Towards a Dynamic Optimisation of Comminution Circuit Under Geological Uncertainties
Notice bibliographique
Résumé
Geometallurgical programmes are crucial for designing mineral processing plants that maximise comminution throughput. However, the variability of complex ore bodies, such as platinum group element (PGE) deposits, poses challenges in developing these programmes into profitable mine-to-mill production. This paper investigates the geological characteristics of different lithologies hosting the complex PGE orebody located in the Northern Limb of the Bushveld igneous complex in South Africa and assessed their impact on metallurgical efficiency in comminution circuits. Regression machine learning techniques were employed to analyse the ore mineralogical dataset from two lithologies (feldspathic pyroxenite and pegmatoidal feldspathic pyroxenite) and predict the Bond Work Index (BWI), a key comminution parameter for calculating processing plant throughput. The results indicated that BWI is strongly influenced by Chlorite, silicates, iron oxides, and the relative density of the PGE deposit. Using both simulated and laboratory-measured throughput values, a particle swarm optimisation (PSO) algorithm was applied to maximise the plant’s comminution throughput through tactical blending of low-grade and high-grade ore stockpiles. The PSO algorithm was shown to be an effective tool for stockpile management and tactical mine-to-mill operation in response to feed mineralogical variability. This first-time innovative approach addresses complex geological uncertainties and lays the groundwork for future geometallurgical studies. Potential areas for further research include incorporating additional lithologies for tactical ore stockpile blending and optimising parameters critical for ore mineral flotation.
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 ».