Developing simple regressions for predicting gold gravity recovery in grinding circuit
Notice bibliographique
Résumé
Determining whether or not a gold gravity circuit should be installed in a gold plant requires a prediction of how much gold will be recovered. This has always been a difficult task because recovery takes place from the grinding circulating load, in which gold's behavior must be described. A population-balance model (PBM) to predict gold gravity recovery was developed at McGill University in 1994 (Laplante et al, 1995). The objective of this research was to make this PBM user friendly. This was achieved in two different ways. First, the behavior of gravity recoverable gold (GRG) in secondary ball mills and hydrocyclones was described by two parameters, tau and R-25mum, and these parameters were linked to the circulating load of ore and the fineness of the grinding circuit product, for easy estimation. Second, the database of simulations produced by the PBM was represented by two multilinear regressions (one for coarse GRG, the other for fine GRG) linking the predicted GRG recovery to the natural logarithm of tau, R-25mum , the size distribution of the GRG and the recovery effort (Re ), defined as the proportion, in %, of the GRG in the circulating load recovered by gravity. Re was found to be the most significant parameter, tau the least. The GRG size distribution, represented either by two (coarse GRG) or three (fine GRG) points on the cumulative passing curve, has a significant impact on recovery. A total of twenty different GRG size distributions were used to generate the simulation database. The multilinear regressions were tested on four case studies, and found to predict GRG recovery well within the precision with which the GRG content can be measured, a relative 5%. Whenever size-by-size recovery data are available, the PBM itself would be used; if not, the simpler regressions would be preferred.
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 | 0,001 |
| 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 ».