MétaCan
Menu
Back to cohort
Record W7115030293

Beneficiation of Nb minerals

2025· dissertation· en· W7115030293 on OpenAlexaboutno aff

Bibliographic record

VenueOpen MIND · 2025
Typedissertation
Languageen
FieldEngineering
TopicSuperconducting Materials and Applications
Canadian institutionsnot available
Fundersnot available
KeywordsPyrometallurgyAluniteHomogeneousHydrous ferric oxides
DOInot available

Abstract

fetched live from OpenAlex

Le niobium (Nb) est utilisé principalement dans l'industrie sidérurgique, ainsi que dans d'autres applications de pointe. Niobec (Québec, Canada) est le seul producteur du Nb en activité en Amérique du Nord. Le schéma de traitement chez Niobec comprend les étapes suivantes: la comminution, le déschlammage, la flottation, la séparation magnétique et la lixiviation. Lors de comminution, environ 13% de la charge du broyeur se retrouve dans la fraction granulométrique inférieure à -10 µm comme particules ultrafines. Les particules ultrafines sont nuisibles à la flottation et sont donc retirées lors de l'étape de déschlammage. Cela entraîne des pertes d'environ 15 % de la teneur totale en Nb. Par conséquent, l'objectif de ce projet est de récupérer les minéraux de Nb à partir des particules ultra-fines rejetées par Niobec.Seules certaines techniques sont disponibles pour le traitement des particules ultrafines: la séparation gravimétrique améliorée, la séparation magnétique à haute intensité et la flottation. Ainsi, plusieurs techniques ont été évaluées à l’échelle du laboratoire pour le traitement des particules ultrafines dans ce travail: (1) la séparation gravimétrique améliorée, incluant la séparation en milieu dense (DMS), les concentrateurs Falcon et Knelson et le séparateur multi-gravité (MGS); (2) la séparation magnétique, incluant le séparateur magnétique humide à haute intensité (WHIMS) et une glissade magnétique à faible intensité; (3) la flocflottation. Pour la séparation gravimétrique améliorée, le DMS a produit un concentré avec un taux de valorisation du Nb de 2,77 et une récupération d'environ 50 %, ce qui suggère qu'une séparation gravimétrique améliorée est réalisable pour le traitement des particules ultra-fines. Les concentrateurs Knelson et Falcon fonctionnant à une accélération centrifuge jusqu'à 120 G avec de l'eau comme milieu fluidisé n'ont pas significativement valorisé les minéraux de Nb. Cela pourrait être amélioré en remplaçant l'eau par un milieu dense (ρ = 2,95 g/cm3) dans le même concentrateur Falcon; ainsi, un concentré avec un taux de valorisation du Nb de 7,55 et une récupération de 25,42 % a été produit. Alternativement, un concentrateur Falcon fonctionnant à 300 G utilisant l'eau comme milieu fluidisé pourrait également améliorer la separation. Des concentrés grossiers avec des taux de valorisation du Nb allant 2,15 avec une récupération maximale de 31,44 % ont été produits, ce qui pourrait être encore valorisé par des étapes de nettoyage. Le MGS a également montré une amélioration du taux de valorisation, mais a été moins efficace que le concentrator Falcon. Ceci est peut-être en raison de l'accélération centrifuge plus faible à laquelle il fonctionnait.Comparée à la séparation gravimétrique améliorée, la WHIMS a montré une tendance limitée à la valorisation du Nb, possiblement en raison du piégeage des particules fines et des différentes propriétés magnétiques des minéraux de Nb. Néanmoins, la WHIMS et la glissade magnétique à faible intensité ont permis de récupérer des oxydes de fer tels que l'hématite et la magnétite. L'élimination de la magnétite pourrait favoriser la séparation gravimétrique ultérieure; l'élimination des oxydes de fer serait bénéfique pour la flottation en aval, car ceux-ci peuvent facilement interagir avec les réactifs de flottation.La flottation, et plus précisément la floc-flottation et la flottation en colonne, s'est avérée efficace pour le traitement des particules fines. La floculation augmente la taille des particules et améliore ainsi la collision et l’attachement des particules aux bulles. La flottation en colonne améliore le contact entre les particules et les bulles, ce qui la rend idéale pour le traitement des particules fines. Il a été constaté que le processus de floculation était lié au degré d'hydrophobicité des particules et au floculant utilisé (kérosène). Par conséquent, la clé pour flotter sélectivement les minéraux de Nb de valeur consistait à trouver des schémas de réactifs sélectifs. Pour y parvenir, la microflottation a été réalisée sur des échantillons monominéraux de dolomite, calcite, hématite et pyrochlore. Les mesures du potentiel zêta et les analyses par spectroscopie de photoélectrons X (XPS) ont été utilisées pour comprendre les interactions entre les réactifs de flottation et les minéraux. Des collecteurs différents, dont l'oléate de sodium (NaOL), la dodécylamine (DDA) et l'acide benzohydroxamique (BHA), ont été étudiés. Le NaOL et la DDA ont montré une forte capacité de collecte pour tous les minéraux avec une faible sélectivité. Le BHA seul (sans activateur) ne pouvait flotter que l'hématite. Plusieurs sels métalliques ont été comparés comme activateur du BHA. Parmi eux, PbCl2 a montré la meilleure performance. La récupération du pyrochlore été significativement améliorée tandis que les récupérations des carbonates sont restées faibles. Plusieurs dépresseurs ont été comparés lorsque NaOL et DDA ont été appliqués comme collecteurs. Parmi les combinaisons testées, F100 + DDA et carboxyméthylcellulose + DDA ont montré une sélectivité potentielle pour le pyrochlore. Elles ont été comparées au schéma BHA+PbCl2 dans la flottation des mélanges synthétiques de minéraux. La combinaison du BHA+PbCl₂ semble la plus sélective. Pour cette raison la floc-flottation des particules ultra-fines a été effectuée dans une colonne de flottation à l'échelle du laboratoire en présence de kérosène. Malheureusement, la teneur en Nb n'a pas été significativement améliorée, probablement en raison de la composition complexe des particules ultra-fines et d'une insuffisante sélectivité du schéma réactif

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.

How this classification was reachedexpand

Full frame distilled prediction

Teacher imitation

Not 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.

metaresearch head score (Codex)0.000
metaresearch head score (Gemma)0.000
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesInsufficient payload (model declined to judge)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Bench or experimental · Consensus signal: Bench or experimental
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.100
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0000.000
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.000
Science and technology studies0.0000.000
Scholarly communication0.0000.000
Open science0.0000.000
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0010.000

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.

Opus teacher head0.037
GPT teacher head0.303
Teacher spread0.266 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designBench or experimental
Domainnot available
GenreEmpirical

How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".

Quick stats

Citations0
Published2025
Admission routes1
Has abstractyes

Explore more

Same venueOpen MINDSame topicSuperconducting Materials and ApplicationsFrench-language works237,207