/10.1016/j.mineng.2018.06.007
5. Betz, M., Nirschl, H., & Gleiss, M. (2022). Development of Prediction Models for Pressure Loss and Classification Efficiency in Classifiers. Processes, 10(4), 627. https://doi.org/10.3390/pr10040627
6. Chu K.W., Wang B., Xu D.L., Chen Y.X., Yu A.B. Chu K., Wang B., Xu D., Chen Y. & Yu A. (2011). CFD–DEM simulation of the gas–solid flow in a cyclone separator. Chemical Engineering Science, 66, 834–847. https://doi.org/10.1016/j.ces.2010.11.026
7. Esmaeilpoura M., Mohebbia A. & Ghalandarib V.. (2023). CFD simulation and optimization of an industrial cement gas-solid air classifier. Particuology,89(2). https://doi.org/10.1016/j.partic.2023.10.011
8. Eswaraiah C., Narayanan S.S. & Jayanti S. (2008). A reduced efficiency approach-based process model for a circulating air classifier. Chemical Engineering and Processing: Process Intensification,47, 1887–1900. https://doi.org/10.1016/j.cep.2007.10.016
9. Guizani R., Mhiri H. & Bournot P. (2014). CFD study of the effect of rotation speed on dynamic air separator flow characteristics and pressure drop. Conference: 2014 5th International Renewable Energy Congress (IREC), March. https://doi.org/10.1109/IREC.2014.6826939
10. Gyrotor Air Classifier System. Technical specification.(n.d.)Metso Corporation https://www.metso.com/globalassets/saleshub/documents---episerver/gyrotor-air-classifier-system-technical-data-sheet-en.pdf?r=3
11. Ho, N. X., Dinh, H. T., Dau, N. T., & Nguyen, B. H. (2024). A Numerical Study on the Flow Field and Classification Performance of an Industrial-Scale Micron Air Classifier under Various Outlet Mass Airflow Rates. Processes, 12(9), 2035. https://doi.org/10.3390/pr12092035
12. Ho, N. X., Dinh, H. T., & Dau, N. T. (2025). Numerical Study to Optimize the Operating Parameters of a Real-Sized Industrial-Scale Micron Air Classifier Used for Manufacturing Fine Quartz Powder and a Comparison with the Prototype Model. Processes, 13(1), 106. https://doi.org/10.3390/pr13010106
13. Klumpar I.V., Currier F.N. & Ring T.A. (1986). Air classifiers. Chemical engineering,March 3, 77–92.
14. Salman F., & Fauziah. (2023). Comparison Analysis of K-Means and DBSCAN Algorithms for Improving Budget Absorption Efficiency in EIS. Brilliance: Research of Artificial Intelligence, 3(2), 378–383. https://doi.org/10.47709/brilliance.v3i2.3373
15. Shapiro M. & Galperin V. (2004). Air classification of solid particles. Chemical Engineering and Processing – Process Intensification 44(2), 279–285. https://doi.org/10.1016/j.cep.2004.02.022
16. Shpakovsky N. (2016). Tree of Technology Evolution. CreateSpace Independent Publishing Platform.
17. Sun Z., Sun G., Liu J., & Yang X. (2017). CFD simulation and optimization of the flow field in horizontal turbo air classifiers. Advanced Powder Technology, 28(6). https://doi.org/10.1016/j.apt.2017.03.016
18. Sun Z., Liang L., Liu C., Zhu Y., Zhang L., & Yang G. (2021). CFD simulation and performance optimization of a new horizontal turbo air classifier. Advanced Powder Technology, 32, 977–986. https://doi.org/10.1016/j.apt.2021.01.041
19. Wani A.A. (2025). Comprehensive review of dimensionality reduction algorithms: challenges, limitations, and innovative solutions. PeerJ Computer Science 11:e3025 https://doi.org/10.7717/peerj-cs.3025].
20. Wang Z., Yang H., Sun Z., Yao Y., & Yang G. (2023). Structure optimization of rotor cage blades for turbo air classifier based on entropy production analysis. Advanced Powder Technology, 34(8), 104103. https://doi.org/10.1016/j.apt.2023.104103
21. Zeng, Y., Zhang, S., Zhou, Y., & Li, M. (2020). Numerical Simulation of a Flow Field in a Turbo Air Classifier and Optimization of the Process Parameters. Processes, 8(2), 237. https://doi.org/10.3390/pr8020237
22. Zeng, Y., Huang, B., Qin, D., Zhou, S., & Li, M. (2022). Numerical and Experiment Investigation on Novel Guide Vane Structures of Turbo Air Classifier. Processes, 10(5), 844. https://doi.org/10.3390/pr10050844
дата першого надходження статті до видання – 02.07.2025
дата прийняття до друку статті після рецензування – 05.08.2025
дата публікації (оприлюднення) – 07.09.2025
