Designing Paste Thickeners for Copper Flotation Tailings, Using Bed depth Scale-up Factor
Notice bibliographique
Résumé
The paste thickener could increase the water recovery and reduce the environmental impacts in tailings dam. The present work aimed to find the appropriate scale-up factor for bed depth to design paste thickener for copper tailings, using a lab glass cylinder and an operating pilot column. The thickening tests were carried out on the flotation tailing samples obtained from the Sarcheshmeh and Miduk copper mines located in Iran. Based on the industrial conditions, the values of influential parameters for paste thickener used in these experiments were pH=11 and feed solid=10 %. Flocculant type was NF43U and used as 25g/t with dosage of 0.25 gt. The unit area of Sarcheshmeh and Miduk paste thickeners were designed as 0.057 and 0.047m2/t/day, respectively. Based on the dry feed rates to each paste thickener as 7920 and 4320 t/day, the thickener's diameters were determined as 23.9 and 16.1 meters which are similar to the actual thickener’s diameters (24 and 16 meters), respectively. In addition to unit area, the bed depth is also important in the paste thickeners design. Hence, the ratio of industrial to lab unit bed volume for Sarcheshmeh paste thickener was obtained 75 which was equal to the ratio of industrial to lab bed depth (bed depth scale-up factor exclusively for copper flotation tailings). This procedure was validated by using the Miduk sample. The bed depth in the paste thickeners was determined as 7.5 meters, by using the bed depth scale-up factor which was comparable to the actual bed depth (8 meters). This research confirmed that the bed depth scale-up factor is able to correctly determine the bed depth of industrial paste thickeners for copper tailings.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».