Достижения в технологиях сортировки руды для концентратов более высокой чистоты

Развивающийся мандат на концентрацию высшей чистоты

Мировая горнодобывающая промышленность ориентируется на ландшафт, определяемый снижением рудных марок, повышением минералогической сложности и повышенными ожиданиями инвесторов и регулирующих органов в отношении рационального использования окружающей среды. Производство концентратов более высокой чистоты уже не является просто коммерческим преимуществом; это все более эксплуатационное требование. Штрафы за примеси, такие как мышьяк, кремнезем и ртуть, становятся все более строгими, в то время как плавильщики и конечные пользователи требуют более чистого сырья для достижения целей выбросов и повышения эффективности процесса. Сортировка руды на основе датчиков перешла от нишевого инструмента предварительной концентрации к центральной технологии в достижении этих целей чистоты. Благодаря радикальному улучшению качества материала, подаваемого на мельницу, современные системы сортировки позволяют производить концентраты более высокого качества по более низкой цене и со значительно сниженным экологическим воздействием.

Ранняя сортировка руды, часто ручная или основанная на простом разделении плотности, была ограничена пропускной способностью и точностью. Сегодня конвергенция передовых сенсорных технологий, высокоскоростных вычислений и искусственного интеллекта позволила оценить отдельные частицы с высокой пропускной способностью, сделав сортировку мощным рычагом для модернизации руды и отказа от гангуэ. В этой статье рассматриваются конкретные технологические достижения, способствующие повышению чистоты концентрата, стратегии интеграции, которые максимизируют их влияние, и будущая траектория этой важной технологии.

Технологические драйверы современного сортировки руды

Скачок в производительности сортировки обусловлен разработкой и коммерческим развертыванием сложных сенсорных систем, способных считывать широкий спектр свойств материала за миллисекунды. Выбор датчика полностью зависит от конкретной минералогии и целевого элемента.

Оптическая и ближняя инфракрасная спектроскопия (NIR)

Оптическая сортировка остается наиболее широко применяемой технологией, использующей цветные камеры высокого разрешения для обнаружения вариаций цвета, отражательной способности и прозрачности. Современные оптические сортировщики могут разрешать особенности меньше миллиметра. NIR-спектроскопия расширяет эту возможность, выявляя конкретные минеральные виды на основе их характерных спектров поглощения в инфракрасном диапазоне. Это особенно эффективно для промышленных минералов (боратов, карбонатов, гипса) и для обнаружения гидратированных гангуэ-минералов, которые разбавляют концентраты. Сочетание оптического и NIR в одной платформе позволяет проводить сложную дискриминацию материала, что напрямую приводит к более высокой чистоте концентрата.

Сортировка рентгеновской передачи (XRT)

Сортировка XRT представляет собой значительное продвижение для базовых и драгоценных металлов. Измеряя атомную плотность частиц, XRT может эффективно отделять рудные минералы высокой плотности от отходов низкой плотности. Это очень эффективно для сульфидных, свинцово-цинковых руд и тяжелых минеральных песков. Современные системы XRT от лидеров, таких как TOMRA], используют детекторы с двойной энергией для расчета эффективного атомного номера (Zeff) для каждой частицы, что позволяет отбраковывать пирит или другие сульфиды железа, что непосредственно улучшает сорт концентратов меди или цинка. Этот датчик имеет основополагающее значение в модернизации сложных полиметаллических руд, где обычные оптические методы не дотягивают.

Лазерно-индуцированная спектроскопия разрушения (LIBS)

Возможно, наиболее захватывающим рубежом в анализе руды в реальном времени является LIBS. Этот метод использует высокоэнергетический лазерный импульс для сглаживания минутного количества материала с поверхности породы, создавая плазму. Свет, излучаемый плазмой, затем анализируется спектроскопически для определения элементной композиции. LIBS обеспечивает прямое измерение концентраций элементов (например, Cu, Fe, Si, S) на скоростях конвейерной ленты. Это перемещает сортировку от прокси-измерения (цвет или плотность) к прямому элементному анализу, позволяя селективное отторжение материала на основе конкретных элементарных примесей. Такие компании, как MineSense , являются пионерами этой технологии, демонстрируя значительные улучшения в концентратах меди и молибдена, отбрасывая руду, содержащую штрафные элементы.

Электромагнитные и дирижабли сенсоры

Для некоторых типов руд электромагнитные свойства предлагают лучшую дискриминацию. Датчики проводимости могут идентифицировать нативные металлы, такие как медь и серебро, в то время как датчики магнитной восприимчивости используются для железных руд и никель-латеритов. Многосенсорные платформы, которые интегрируют электромагнитные данные с оптическими или рентгеновскими данными, обеспечивают более полную картину частицы, позволяя принимать более тонкие сортировочные решения, которые максимизируют чистоту. Эти датчики часто развертываются последовательно для обработки различных характеристик руды в пределах одного месторождения.

Радиометрическая сортировка

Для месторождений урана и некоторых редкоземельных элементов радиометрическая сортировка остается высокоэффективной и зрелой технологией. Эти системы обнаруживают естественное гамма-излучение, испускаемое рудой. Последние достижения включают в себя сцинтилляционные детекторы высокого разрешения и подавление фонового излучения в реальном времени, что позволяет точно сортировать низкосортные урановые руды, которые ранее были неэкономичными. Эта технология непосредственно способствует чистоте концентрата, гарантируя, что только материал с целевой радиоактивной подписью пересылается в выщелачивающий контур.

Интеллектуальное ядро: машинное обучение и слияние данных

Сырые данные от датчиков столь же полезны, как и интерпретирующий их механизм обработки. Появление машинного обучения (ML), в частности глубокого обучения и сверточных нейронных сетей (CNN), резко повысило точность и адаптивность сортировочных решений. Традиционные алгоритмы сортировки опирались на фиксированные пороговые значения (например, отвергают весь материал темнее определенного оттенка). Такой подход является хрупким и не учитывает естественную изменчивость отложений руды.

Современные модели ML обучаются на тысячах изображений и сигнатур датчиков, учатся распознавать сложные узоры, которые коррелируют с высококачественной рудой или вредными минералами. Эти модели могут оценивать текстуру, форму и контекстуальные особенности, невидимые для простого порогового значения. Например, CNN можно обучить различать бесплодные пиритовые и золотоносные сульфиды на основе тонких текстурных различий, или идентифицировать конкретные альтернативные минералы, которые указывают на высококачественные медные зоны. По мере работы системы сортировки она может продолжать совершенствовать свою модель, создавая петлю обратной связи, которая непрерывно улучшает сортировку. Это приводит к прямому увеличению степени концентрата за счет минимизации неправильной классификации отходов в поток продукта.

Слияние данных является еще одной ключевой возможностью. Объединив данные оптических, XRT и LIBS датчиков, модель ML может принять решение о сортировке на основе всестороннего понимания минералогии и химии частиц. Этот многомерный анализ необходим для сложных руд, где ни один датчик не предоставляет достаточно информации, чтобы принять решение о сортировке с высокой степенью уверенности.

Интеграция систем для максимальной чистоты

Развертывание сортировочной системы эффективно требует тщательного внимания ко всей схеме обработки материала. Чистота конечного концентрата напрямую связана с качеством подготовки корма и конфигурацией этапов сортировки.

Критическая роль размера частиц

Взаимосвязь между размером частиц и их освобождением является единственным наиболее важным фактором в определении успеха сортировки. Если значение полностью освобождено, сортировка является высокоэффективной. Если она плохо освобождена, будут созданы сложные средние частицы, которые трудно сортировать. Расширенные схемы сортировки часто включают стадию грубого дробления с последующим скринингом на фракции нескольких размеров. Каждая фракция может быть сортирована с помощью машины, оптимизированной для ее конкретного размера частиц, максимизируя как пропускную способность, так и точность.

Это внимание к распределению размера частиц является ключевым дифференциатором в растениях, которые достигают концентратов максимальной чистоты.

Подготовка и кондиционирование кормов

Необходим последовательный, хорошо смазанный материал. Для этого требуется эффективный скрининг для обеспечения узкого распределения частиц по размеру, что максимизирует точность датчика и систем выброса. Дедустрия имеет решающее значение, так как мелочи могут заслонять поверхность частиц, ослепляя датчики и снижая чистоту. Не менее важен контроль влажности, особенно для оптических и NIR-датчиков. Хорошо спроектированная система подачи с использованием вибрирующих фидеров и флюидизированных осушителей обеспечивает представление каждой частицы датчику в оптимальном состоянии, что позволяет максимально четко отделить.

Многоступенчатые сортировочные схемы

Для достижения концентратов очень высокой чистоты часто бывает недостаточно одного прохода через сортировщик. Наибольшую гибкость обеспечивает многоступенчатая схема, похожая на плавательную или гравитационную схему. Типичная конфигурация — схема более грубая-сбивная-чистящая. Более грубая стадия удаляет явные отходы. Стадия более грубая обрабатывает более грубые средние частицы для извлечения дополнительных значений.

Более чистая стадия перерабатывает более грубый концентрат для удаления неуместных частиц отходов, значительно повышая конечную степень. Такой подход позволяет операциям максимизировать как извлечение, так и чистоту, адаптируясь к изменчивости кормовой руды.

Влияние Downstream на процессинг

Преимущества производства высококачественного комбикормового каскада ниже по течению. Более высокий класс головки повышает эффективность шлифовальных цепей, снижает потребление энергии на тонну концентрата и снижает потребление реагентов при плавании. Он также уменьшает объем образующихся хвостов. Удаляя кислотообразующие гангуи на ранней стадии, сортировка может улучшить качество хвостов, что облегчает управление и потенциально подходит для засыпки или других применений. Этот интегрированный взгляд на цепочку создания стоимости стимулирует внедрение технологий сортировки в более широком диапазоне товаров.

Количественные преимущества: экономика и ESG

Экономический аргумент в пользу усовершенствованной сортировки руды является сильным. Благодаря модернизации кормового класса шахта может либо увеличить производство концентрата из того же тоннажа, измельченного, либо уменьшить тоннаж, измельченный при сохранении производства концентрата. Экономия в измельчении энергии, воды и реагентов значительна, способствуя снижению эксплуатационного углеродного следа, ключевой цели, изложенной во многих в рамках устойчивости промышленности . Кроме того, более высокая чистота концентрата часто требует премиальной цены от плавильных заводов и снижает или устраняет штрафные сборы. Первоначальные капитальные инвестиции для сортировочной установки обычно ниже и быстрее развертываются, чем традиционная шлифовальная схема, предлагая быстрый период окупаемости.

С точки зрения охраны окружающей среды, социальной сферы и управления (ЭСУ) преимущества одинаково убедительны. Сортировка сухой руды сохраняет воду, что является критическим преимуществом в регионах, испытывающих дефицит воды. Снижая энергоемкость горных работ, она снижает углеродный след от эксплуатации. Сокращение объема хвостохранилищ напрямую снижает риск сбоев хвостохранилища и долгосрочную ответственность, связанную с хранением хвостохранилищ. Благодаря экономической добыче низкосортных ресурсов сортировка может продлить срок службы рудника и отсрочить воздействие на окружающую среду открытия новых рудников.

Навигационные оперативные задачи

Несмотря на явные преимущества, успешное применение сортировки руды требует тщательного рассмотрения нескольких факторов. Освобождение является первичной предпосылкой. Если ценный минерал не освобождается от гангюи при сортировке частиц по размеру, физическое разделение теоретически невозможно. Характеризация руды при разных размерах фракций необходима для выбора правильной точки разреза и датчика.

Влажность и пыль являются основными эксплуатационными врагами сортировки. Липкая руда может ослеплять экраны и фидеры, а поверхностная пыль может маскировать спектральную подпись породы. Эффективные системы промывки, отпыливания и сушки не являются факультативными; они являются неотъемлемой частью процесса сортировки. Стоимость сжатого воздуха для системы выброса является еще одним значительным эксплуатационным расходом, а оптимизация эффективности воздушного ножа является ключом к поддержанию рентабельности. Достижения в области рекуперации энергии и низкоэнергетических соленоидных клапанов помогают смягчить эту стоимость, делая технологию более доступной.

Будущее автономного и прогнозного сортировки

Следующее поколение сортировки руды будет определяться автономностью и цифровой интеграцией. Мы движемся к полностью автономным сортировочным установкам, которые могут самостоятельно оптимизировать в режиме реального времени на основе вариабельности кормов. Цифровые двойники сортировочной схемы будут имитировать влияние вариабельности руды на качество конечного концентрата, позволяя операторам проактивно регулировать параметры. Интеграция данных датчиков с программным обеспечением планирования рудников позволит "отслеживать ушные породы", где качество корма можно предсказать за минуты или часы, что позволит заводу подготовиться к изменениям в минералогии.

Робототехника будет играть более важную роль, с автоматизированными системами сортировки, способными идентифицировать и сортировать большие породы, которые в настоящее время выходят за рамки возможностей обычных реактивных систем. Эти роботизированные руки могут физически выбирать отдельные валуны, расширяя диапазон приложений. Сближение связи 5G, граничных вычислений и облачного ИИ создаст бесшовный поток данных от лица шахты до сортировочной установки, что позволит по-настоящему интегрировать и оптимизировать работу по добыче. Эти достижения раздвинут границы того, что возможно в чистоте концентрата, поддерживая переход к более устойчивой и ресурсоэффективной горнодобывающей промышленности.

Заключение

Сортировка руды на основе датчиков перешла на передний план технологии переработки полезных ископаемых. Возможность систематически отклонять гангу и модернизировать кормовые мельницы до того, как они войдут в интенсивные схемы горения и разделения, непосредственно позволяет производить концентраты более высокой чистоты. Благодаря применению передовых датчиков, машинному обучению и продуманному проектированию системы, операции по добыче полезных ископаемых могут открыть значительную экономическую ценность, одновременно удовлетворяя растущий спрос на ответственную добычу ресурсов. Поскольку технология продолжает развиваться в направлении большей автономии и точности, она останется ключевым инструментом для отрасли, чтобы ориентироваться в проблемах сложных, низкосортных рудных тел и строгих требований к чистоте.