MétaCan
Menu
Retour à la cohorte
Enregistrement W2546485100 · doi:10.4236/jmmce.2016.46028

Thermodynamics of the Reduction Roasting of Nickeliferous Laterite Ores

2016· article· en· W2546485100 sur OpenAlexafffund
R. Elliott, C.A. Pickles, J. Forster

Notice bibliographique

RevueJournal of Minerals and Materials Characterization and Engineering · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueMetal Extraction and Bioleaching
Établissements canadiensQueen's University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésLateriteNickelPyrometallurgyFerroalloyRoastingMetallurgyGeologyMaterials scienceMineralogySmelting

Résumé

récupéré en direct d'OpenAlex

The global nickel sulphide resources are becoming more difficult to mine and, as a result, there is increasing interest in the current and future development of the oxidic nickel laterite deposits. In comparison to the sulphide ores, the nickel laterites cannot be readily upgraded by conventional means and growing attention is being focused on the development of new methods for processing these ores. In this paper, firstly, brief overviews of laterite ore mineralogy and the conventional techniques used to extract the nickel from both the limonitic and the saprolitic nickeliferous laterites are provided. Secondly, previous research on the thermodynamic modelling of the reduction of the laterites is discussed. Thirdly, an improved thermodynamic model is used to predict the equilibrium products arising from the solid state reduction of both the limonitic and the saprolitic ores. Based on these thermodynamic predictions, the reduction behaviors of the two ore types are compared in terms of nickel recovery and grade in the ferronickel product. The effects of reduction temperature, ore composition and carbon additions were studied. Finally, the results from the simulations are compared to the experimental data available in the literature.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,006
Tête enseignante GPT0,177
Écart entre enseignants0,171 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations41
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Minerals and Materials Characterization and EngineeringMême sujetMetal Extraction and BioleachingTravaux en français237 207