MétaCan
Menu
Retour à la cohorte
Enregistrement W4281797957 · doi:10.3390/min12060678

Evaluation of Rheology Measurements Techniques for Pressure Loss in Mine Paste Backfill Transportation

2022· article· en· W4281797957 sur OpenAlexaff
Haitham M. Ahmed, Mehrdad Kermani, Ferri Hassani, Mohammed A. Hefni, Hussin A. M. Ahmed, Gamal S. A. Hassan, Essam B. Moustafa, Hussein A. Saleem, Agus P. Sasmito

Notice bibliographique

RevueMinerals · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueTailings Management and Properties
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésRheologyRheometerSlumpBingham plasticMaterials scienceGeotechnical engineeringViscosityViscometerGeologyComposite materialCement

Résumé

récupéré en direct d'OpenAlex

Understanding the rheology behavior of non-Newtonian mine paste backfill is critical to ensure its flowability in the pipeline distribution system. Several rheology measurements methods for paste backfill have been proposed in the literature to quantify the rheology properties. However, there is no definite conclusion on the best measurement method to correctly predict pressure loss in the paste backfill pipeline system with a high solid concentration. This study addresses the issue by comparing several rheology measurements techniques, i.e., coaxial rheometer with various configurations, vane viscometer, and slump and pipe loop tests, with regard to Bingham yield stress, Bingham plastic viscosity, and pressure loss using statistical analysis. The paste backfill samples are prepared from two different mine tailings: finer and coarser particles. The pressure loss from the pipe loop test along with Buckingham-Reiner transformation using the Darcy-Weisbach equation are used as reference properties. The results suggest that a simple slump test can accurately predict the Bingham yield stress for coarser tailing. At the same time, a coaxial rheometer with MVDIN cup is found to predict the Bingham paste properties accurately for finer tailing.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,168
Score d'incertitude au seuil0,278

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,057
Tête enseignante GPT0,267
Écart entre enseignants0,210 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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

En bref

Citations15
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMineralsMême sujetTailings Management and PropertiesTravaux en français237 207