摘要
如果使用重力分选方法（如跳汰机、摇床、重介质鼓和旋流器）来浓缩煤炭存在困难或无法实现，而这些方法本应是成本最低且最简单的选择，那么浮选便成为一种替代方案。这是因为相对疏水的煤炭与脉石矿物在表面化学性质上存在差异。不过，浮选方法的复杂性远远高于重力分选方法，还有许多影响精煤质量的参数，比如煤粒大小、各种试剂的用量（如捕收剂、活化剂、抑制剂和起泡剂）、调浆时间、矿浆混合速度、浮选时间以及矿浆介质的pH值。在存在如此多变量的浮选过程中，要确定所能获得的清洁煤精煤的可燃物回收率（CR）和灰分含量（AC），可能需要大量实验。为简化这些复杂的流程，了解影响分选效果的各类参数，并估算出最终的清洁煤回收率和灰分含量，就有必要运用各种统计回归方法。在本研究中，通过多元线性回归（MLR）和人工神经网络（ANN）模型，分析了六个参数对含40%灰分的褐煤样品浮选过程的影响，以此估算煤精煤的CR和AC值。结果表明，与多元线性回归模型相比，人工神经网络模型在估算煤精煤的灰分含量（AC，%）和可燃物回收率（CR，%）时具有更高的精度，其相关系数分别为0.988和0.963，而多元线性回归模型的相关系数分别为0.575和0.540。
