Hyperspectral Characteristics of Oil Sand, Part 2: Prediction of Froth Characteristics from Measurements of Froth
Notice bibliographique
Résumé
This is the second part of a study of predictive models of oil sand ore and froth characteristics using infrared hyperspectral data as a potential new means for process control. In Alberta, Canada, bitumen in shallow oil sands deposits is accessed by surface mining and then extracted from ore using flotation processes. The ore displays variability in the clay, bitumen, and fines content and this variability affects the separability and product quality in flotation units. Flotation experiments were performed on a set of ore samples of different types to generate froth and determine the ore processability (e.g., separation performance) and froth characteristics (bitumen and solids content, fines distribution). We show that point spectra and spectral imagery of good quality can be acquired rapidly (<1 s and <15 s, respectively) and these capture spectral features diagnostic of bitumen and solids. Ensuing models can predict the solids/bitumen (r2 = 0.88) and the %fines and ultrafines (particle passing at 3.9 and 0.5 µm) content of froth (r2 = 0.8 and 0.9, respectively). The latter model could be used to reject froth with a high solids content. Alternately, the strength of the illite-smectite absorption observed in froth could be used to retain all the samples above a pre-defined processability. Given that point spectrometers can currently be acquired for less than half the cost of an imaging system, we recommend the use of the former for future trials in operating environments.
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) | 0,001 | 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) | 0,003 | 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 ».