Pressure instrument slack flow detection – three methods to determine flow status of a paste reticulation system
Notice bibliographique
Résumé
One of the most significant operational problems that paste backfill systems face is detection and mitigation against slack flow. Slack flow occurs when there is an excess of gravity head energy within the reticulation system, resulting in high-velocity conditions that increase wear. It is a primary cause of borehole failure. Hydraulic modelling can predict where slack flow might occur and is a principal component in designing a reticulation system to mitigate against slack flow. However, hydraulic modelling relies on accurate rheological measurements to estimate friction losses and requires a distinct predetermined pipeline route. Both these factors become increasingly hard to evaluate during operation; variation in tailings mineralogy or PSD can cause significant shifts in the rheological characteristics of the paste, and as-built reticulation networks frequently differ from the designed routing and/or pipe class. Furthermore, providing real-time feedback to plant operators via hydraulic grade lines is difficult. In a study conducted by Paterson & Cooke for Boliden’s Garpenberg mine located in central Sweden operating a paste backfill system, three distinct methods were developed to detect slack flow in real-time from underground Pressure Instruments (PI). These methods provided immediate feedback to plant operators on whether the system was in slack flow, regardless of filling location and tailings variability. This paper provides details of each of the three methods, including derivation, implementation, and comparison to operational data.
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 | 0,001 |
| 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 ».