Hyperspectral Characteristics of Oil Sand, Part 1: Prediction of Processability and Froth Quality from Measurements of Ore
Notice bibliographique
Résumé
This study is the first of two companion papers using hyperspectral data to generate predictive models of oil sand ore and froth characteristics as a potential new means for process control. In Alberta, Canada, shallow oil sands deposits are accessed by surface mining and crushed ore is transported to a processing plant for extraction of bitumen using flotation processes. The ore displays considerable variability in clay, bitumen, and fines which affects their behavior in flotation units. Using oil sand ore spanning a range of bitumen and fines characteristics, flotation experiments were performed to generate froth in a batch extractor to determine ore processability (e.g., separation performance) and froth characteristics (color, bitumen, solids). From hyperspectral observations of ore, models can predict the %bitumen content and %fines (particle passing at 44 and 3.9 µm) of ore but the models with highest r2 (>0.96) predict the solids/bitumen of froth and the processability of ore. Spectral observations collected on ore upstream of the separation vessels could therefore offer a first order assessment of froth quality for an ore blend before the ore enters the plant. These models could also potentially be used to monitor and control the performance of the blending process as another means to control the performance of the flotation process.
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 ».