Using Linear Programming to Minimize Freshwater Use in the Gold Processing Industry
Notice bibliographique
Résumé
Gold mines deliver gold ore and waste rock to processing facilities, after which the ore is separated from the rock through an 11-stage process. The stages of ore processing require large quantities of fresh-water which are drawn from nearby lakes or rivers. Given the greater importance placed on environmental sustainability, gold producers have become increasingly interested in reducing the amount of freshwater required to process their ore. One strategy by which this can be achieved is by replacing fresh-water with recycled water, wherever feasible, within the 11 stages of processing. The objective of this research is to develop and apply an optimization model by which the gold processing industry can reduce its use of fresh-water by identifying, within the processing stages, where, and up to how much recycled water can replace fresh-water. To achieve this objective, a linear programming model of this optimal water allocation problem was developed to minimize the use of fresh-water in ore processing, subject to maintaining the feasibility of the processing stages by satisfying constraints on pollutant concentrations. The model was applied to a gold processing facility owned by Goldcorp Ltd. in Red Lake, Ontario, Canada. The results show that the optimal solution generated by the model required 51 metric tonnes/hr of fresh-water versus the current use of 68.6 metric tonnes/hr – a reduction in freshwater use of 25.7%. This research is innovative insofar as an optimization model aimed at minimizing fresh-water usage has not been applied to the gold processing problem by prior researchers.
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 | 0,002 | 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».