Geological Contributions to Geometallurgy: A Review
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Geometallurgy is a cross-disciplinary science that addresses the problem of teasing out the features of the rock mass that significantly influence mining and processing. Rocks are complex composite mixtures for which the basic building blocks are grains of minerals. The properties of the minerals, how they are bound together, and many other aspects of rock texture affect the entire mining value chain from exploration, through mining and processing, waste and tailings disposal, to refining and sales. This review presents rock properties (e.g. strength, composition, mineralogy, texture) significant in geometallurgy and examples of test methods available to measure or predict these properties. Geometallurgical data need to be quantitative and spatially constrained so they can be used in 3D modelling and mine planning. They also need to be obtainable relatively cheaply in order to be abundant enough to provide a statistically valid sample distribution for spatial modelling. Strong communication between different departments along the mining value chain is imperative so that data are produced and transferred in a useable form and duplication is avoided. The ultimate aim is to have 3D models that not only show the grade of valuable elements (or minerals), but also include rock properties that may influence mining and processing, so that decisions concerning mining and processing can be made holistically, i.e. the impacts of rock properties on all the cost centres in the mining process are taken into account. There are significant costs to improving ore deposit knowledge and it is very important to consider the cost-benefit curve when planning the level of geometallurgical effort that is appropriate in individual deposits.RÉSUMÉLa géométallurgie est une science interdisciplinaire qui s’intéresse aux caractéristiques de la masse rocheuse qui influent de manière significative sur l'exploitation minière et le traitement du minerai. Les roches sont des mélanges composites complexes dont les éléments structurant de base sont des grains de minéraux. Les propriétés des minéraux, la façon dont ils sont liés entre eux, et de nombreux autres aspects de la texture des roches déterminent l'ensemble de la chaîne de valeur minière, de l'exploration à l'extraction à la transformation, à l'élimination des déchets et des résidus, jusqu'au raffinage et à la vente. La présente étude passe en revue les propriétés significatives de la roche (par ex. sa cohésion, sa composition, sa minéralogie, sa texture) en géométallurgie ainsi que des exemples de méthodes d'essai disponibles pour mesurer ou prédire ces propriétés. Les données géométallurgiques doivent être quantitatives et localisées spatialement afin qu'elles puissent être utilisées dans la modélisation 3D et la planification de la mine. Elles doivent également être peu couteuses afin d'être suffisamment nombreuses pour fournir une distribution d'échantillon statistiquement valide pour la modélisation spatiale. Une communication efficace entre les différents segments de la chaîne de valeur minière est impérative pour que les données soient produites et transférées sous une forme utilisable et que les duplications soient évitées. Le but ultime est d'avoir des modèles 3D qui montrent non seulement la qualité des éléments précieux (ou minéraux), mais aussi les propriétés de roche qui déterminent l'exploitation minière et le traitement du minerai, de sorte que les décisions concernant l'exploitation minière et le traitement du minerai peuvent être réalisées de façon holistique, c.-à-d. que l’impact des propriétés de roche sur tous les maillons de la chaîne des coûts du processus minier sont prises en compte. Les coûts d’amélioration des connaissances sur le gisement de minerai étant importants, il faut tenir compte de la courbe coûts-bénéfices lors de la planification du niveau d'investissement géométallurgique approprié pour le gisement considéré.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it