مدل سازی ژئومتالورژی- رویکرد نوین در تلفیق اطلاعات زمینشناسی و متالورژی بهمنظور بهینهسازی ارزیابی ذخیره معدنی | ||
یافتههای نوین زمینشناسی کاربردی | ||
مقاله 6، دوره 11، شماره 21، خرداد 1396، صفحه 73-82 اصل مقاله (800.01 K) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22084/nfag.2017.1925 | ||
نویسنده | ||
امین حسین مرشدی* | ||
دانشکده مهندسی معدن و متالورژی، دانشگاه یزد | ||
چکیده | ||
در پروژههای معدنی، جنبههای طراحی شامل مدلسازی زمینشناسی ذخیره معدنی، شیوه استخراج، روش فرآوری و در نهایت بازیابی و نرخ تولید محصول (کنسانتره) است؛ کلیه این موارد بر اقتصاد پروژه و ارزش کلی معدن تاثیر گذار هستند. برای طراحی مدل ذخیره معدنی، بهطور معمول از پارامترهای عیار، تناژ و میزان تناژ بالاتر از عیارحد بهعنوان ملاک اقتصادی استفاده میشود که بهتنهایی نمیتواند جوابگو باشد. ژئومتالورژی با ترکیب اطلاعات زمینشناسی و متالورژی، امکان تولید یک مدل پیشبینی کننده فضایی را برای خطوط فرآوری معدنی فراهم میکند. این زمینه نوظهور، با هدف تلفیق پارامترهایی از جمله سختی، قابلیت خردایش، بازیابی، درجه آزادی و بافت کانیها، عیار عناصر و غیره تعریف شده است. مدلسازی ژئومتالورژیکی نیازمند توسعه یک ماتریس سهبعدی به صورت یک الگوی X-Y-Z که دو محور آن نشانگر عوامل زمینشناسی (از جمله نوع سنگشناسی و دگرسانی) و محور سوم نشانگر پارامترهای بحرانی (از جمله سختی، بافت، درجه آزادی کانه، توزیع عناصر مزاحم و نظایر آن) است که در پهنهبندی کانسار از نظر خواص متالورژیکی حائز اهمیت است. بهمنظور اجرای مدلسازی متالورژی، توزیع فضایی پارامترهای خروجی معدنکاری، به صورت یک تابع (رابطه) غیرخطی از پارامترهای ورودی و با توجه به رابطه بین مقیاس نمونهبرداری در حالتهای کوچک مقیاس (آزمایشگاهی)، متوسط مقیاس (نیمهصنعتی) و بزرگ مقیاس (صنعتی)، تعیین شده است. الگوریتم پیشنهادی، بیانگر برتری بهکارگیری رویکرد «زنجیره ارزش» در مدلسازی ژئومتالورژی در مقایسه با رویکرد رایج منطق مرحلهای در برنامهریزی معدنی است. | ||
کلیدواژهها | ||
ژئومتالورژی؛ مدل زمینشناسی؛ تغییرپذیری فضایی؛ نرخ بازیابی؛ عدم قطعیت | ||
مراجع | ||
[1] Chibaya, Ashley. “Geometallurgical analysis-Implications of operating flexibility (A case for Geometallurgy for Orapa A/K1 deposit). PhD Dissertation, University of the Witwatersrand, 126 pp.
[2] Coward, S. Dunham, S. Vann, J. Stewart, M (2009) The Primary-Response Framework for Geometallurgical Variables. Seventh International Mining Geology Conference, Perth, WA, 109-113.
[3] David, D (2007) The Importance of Geometallurgical Analysis in Plant Study, Design and Operational Phases. Ninth Mill Operators’ Conference, Fremantle, WA: 241-248.
[4] Dunham, S., and J. Vann (2007) Geometallurgy, geostatistics and project value—does your block model tell you what you need to know. Project evaluation conference, Melbourne, Victoria, 19-20.
[5] Keeney, Luke (2010) The Development of a Novel Method for Integrating Geometallurgical Mapping and Orebody Modelling. PhD Dissertation, The University of Queensland, 214pp.
[6] Lamberg, P (2011) Particles – the bridge between geology and metallurgy. In: Conference in Mineral Engineering, Proceedings, Luleå, Sweden, 8–9 February, pp. 1–16.
[7] Lund, C., Lamberg, P (2014) Geometallurgy–A tool for better resource efficiency. European Geologist, 37: 39-43.
[8] Lund, C., Lamberg, P., Lindberg, T (2015) Development of a geometallurgical framework to quantify mineral textures for process prediction. Minerals Engineering, 82: 61-77.
[9] Myers, Jeffrey C (1999)”Geostatistical error management: quantifying uncertainty for environmental sampling and mapping”, Van Nostrand Reinhold, New York, 573 pp.
[10] Williams, S., Richardson. J (2004) Geometallurgical Mapping: A new approach that reduces technical risk. Proceedings of the 36th Annual Meeting of the Canadian Mineral Processors, Ottawa, Canada, Vol. 2022, p. 241268. | ||
آمار تعداد مشاهده مقاله: 1,459 تعداد دریافت فایل اصل مقاله: 687 |