MétaCan
Menu
Retour à la cohorte
Enregistrement W4291513506 · doi:10.3390/pr10081590

A Review on Pyrometallurgical Extraction of Antimony from Primary Resources: Current Practices and Evolving Processes

2022· review· en· W4291513506 sur OpenAlexaff
Elmira Moosavi‐Khoonsari, Sina Mostaghel, Andreas Siegmund, Jean-Pierre Cloutier

Notice bibliographique

RevueProcesses · 2022
Typereview
Langueen
DomaineEngineering
ThématiqueMetal Extraction and Bioleaching
Établissements canadiensSNC-Lavalin (Canada)École de Technologie Supérieure
Organismes subventionnairesnon disponible
Mots-clésAntimonyRoastingSmeltingPyrometallurgyBlast furnaceMetallurgyEnvironmental scienceMaterials science

Résumé

récupéré en direct d'OpenAlex

Antimony is classified as a critical/strategic metal. Its primary production is predominated by China via pyrometallurgical routes such as volatilization roasting—reduction smelting or direct reduction smelting. The performance of most of the pyro-processes is very sensitive to concentrate type and grade. Therefore, technology selection for a greenfield plant is a significant and delicate task to maximize the recovery rate of antimony and subsequently precious metals (PMs), mainly gold, from the concentrates. The current paper reviews the conventional pyrometallurgical processes and technologies that have been practiced for the treatment of antimony concentrates. The blast furnace is the most commonly used technology, mainly because of its adaptability to different feeds and grades and a high recovery rate. In addition, several other more environmentally friendly pyrometallurgical routes, that were recently developed, are reviewed but these are still at laboratory- or pilot-scales. For example, decarbonization of antimony production through the replacement of carbonaceous reductants with hydrogen seems to be feasible, although the process is still at its infancy, and further research and development are necessary for its commercialization. At the end, available refining methods for removal of the most important impurities including arsenic, sulfur, lead, iron, and copper from crude antimony are discussed.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,004
Études des sciences et des technologies0,0000,000
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,002

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 Opus0,097
Tête enseignante GPT0,362
Écart entre enseignants0,264 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

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

En bref

Citations46
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProcessesMême sujetMetal Extraction and BioleachingTravaux en français237 207