The development of process-based techno-economic models for the assessment of critical minerals recovery from bitumen extraction tailings
Notice bibliographique
Résumé
Critical minerals such as zircon and titanium are essential for the development of a low-carbon economy, with increasing demand driven by advancements in renewable energy technologies. Bitumen extraction tailings, specifically from froth treatment operations, represent an underused source of these minerals. This study presents a techno-economic assessment of recovering zircon and titanium from bitumen froth treatment tailings (FTT). The process has two stages: heavy mineral concentration and separation. In the first stage, tailings undergo desliming, flotation, and solvent extraction to concentrate heavy minerals. In the second stage, the concentrate is separated into zircon, rutile, ilmenite, and leucoxene using flotation, gravity, electrostatic, and magnetic techniques. A data-intensive process model was developed to calculate material and energy balances, equipment sizes, capital and operating costs, and internal rate of return (IRR). A plant processing 15.5 million tonnes of tailings annually can recover 157,000 tonnes of heavy minerals, generating an IRR of 9.8% at current market prices for zircon and rutile. Separating the process into two stages results in an IRR of 7.6%, with capacity and zircon price being the most influential factors. Sensitivity analysis shows that the IRR could range from 6.9% to 11.5% depending on input uncertainties. This study provides valuable insights for stakeholders interested in the economic potential of recovering critical minerals from bitumen extraction waste, supporting the circular economy and energy transition goals.
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 ».