Bayesian statistics study of a sustainable dissolution of cobalt‐bearing minerals from <scp>Cu‐Co</scp> ores
Notice bibliographique
Résumé
Abstract The present paper discusses the dissolution of cobalt‐bearing minerals from a copper‐cobalt ore using probabilistic models where a priori and a posteriori knowledge of leaching are used to predict the dissolution of cobalt‐bearing minerals in a sulphuric acid medium in the presence of a reducing agent. Priorly, the dissolution of cobalt‐bearing minerals depends on their mineralogy, leading to the use of FeSO 4 as a reducing agent for the trivalent (Co 3+ ) form of cobalt (CoOOH). A posteriori, the dissolution of Co 3+ is improved by the presence of ferrous ions, resulting from the dissolution of Fe‐bearing minerals, including Fe from Co(Fe)OOH. The results showed that the predictive‐oriented probabilistic graphic models based on the Bayesian approach, in combination with the design of the experiment data, made it possible to model the leaching of cobalt‐bearing minerals. The results from the design of the experiment using the experimental tree methodology associated with the optimization of the multiple responses in a multiple input for a multiple output set‐up derived the following optimized parameters: 60°C for the temperature (T), 850 rpm for the agitation, 40% for the solid percentage, 1.5 for the pH, and 4 g/L for the concentration of the Fe 2+ ion. The cobalt dissolution yield obtained was 89.95%. The analysis of the dependence between the random variables only (P(Fe 2+ |T), P(pH|T), and P(Fe 2+ |pH)) and the dependence between the random variables and the responses (P(Co‐yield|pH, Eh)) allowed the construction of two Bayesian networks, respectively, with and without posterior knowledge. For the Bayesian network with posteriori knowledge, the {5–2} structure was found to be the most appropriate arrangement. The model predicted a cobalt yield value, and the experimental value indicated a correlation coefficient ( R 2 ) of 0.861.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».