Deployment of XRF Sensors Underground: An Opportunity for Grade Monitoring or Bulk Ore Sorting in Cave Mines
Notice bibliographique
Résumé
Ore grades are monitored regularly in cave mines through drawpoint sampling. Automating grade monitoring through deploying X-ray fluorescence (XRF) sensors on the buckets of production loaders has been proposed as an alternative approach to address the issues around the traditional practice of drawpoint sampling. Bucket-mounted sensors can also be employed for bulk ore sorting underground. This study is aimed at evaluating the deployment of XRF sensors on production loaders as an opportunity for grade monitoring or bulk ore sorting in caving operations. The mill feed grade prediction performances of the drawpoint sampling program and mine planning software were assessed for the Cadia East panel cave mine. The results showed that the drawpoint samples underestimated the mill feed quality during a 10-month investigation period. The cave portions with bulk ore sorting potential were linked to the extraction level layout to estimate the number of drawpoints where sensors could be situated for diverting ore and waste. Samples obtained from the mine were tested to evaluate the ability of a lab-scale proxy of a bucket-mounted XRF sensor system to measure copper and gold grades. R-squared values of 0.84 and 0.68 were achieved between the predicted and measured copper and gold grades of the samples, respectively. Sensor test results are promising in revealing the potential to utilize XRF sensors underground. Future test work is encouraged to further validate the applicability of XRF sensors in an underground mining environment.
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) | 0,000 | 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 ».