MétaCan
Menu
Retour à la cohorte
Enregistrement W2807997208 · doi:10.22531/muglajsci.383095

SUSTAINABILITY AND TAILINGS MANAGEMENT IN THE MINING INDUSTRY: PASTE TECHNOLOGY

2018· article· en· W2807997208 sur OpenAlexaff
Erol Yilmaz, E. Yilmaz

Notice bibliographique

RevueMugla Journal of Science and Technology · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueTailings Management and Properties
Établissements canadiensUniversité du Québec en Abitibi-Témiscamingue
Organismes subventionnairesnon disponible
Mots-clésTailingsSustainabilityMining industryEnvironmental scienceWaste managementCuring (chemistry)Mineral processingMining engineeringEngineeringMaterials scienceMetallurgy

Résumé

récupéré en direct d'OpenAlex

In this study, the basic principles of paste technology which has been implemented successfully in the mining industry for both waste volume reduction and environmental impact reduction were investigated. In the past two decades, paste technology has progressed from a research-based mine backfill idea to a widely accepted and cost-effective fill system with the potential to totally change the approach tailings are disposed on the surface. Application of paste tailings for modern mines was shown experimentally by laboratory and field testing, focusing on intrinsic (e.g., tailings, cement and mix water properties) and extrinsic (e.g., in situ mixing, placement and curing conditions) parameters. Results indicate that use of paste tailings as backfilling and disposal in the mining industry as an innovative and environmentally sound system can guarantee operational continuity by reducing environmental (e.g., tailings dam failure, acidic water formation) and financial concerns over the mine’s life. Finally, paste technology enables mining operators to better manage their problematic tailings produced in the mineral processing plants.

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)0,000
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: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,008
Tête enseignante GPT0,223
Écart entre enseignants0,215 · 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

Citations10
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMugla Journal of Science and TechnologyMême sujetTailings Management and PropertiesTravaux en français237 207