MétaCan
Menu
Retour à la cohorte
Enregistrement W2969862446 · doi:10.1016/j.ultsonch.2019.104739

A review of effects and applications of ultrasound in mineral flotation

2019· review· en· W2969862446 sur OpenAlexaff
Yuran Chen, Vu N.T. Truong, Xiangning Bu, Guangyuan Xie

Notice bibliographique

RevueUltrasonics Sonochemistry · 2019
Typereview
Langueen
DomaineEnvironmental Science
ThématiqueMinerals Flotation and Separation Techniques
Établissements canadiensUniversity of Alberta
Organismes subventionnairesChina University of Mining and Technology
Mots-clésCavitationUltrasoundUltrasonic sensorMaterials scienceBubbleCoatingAcousticsReagentProcess (computing)Process engineeringDispersion (optics)Computer scienceChemistryComposite materialOpticsEngineeringPhysicsOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Ultrasound technology is widely applied in the flotation process. From the perspective of the theory of ultrasound, this article explains the effects and applications of ultrasound in the flotation process. To obtain a clear understanding of ultrasonic effects, we observe the phenomena of ultrasound using a high-speed camera and a CCD camera, and investigate potential applications in flotation. From these different phenomena, the ultrasonic effects are classified into three types of effect: the transient cavitation effect, stable cavitation effect, and acoustic radiation force effect. Based on these effects, the applications of ultrasound to mineral flotation are reviewed, including slime coating removal, oxidation film removal, desulfuration, tiny bubble generation, flotation reagent dispersion, and aggregation. In addition, the ultrasonic equipment and treatment methods applied in flotation are classified and compared based on their characteristics. Finally, we propose some potential directions in the study of the stable cavitation effect and acoustic radiation force effect, which are important, but are seldom mentioned in previous reports.

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)0,001
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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,004
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,015
Tête enseignante GPT0,312
Écart entre enseignants0,297 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

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

En bref

Citations179
Publié2019
Routes d'admission1
Résumé présentnon

Explorer davantage

Même revueUltrasonics SonochemistryMême sujetMinerals Flotation and Separation TechniquesTravaux en français237 207