Cave to mill: improving value of caving operations
Notice bibliographique
Résumé
Forecasts indicate that there will be an increase in copper production from underground operations over the coming decades as available resources trend deeper. It is anticipated that a significant portion of this production will be from caving operations. Caving has a very different risk profile to open pit mining and other underground methods, with one of the critical areas being run-of-mine (ROM) grades that are delivered to the mill. Though caving can match pits in terms of operating cost per tonne, it suffers from limited grade selectivity with ROM grades trending toward the orebody average due to the consequences of mixing in cave columns. Research and subsequent operational trials have demonstrated that bulk sorting can manage this lack of selectivity by ‘pre-concentrating’ the ROM ore, providing the mill with a more consistent and higher grade feed. The paper describes the ‘cave to mill’ concept where the objective is to provide consistent feed (tonnes and grade) to the flotation circuit. This is done in three stages. The first stage is better characterisation of the material reporting to drawpoints. Secondly, measurement of the variation in metal content that is delivered from drawpoints through the use of scanners and sensors at various points in the ore flow system. Finally, bulk sorting systems offer flexibility and control by allowing classification of waste, low-grade and mill-grade streams in real time. The potential for bulk sorting is dependent on the heterogeneity of the ore and the ability of sensors to detect the heterogeneity. The broad technical requirements for each stage are discussed together with the associated business case.
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 ».