Managing high-density tailings disposal – deposition, water management and closure considerations
Notice bibliographique
Résumé
There has been a growing interest in the surface disposal of high-density tailings in recent years. Such an interest is driven primarily by the need to conduct mining in a sustainable manner by minimising environmental and social impact, conserving water and improving tailings safety. Increasingly, more mines are considering thickened or paste tailings disposal in conjunction with paste tailings backfill to better utilise their infrastructure. Several factors have hindered the wider adoption of high-density surface tailings disposal technology. The ability to predict tailings behaviour in full scale is still relatively limited. There is also little experience in managing a high-density tailings facility under varied climatic conditions. A number of high capacity mines have also had production issues meeting the tailings consistency criterion for deposition leading to major reconfiguration of the disposal system due to poor field performance. Some of these uncertainties are being addressed through laboratory and field research with significant advances being made on our understanding on tailings rheology, transportation, mechanism of deposition and post deposition behaviour change of the tailings. High-density tailings facilities will require a greater degree of management than conventional slurry tailings. Not only are the tailings likely more variable, there are unique challenges associated with tailings deposition and water management. This paper discusses tailings deposition control and water management methods that have been successfully used at a number of high-density tailings facilities with special reference made to central cone deposition in the Kidd Metallurgical Site and perimeter deposition at the Musselwhite Mine. Both of these facilities are located in cold climatic regions in Canada with surplus precipitation. Contingency measures that have been adopted to reduce the risk of system upsets and non-performance, and closure considerations for these facilities are highlighted. Field experience has shown that high-density tailings disposal can offer unique opportunities for progressive rehabilitation and optimisation of the closure design.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».