The enhanced role of Interfacial nanobubbles (INBs) in microfine particles flotation is still unclear. In this study, the microfine particles with different sizes were functionalized to obtain different wettability. The temperature difference method was employed to produce the nanobubbles water. Atomic force microscopy (AFM) was utilized to investigate the formation of INBs. A temperature-controlled flotation system was devised to investigate the flotation performance of microfine particles in the presence and absence of INBs. Agglomeration experiments and attachment time tests were conducted to elucidate the enhanced effects of INBs on flotation from the perspectives of particle-particle and bubble-particle interactions. The results showed that both the number and size of INBs increased with the increase of surface hydrophobicity and level of air saturation in water. In the temperature-controlled flotation system, the flotation recovery and flotation rate of microfine particles were improved significantly in nanobubbles water compared to that in normal water. The optimal flotation result of -38 μm strongly hydrophobic particles was obtained in nanobubbles water at 25 ℃. The enhanced impact of INBs on flotation was more pronounced for more hydrophobic particles. The increase in the apparent size of particles and reduction in particle-bubble attachment time facilitated by INBs contributed to the flotation performance of microfine particles. This study underscores the pivotal effect of INBs on the flotation of microfine particles through enhancing particle-particle and bubble-particle interactions.

Fine coal frequently exhibits complications such as diminished recovery and compromised selectivity in the flotation process. This study presents a novel reactor/separator dual-stage flotation device, the turbulent microbubble mechanical flotation cell (TMFC), on the basis of the principles of forced mineralization and static separation. The TMFC implemented in industrial settings was carried out, facilitating a comparative analysis with a conventional mechanical flotation machine (XJM) to elucidate the flotation behavior across particles of varying sizes. In terms of recovery efficiency, the TMFC significantly increased the concentrated yield by 3.29% while simultaneously increasing the ash in the tailings by 10.59%. This enhancement is attributed to the more vigorous turbulent environment within the TMFC, which helps in transforming bubbles into microbubbles, synergistically boosting collision and adhesion. In terms of selectivity, the flotation selectivity index for the −75 μm significantly improved, especially for the −45 μm, which surpassed that of XJM by 10.79%. The intense turbulent conditions in the TMFC generated a scrubbing effect that efficiently reduced the coating, significantly enhancing the quality of the concentrate. This research evaluated the industrial performance of the TMFC in fine particle flotation, proposing a novel technical approach for significant desulfurization and ash reduction in fine coal.

This study investigated the interactions among process parameters in stirred-media mills to achieve precise control of dissociation parameters for spodumene adaptability. Response surface methodology (RSM) and back propagation (BP) neural network models were employed to predict and optimize the three key process parameters based on the grinding technology efficiency as the evaluation criterion. The order of significance of the parameters affecting the grinding efficiency was as follows: grinding time > media filling rate > stirrer speed. The optimal grinding parameters were identified as a media-filling rate of 52%, stirrer speed of 506 rpm, and grinding time of 3 min. Under these conditions, the RSM model achieved an R2 value of 0.9509, relative error of 13.15%, mean squared error (MSE) of 0.0011, and mean absolute error (MAE) of 0.0276. Conversely, the BP neural network model achieved a higher R2 value of 0.9950, a relative error of 4.77%, MSE of 0.0003, and MAE of 0.0091. Although the RSM model effectively optimized the grinding process parameters, the BP neural network model exhibited superior fitting performance and accuracy in predicting the grinding efficiency under varying process parameters. This study provides valuable technical insights for optimizing process parameters in the grinding dissociation process.