What Affects Dewatering Performance of High Density Slurry?
Notice bibliographique
Résumé
The dewatering of flocculated high density slurry presents a significant challenge to most mining industries. The new technologies to treat high density slurry require a consistent and robust flocculation method in order to enter the market of tailings management. The flocculation of high density slurry, however, due to its complexity, is always a challenge to be undertaken appropriately and to evaluate the dewatering performance correctly. This paper probes the complexity by using a torque-controlled mixing technique to demonstrate the influence of feed properties, polymer type, polymer dosage, and mixing conditions on dewatering performance. The study shows that flocculant should be dosed at the optimal range to achieve the highest dewatering performance. A full dosage responsive curve including under dosage, optimal dosage, and overdosage is critical to evaluate the dewatering performance of high density slurries and flocculants. The mixing conditions such as mixing speed, mixing time, and geometry of the mixing impeller affect the flocculation efficacy. It was found that the dewatering performance of high density slurry is sensitive to solids content, water chemistry, and clay activity. High sodicity and high clay activity in the high density slurry decreases the dewatering performance. Therefore, it is critical to evaluate flocculants across multiple feeds and dosages with replication in order to select optimal dewatering performance. Using multiple key performance indicators (KPIs) to build technical and economic criteria is also critical for polymer evaluation.
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) | 0,003 | 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 ».