The value of automated mineralogy

دسته بندی: زمين شناسي
ویرایش:  
نویسندگان: Gu Y.,  Schouwstra R.P.,  Rule C.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 4 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 7 مگابایت 

قیمت کتاب (تومان) : 51,000

مهندسی معدنی #58 (2014) صفحات 100-103 روش‌ها و ابزارهای کانی‌شناسی خودکار، مانند Mineral Liberation Analyzer (MLA) و QEMSCAN، در حال حاضر به طور گسترده استفاده می‌شوند. برای خصوصیات سنگ معدن، طراحی فرآیند و بهینه سازی فرآیند استفاده می شود. چندین مطالعه موردی که اخیراً منتشر شده است نشان می‌دهد که دستاوردهای بزرگی را می‌توان از طریق بهینه‌سازی آسیاب و فلوتاسیون که توسط داده‌های کانی‌شناسی خودکار هدایت می‌شود، به دست آورد. با این حال، از آنجایی که کانی‌شناسی خودکار فقط می‌تواند اطلاعاتی را ارائه دهد که نشان می‌دهد در کجا می‌توان دستاوردهای فرآیند را به دست آورد، به طور مستقیم بر سود تولید تأثیر نمی‌گذارد. بنابراین اغلب این سوال مطرح می شود: چگونه می توان سهم کانی شناسی خودکار را در بهبود فرآیند در یک کارخانه خاص ارزش گذاری کرد. به نظر می رسد پاسخ به این سوال دشوار باشد. با این حال، با بررسی دقیق، مشخص شد که این اساساً یک سؤال در مورد ارزش اطلاعات است و این به طور منطقی در صنایع مختلف دیگر به خوبی مستند شده است. هابارد (2010) در فصل 7 "اندازه گیری ارزش اطلاعات" دقیقاً به این نوع مشکل پرداخته است. ارزش اطلاعات کاهش ریسک سرمایه گذاری و از دست دادن فرصت است. روش هایی که هابارد توسعه داده می تواند برای تخمین ارزش کانی شناسی خودکار، و همچنین آزمایش متالورژی، هر دو اطلاعاتی را تولید می کنند که ریسک سرمایه گذاری را کاهش می دهد.
این مقاله ابتدا نظریه هابارد را در مورد ارزش اطلاعات و نحوه اندازه گیری آن معرفی می کند و سپس روش های او را برای تخمین به کار می گیرد. ارزش کانی شناسی خودکار، با استفاده از پروژه سنگ زنی ریز آنگلو پلاتینوم به عنوان مثال، در پایان، یک مدل کلی توسعه داده شده است تا امکان شبیه سازی مقدار کانی شناسی خودکار در عملیات معدنی مختلف را با پارامترهای مختلف محدود کند.

Minerals Engineering #58 (2014) pp. 100-103 Automated mineralogy methods and tools, such as the Mineral Liberation Analyser (MLA) and the QEMSCAN, are now widely used for ore characterization, process design and process optimization. Several case studies published recently demonstrate that large gains can be obtained through grinding and flotation optimization guided by automated mineralogy data. However, since automated mineralogy can only provide the information pointing to where the process gains can be made, it does not directly impact the production gain. Thus the question is often asked: how to value the contribution of automated mineralogy to process improvement at a particular plant. This appears to be a difficult question to
answer. On close examination however, it is found that this is essentially a question of the value of information and this is reasonably well documented in various other industries. Hubbard (2010) in chapter 7 "Measuring the Value of Information'', dealt with exactly this type of problem. The value of information is the reduced risk of an investment and opportunity loss. The methods Hubbard developed can be applied to estimate the value of automated mineralogy, as well as metallurgical test work, both producing information that reduces the risk of investment.
This paper first introduces Hubbard's theory on the value of information and how to measure it. It then applies his methods to estimate the value of automated mineralogy, using Anglo Platinum's fine grinding project as an example. In the end, a general model is developed to allow the simulation of the value of automated mineralogy in different mining operations constrained by different parameters.