CN112651579A - 基于矿石基因特性的浮选回收率预测方法 - Google Patents
基于矿石基因特性的浮选回收率预测方法 Download PDFInfo
- Publication number
- CN112651579A CN112651579A CN202110065502.2A CN202110065502A CN112651579A CN 112651579 A CN112651579 A CN 112651579A CN 202110065502 A CN202110065502 A CN 202110065502A CN 112651579 A CN112651579 A CN 112651579A
- Authority
- CN
- China
- Prior art keywords
- ore
- mineral
- target
- influence coefficient
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000011084 recovery Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000005188 flotation Methods 0.000 title claims abstract description 34
- 108090000623 proteins and genes Proteins 0.000 title description 6
- 229910052500 inorganic mineral Inorganic materials 0.000 claims abstract description 240
- 239000011707 mineral Substances 0.000 claims abstract description 240
- 239000002245 particle Substances 0.000 claims abstract description 47
- 230000002068 genetic effect Effects 0.000 claims abstract description 24
- 229910052751 metal Inorganic materials 0.000 claims description 17
- 239000002184 metal Substances 0.000 claims description 16
- 230000001186 cumulative effect Effects 0.000 claims description 13
- 238000002360 preparation method Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 14
- 230000008569 process Effects 0.000 abstract description 12
- 238000005457 optimization Methods 0.000 abstract description 7
- 238000013461 design Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 3
- 229910052948 bornite Inorganic materials 0.000 description 10
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 8
- 229910052951 chalcopyrite Inorganic materials 0.000 description 8
- DVRDHUBQLOKMHZ-UHFFFAOYSA-N chalcopyrite Chemical compound [S-2].[S-2].[Fe+2].[Cu+2] DVRDHUBQLOKMHZ-UHFFFAOYSA-N 0.000 description 8
- 229910052802 copper Inorganic materials 0.000 description 8
- 239000010949 copper Substances 0.000 description 8
- BWFPGXWASODCHM-UHFFFAOYSA-N copper monosulfide Chemical compound [Cu]=S BWFPGXWASODCHM-UHFFFAOYSA-N 0.000 description 7
- 239000000243 solution Substances 0.000 description 7
- 238000000926 separation method Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 229910001779 copper mineral Inorganic materials 0.000 description 3
- 229910001608 iron mineral Inorganic materials 0.000 description 3
- 229910052976 metal sulfide Inorganic materials 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- QPLDLSVMHZLSFG-UHFFFAOYSA-N Copper oxide Chemical compound [Cu]=O QPLDLSVMHZLSFG-UHFFFAOYSA-N 0.000 description 2
- 239000005751 Copper oxide Substances 0.000 description 2
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 2
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical group [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 2
- 229910052656 albite Inorganic materials 0.000 description 2
- DLHONNLASJQAHX-UHFFFAOYSA-N aluminum;potassium;oxygen(2-);silicon(4+) Chemical compound [O-2].[O-2].[O-2].[O-2].[O-2].[O-2].[O-2].[O-2].[Al+3].[Si+4].[Si+4].[Si+4].[K+] DLHONNLASJQAHX-UHFFFAOYSA-N 0.000 description 2
- 229910052612 amphibole Inorganic materials 0.000 description 2
- 229910052925 anhydrite Inorganic materials 0.000 description 2
- 229910052661 anorthite Inorganic materials 0.000 description 2
- 229910052626 biotite Inorganic materials 0.000 description 2
- OSGAYBCDTDRGGQ-UHFFFAOYSA-L calcium sulfate Chemical compound [Ca+2].[O-]S([O-])(=O)=O OSGAYBCDTDRGGQ-UHFFFAOYSA-L 0.000 description 2
- NWXHSRDXUJENGJ-UHFFFAOYSA-N calcium;magnesium;dioxido(oxo)silane Chemical compound [Mg+2].[Ca+2].[O-][Si]([O-])=O.[O-][Si]([O-])=O NWXHSRDXUJENGJ-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 229910001748 carbonate mineral Inorganic materials 0.000 description 2
- 229910001919 chlorite Inorganic materials 0.000 description 2
- 229910052619 chlorite group Inorganic materials 0.000 description 2
- QBWCMBCROVPCKQ-UHFFFAOYSA-N chlorous acid Chemical compound OCl=O QBWCMBCROVPCKQ-UHFFFAOYSA-N 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 229910000431 copper oxide Inorganic materials 0.000 description 2
- GWWPLLOVYSCJIO-UHFFFAOYSA-N dialuminum;calcium;disilicate Chemical compound [Al+3].[Al+3].[Ca+2].[O-][Si]([O-])([O-])[O-].[O-][Si]([O-])([O-])[O-] GWWPLLOVYSCJIO-UHFFFAOYSA-N 0.000 description 2
- 229910052637 diopside Inorganic materials 0.000 description 2
- 229910000514 dolomite Inorganic materials 0.000 description 2
- 239000010459 dolomite Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000010433 feldspar Substances 0.000 description 2
- 239000011019 hematite Substances 0.000 description 2
- 229910052595 hematite Inorganic materials 0.000 description 2
- 229910052900 illite Inorganic materials 0.000 description 2
- LIKBJVNGSGBSGK-UHFFFAOYSA-N iron(3+);oxygen(2-) Chemical compound [O-2].[O-2].[O-2].[Fe+3].[Fe+3] LIKBJVNGSGBSGK-UHFFFAOYSA-N 0.000 description 2
- SZVJSHCCFOBDDC-UHFFFAOYSA-N iron(II,III) oxide Inorganic materials O=[Fe]O[Fe]O[Fe]=O SZVJSHCCFOBDDC-UHFFFAOYSA-N 0.000 description 2
- VGIBGUSAECPPNB-UHFFFAOYSA-L nonaaluminum;magnesium;tripotassium;1,3-dioxido-2,4,5-trioxa-1,3-disilabicyclo[1.1.1]pentane;iron(2+);oxygen(2-);fluoride;hydroxide Chemical compound [OH-].[O-2].[O-2].[O-2].[O-2].[O-2].[F-].[Mg+2].[Al+3].[Al+3].[Al+3].[Al+3].[Al+3].[Al+3].[Al+3].[Al+3].[Al+3].[K+].[K+].[K+].[Fe+2].O1[Si]2([O-])O[Si]1([O-])O2.O1[Si]2([O-])O[Si]1([O-])O2.O1[Si]2([O-])O[Si]1([O-])O2.O1[Si]2([O-])O[Si]1([O-])O2.O1[Si]2([O-])O[Si]1([O-])O2.O1[Si]2([O-])O[Si]1([O-])O2.O1[Si]2([O-])O[Si]1([O-])O2 VGIBGUSAECPPNB-UHFFFAOYSA-L 0.000 description 2
- 229910052652 orthoclase Inorganic materials 0.000 description 2
- 229910052683 pyrite Inorganic materials 0.000 description 2
- 239000011028 pyrite Substances 0.000 description 2
- NIFIFKQPDTWWGU-UHFFFAOYSA-N pyrite Chemical compound [Fe+2].[S-][S-] NIFIFKQPDTWWGU-UHFFFAOYSA-N 0.000 description 2
- 229910052952 pyrrhotite Inorganic materials 0.000 description 2
- 239000010453 quartz Substances 0.000 description 2
- -1 sericite Chemical compound 0.000 description 2
- 239000006104 solid solution Substances 0.000 description 2
- 239000011701 zinc Substances 0.000 description 2
- 229910052725 zinc Inorganic materials 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000010494 dissociation reaction Methods 0.000 description 1
- 230000005593 dissociations Effects 0.000 description 1
- 238000007688 edging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002687 intercalation Effects 0.000 description 1
- 238000009830 intercalation Methods 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002366 mineral element Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/30—Administration of product recycling or disposal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Agronomy & Crop Science (AREA)
- Game Theory and Decision Science (AREA)
- Sustainable Development (AREA)
- Development Economics (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Manufacture And Refinement Of Metals (AREA)
Abstract
本发明提供了一种基于矿石基因特性的浮选回收率预测方法，涉及矿物加工领域，该方法包括确定待选矿石中的至少一种目的矿物，以及每种目的矿物的含量影响系数；计算目的矿物所呈现矿石结构的影响系数；测定目的矿物的粒度影响系数；基于含量影响系数、目的矿物所呈现矿石结构的影响系数以及粒度影响系数对待选矿石的回收率进行预测。本发明可以直接依据矿石性质差异进行浮选回收率的预测，而无需通过磨矿、选矿工艺、生产过程等相关数据来进行理论回收率预测，提升了回收率预测的效率，并且可以为后续的选矿厂的设计、生产、优化提供依据。
Description
技术领域
本发明涉及矿物加工领域，尤其是涉及一种基于矿石基因特性的浮选回收率预测方法。
背景技术
浮选回收率是考核和衡量矿山企业选矿技术、管理水平和入选矿石中有用成分回收程度的重要技术经济指标，回收率越高，表示选矿过程(或作业)回收的有用组分越多。浮选回收率是指精矿中有用成分的质量与原矿中该有用成分质量之比，一般在保证精矿质量要求的前提下，力求提高有用组分的回收率，该回收率是在一定的选矿工艺条件下获得的有价元素的实际回收率。
针对不同矿石而言，矿石中有价元素的理论回收率是由矿石自身性质决定的，是指矿石在最合理的工艺技术条件下所取得的最佳的回收率，可以作为有价元素回收率的最大值，指导选矿工艺流程优化；也可以用来评价矿石可选性的难易程度。
目前，在工业上常用的回收率预测方法主要有浮选过程中的数理分析、浮选泡沫图像分析以及神经网络分析等方法进行理论回收率的预测，这些预测方法都是基于现有的工艺流程进行的预测，得到的预测结果也都是围绕生产工艺的实际回收率，不能作为有价元素的最佳回收率，也不能直接作为评价矿石可选性的依据。也有人从矿石性质出发，通过元素的赋存状态研究以及目的矿物单体解离度分析等方面进行了理论回收率预测模型的建立，开展了对理论回收率预测方法的研究。然而，现有的回收率预测方法多是需要通过磨矿，在结合当前生产工艺条件下的回收率指标，回收率预测的效率较低。
发明内容
本发明的目的在于提供一种基于矿石基因特性的浮选回收率预测方法,可以直接依据矿石性质差异进行浮选回收率的预测，而无需通过磨矿、选矿工艺、生产过程等相关数据来进行理论回收率预测，提升了回收率预测的效率，并且可以为后续的选矿厂的设计、生产、优化提供依据。
第一方面，本发明提供一种基于矿石基因特性的浮选回收率预测方法，方法包括：确定待选矿石中的至少一种目的矿物，以及每种目的矿物的含量影响系数；计算目的矿物所呈现矿石结构的影响系数；测定目的矿物的粒度影响系数；基于含量影响系数、目的矿物所呈现矿石结构的影响系数以及粒度影响系数对待选矿石的回收率进行预测。
在可选的实施方式中，确定待选矿石中的至少一种目的矿物，以及每种目的矿物的含量影响系数的步骤，包括：确定待选矿石中的至少一种目的矿物；其中，每种目的矿物包括同一目的元素；计算每种目的矿物对应的目的元素在目的矿物中的占有率；基于矿物可选性差异确定每种目的矿物的可选性系数；基于目的矿物的占有率和可选性系数确定每种目的矿物的含量影响系数。
在可选的实施方式中，计算每种目的矿物对应的目的元素在目的矿物的占有率的步骤，包括：确定每种目的矿物在待选矿石中的矿物量；确定每种目的矿物的矿物量对应的目的元素的元素含量；基于矿物量和元素含量确定每种目的矿物的单一金属量；基于每种目的矿物的单一金属量计算多种目的矿物的总金属量；基于每种目的矿物的单一金属量和总金属量计算每种目的矿物对应的目的元素在目的矿物的占有率。
在可选的实施方式中，计算目的矿物所呈现矿石结构的影响系数的步骤，包括：测定目的矿物所呈现的至少一种矿石结构，以及目的矿物相对于每种矿石结构的初始相对比例；确定每种目的矿物相对于每种矿石结构的影响因子；基于初始相对比例和对应的影响因子计算目的矿物所呈现矿石结构的影响系数。
在可选的实施方式中，测定目的矿物的粒度影响系数的步骤，包括：测定每种目的矿物的粒度；确定每种目的矿物在对应的粒度下的矿物含量，并基于矿物含量确定每种矿物含量对应的累计含量；基于累计含量确定粒度影响系数。
在可选的实施方式中，粒度影响系数的计算公式如下：Ci＝100％-pn；其中，Ci为粒度影响系数；i为目的矿物的种类数；pn为目的矿物在n粒级以下的累计含量。
在可选的实施方式中，基于含量影响系数、目的矿物所呈现矿石结构的影响系数以及粒度影响系数对待选矿石的回收率进行预测的步骤，包括：通过公式
对待选矿石的回收率进行预测；其中，ε预为预测理论回收率；Ai为待选矿石中第i种目的矿物的含量影响系数；Bi为待选矿石中第i种目的矿物所呈现矿石结构的影响系数；Ci为矿石中第i种目的矿物的粒度影响系数。
本发明提供的基于矿石基因特性的浮选回收率预测方法，该方法首先确定待选矿石中的至少一种目的矿物，以及每种所述目的矿物的含量影响系数，然后计算所述目的矿物所呈现矿石结构的影响系数，并进一步测定所述目的矿物的粒度影响系数，以便基于所述含量影响系数、所述目的矿物所呈现矿石结构的影响系数以及所述粒度影响系数对所述待选矿石的回收率进行预测。上述方式通过确定矿石的基因特性(含量影响系数、目的矿物所呈现矿石结构的影响系数以及粒度影响系数)，并基于含量影响系数、目的矿物所呈现矿石结构的影响系数以及粒度影响系数对待选矿石的回收率进行预测，可以直接依据矿石性质差异进行浮选回收率的预测，而无需通过磨矿、选矿工艺、生产过程等相关数据来进行理论回收率预测，提升了回收率预测的效率，并且可以为后续的选矿厂的设计、生产、优化提供依据。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于矿石基因特性的浮选回收率预测方法的流程示意图；
图2为本发明实施例提供的另一种基于矿石基因特性的浮选回收率预测方法的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
考虑到矿石基因特性是决定矿物性质的本质因素，诸如矿床成因，矿石的结构构造、物质组成、矿物的嵌布特性、粒度、晶体结构、磁性、密度、电性及表面性质等矿石的基因特性。这些基因特性是决定矿石可选性的本质因素，也决定了在当前技术水平条件下的理论回收率的水平。基于此，本发明实施例提供一种基于矿石基因特性的浮选回收率预测方法，可以直接依据矿石性质差异进行浮选回收率的预测，而无需通过磨矿、选矿工艺、生产过程等相关数据来进行理论回收率预测，提升了回收率预测的效率，并且可以为后续的选矿厂的设计、生产、优化提供依据。
为便于理解，首先对本发明实施例提供的一种基于矿石基因特性的浮选回收率预测方法进行详细说明，该方法诸如可以通过预测软件/系统执行，预测软件/系统可以设置于单片机、计算机等设备。本实施例采用的方法是基于矿石基因特性的，该矿石基因特性选用每种目的矿物的含量影响系数、目的矿物所呈现矿石结构的影响系数以及目的矿物的粒度影响系数，具体参见图1所示的一种基于矿石基因特性的浮选回收率预测方法的流程示意图，该方法主要包括以下步骤S102至步骤S108：
步骤S102，确定待选矿石中的至少一种目的矿物，以及每种目的矿物的含量影响系数。
待选矿石中矿物的种类多种多样，诸如，铜硫矿中包含有铜矿物、铁矿物、其它金属硫化物矿物以及脉石矿物等，其中，国内的某铜硫矿的铜矿物主要为黄铜矿，其次为斑铜矿；铁矿物主要为磁铁矿，另有少量的赤铁矿以及微量的褐铁矿等；其它金属硫化物矿物主要为黄铁矿，偶见磁黄铁矿等。矿石中的脉石矿物主要为石英，其次为钠长石、奥长石、绢云母、伊利石、绿泥石、正长石及歪长石，另有少量的角闪石、硬石膏、黑云母、透辉石及铁白云石等碳酸盐矿物。
可以理解的是，一种元素通常存在与多种不同的矿物中，针对同一元素要通过浮选回收的矿物均为目的矿物，诸如，铜元素存在于黄铜矿和斑铜矿中，因此，当目的元素为铜元素时，目的矿物则为黄铜矿和斑铜矿。对于不同的目的矿物，其中的目的元素的含量大致都存在区别，并且不同的矿物的浮选难度通常不同，因此可选性系数也并不相同，基于每种目的矿物中目的元素的含量，以及该目的矿物的可选性系数确定每种目的矿物含量影响系数，该含量影响系数为目的矿物的含量对回收率的影响系数。
步骤S104，计算目的矿物所呈现矿石结构的影响系数。
在计算目的矿物所呈现矿石结构的影响系数时，首先确定目的矿物所呈现的矿石结构，通常，矿石结构诸如可以包括自形粒状结构、半自形粒状结构、他形粒状结构、包含结构、压碎结构、放射状变晶结构、残余结构、镶边结构、骸晶结构、脉状结构、网脉状结构、固溶体分离结构等结构，并且每种矿石结构均有对应的影响因子，用于表征该矿石结构针对目的矿物的影响。可以理解的是，每种目的矿物实质上均对应有上述结构中的几种，因此需要确定每种目的矿物所呈现的矿石结构所对应的相对比例，并基于该相对比例和矿石结构的影响因子确定目的矿物所呈现矿石结构的影响系数。
步骤S106，测定目的矿物的粒度影响系数。
粒度影响系数为目的矿物的粒度对回收率的影响系数，针对不同的矿物，根据其含量和可选性的差异，可以选择不同的粒级，诸如，当选用硫化铜时，通常采用浮选的方式，因此粒级通常选择0.01mm。在测定粒度影响系数时，首先对每一种目的矿物的粒度进行测定，统计其累计含量(通过负累积数据表征)，某一粒级以下部分的累计含量用p表示，pn为目的矿物在n粒级以下的累计含量，然后根据该累计含量。
步骤S108，基于含量影响系数、目的矿物所呈现矿石结构的影响系数以及粒度影响系数对待选矿石的回收率进行预测。
当确定上述含量影响系数、目的矿物所呈现矿石结构的影响系数以及粒度影响系数之后，针对每种目的矿物可以采用三种系数乘积的方式进行待选矿石的回收率预测。由于针对同一金属元素，目的矿物的种类通常为至少一种，因此在实际应用中，分别计算每种目的矿物的含量影响系数、目的矿物所呈现矿石结构的影响系数以及粒度影响系数，将三种影响系数进行乘积，并将每种目的矿物计算得到的影响系数的乘积进行加和进行最终的待选矿石的回收率预测。
本发明实施例提供的浮选回收率预测方法，通过确定矿石的基因特性(含量影响系数、目的矿物所呈现矿石结构的影响系数以及粒度影响系数)，并基于含量影响系数、目的矿物所呈现矿石结构的影响系数以及粒度影响系数对待选矿石的回收率进行预测，可以直接依据矿石性质差异进行浮选回收率的预测，而无需通过磨矿、选矿工艺、生产过程等相关数据来进行理论回收率预测，提升了回收率预测的效率，并且可以为后续的选矿厂的设计、生产、优化提供依据。
在一种实施方式中，确定待选矿石中的至少一种目的矿物，以及每种目的矿物的含量影响系数的步骤，包括以下步骤1至步骤4：
步骤1，确定待选矿石中的至少一种目的矿物；其中，每种目的矿物包括同一目的元素。诸如，当目的元素为铜元素时，则目的矿物为至少一种包含铜元素的矿物，当目的元素为锌元素时，则目的矿物为至少一种包含锌元素的矿物。由于同一金属元素可能存在于矿石中多种不同的矿物中，因此，每种目的矿物都包括同一目的元素。
步骤2，计算每种目的矿物对应的目的元素在目的矿物中的占有率。可以理解的是，针对同一目的元素，不同的目的矿物中的目的元素中的占有率并不相同，因此，需要计算每种目的矿物对应的目的元素在目的矿物的占有率，在计算占有率时，该步骤进一步包括步骤2.1至步骤2.5：
步骤2.1，确定每种目的矿物在待选矿石中的矿物量。
步骤2.2，确定每种目的矿物的矿量对应的目的元素的元素含量。
步骤2.3，基于矿物量和元素含量确定每种目的矿物的单一金属量。
步骤2.4，基于每种目的矿物的单一金属量计算多种目的矿物的总金属量。
步骤2.5，基于每种目的矿物的单一金属量和总金属量计算每种目的矿物对应的目的元素在目的矿物的占有率。
步骤3，基于矿物可选性差异确定每种目的矿物的可选性系数。可选性系数根据矿物种类的差异以及以往经验进行确定，不同的矿物种类可选性差异较大，则可选性系数也有高有低，一般可选性系数最高设置为1。诸如，斑铜矿和硫化铜的矿物的可选性系数都比较好，并且二者较为接近，但是如果包含氧化铜的话，那可选性系数就会较差，在一种实施方式中，斑铜矿和硫化铜的矿物的可选性系数可以赋值为1，则氧化铜的可选性系数则赋值为0.3或0.4。
步骤4，基于目的矿物的占有率和可选性系数确定每种目的矿物的含量影响系数。在一种实施方式中，在确定目的矿物的占有率和可选性系数之后，通过二者的乘积，确定每种目的矿物的含量影响系数，当目的矿物为多种时，将每种目的矿物的含量影响系数进行相加，得到总的含量影响系数。
在测定目的矿物的粒度影响系数时，首先测定每种目的矿物的粒度，可以理解的是，针对不同的矿物，根据其含量和可选性的差异，可以选择不同的粒级，然后确定每种目的矿物在对应的粒度下的矿物含量，并基于矿物含量确定每种矿物含量对应的累计含量，在实际应用中，粒级选取越小，则累计含量越少，当粒级选取较大时，则累计含量会增多，进而基于累计含量确定粒度影响系数。诸如，在一种实施方式中，粒度影响系数的计算公式如下：Ci＝100％-pn；其中，Ci为粒度影响系数；i为目的矿物的种类数；pn为目的矿物在n粒级以下的累计含量。
当确定含量影响系数、目的矿物所呈现矿石结构的影响系数以及粒度影响系数之后，则基于含量影响系数、目的矿物所呈现矿石结构影响系数以及粒度影响系数对待选矿石的回收率进行预测。本实施例通过公式
对待选矿石的回收率进行预测，其中，ε预为预测理论回收率；Ai为待选矿石中第i种目的矿物的含量影响系数；Bi为待选矿石中第i种目的矿物所呈现矿石结构的影响系数；Ci为矿石中第i种目的矿物的粒度影响系数，需要注意的是，本实施例的公式一次仅针对一种元素，当需要对多种元素进行回收率的预测时，则对公式执行多次即可。
上述矿石基因特性选用的矿石基因特性包括每种目的矿物的含量影响系数、目的矿物所呈现矿石结构的影响系数以及目的矿物的粒度影响系数。在实际应用时，本领域技术人员也可以根据实际需求选用其他矿石基因特性，此处不作具体限定。
本实施例还给出了另一种基于矿石基因特性的浮选回收率预测方法，参见图2所示的另一种基于矿石基因特性的浮选回收率预测方法的流程示意图，该方法主要包括以下步骤S201至步骤S204：
步骤S201，计算目的矿物含量的第一影响系数。首先了解样品(也即上述待选矿石)中目的矿物的种类和目的元素在各矿物中的占有率ai；不同矿物元素的含量不一样，最终还是为了确定影响系数，然后根据不同矿物可选性的差异，判断其可选性系数ki，其中，可选性系数最高为1，具体可以根据经验及矿物种类进行赋值；进而计算矿石中每一种目的矿物的影响系数Ai：Ai＝ai*ki；其中，i是目的矿物的种类数，ki为矿石中第i种含目的元素矿物的可选性系数。为便于理解，可以参见表2-1：
表2-1目的矿物中元素占有率及影响系数表
步骤S202，计算矿石结构的第二影响系数。测定目的矿物所呈现的至少一种矿石结构，以及目的矿物相对于每种矿石结构的初始相对比例，诸如测定矿石中每一种目的矿物所呈现矿石结构的相对比例bj，然后确定每种目的矿物相对于每种矿石结构的影响因子，也即对不同结构的影响因子进行赋值mj，该赋值影响综合考虑矿石的性质等方面的因素进行经验赋值，进而基于初始相对比例和对应的影响因子计算目的矿物在待选矿石所呈现矿石结构的影响系数，诸如第i种目的矿物所呈现矿石结构的影响系数Bj可以通过Bi＝∑bj*mj计算，其中，j是矿石结构的种类数，mj为不同矿石结构的影响因子。不同目的矿物所呈现矿石结构的相对比例及影响因子见表2-2：
表2-2不同目的矿物所呈现矿石结构的相对比例及影响因子
| 矿石结构名称(j) | 相对比例(b)，％ | 影响因子(m) |
| 自形粒状结构1 | b<sub>1</sub> | m<sub>1</sub> |
| 半自形粒状结构2 | b<sub>2</sub> | m<sub>2</sub> |
| 他形粒状结构3 | b<sub>3</sub> | m<sub>3</sub> |
| 包含结构4 | …… | …… |
| 压碎结构5 | …… | …… |
| 放射状变晶结构6 | …… | …… |
| 残余结构7 | …… | …… |
| 镶边结构8 | …… | …… |
| 骸晶结构9 | …… | …… |
| 脉状结构10 | …… | …… |
| 网脉状结构11 | …… | …… |
| 固溶体分离结构12 | …… | …… |
| 结构j | b<sub>j</sub> | m<sub>j</sub> |
步骤S203，计算目的矿物粒度的第三影响系数。对每一种目的矿物的粒度进行测定，统计其负累积数据，某一粒级以下部分的累计含量用p表示，pn为目的矿物在n粒级以下的累计含量。针对不同的矿物，根据其含量和可选性的差异，可以选择不同的粒级，一般常选0.01mm。然后计算每一种含目的元素矿物的粒度影响系数C，Ci＝100％-pn，考虑到硫化铜主要采用浮选，n值暂取为0.01mm。粒度分布表征样式可参考表2-3(含量及负累积根据实际情况确定，表2-3中未示出)：
表2-3目的矿物的粒度分布表
步骤S204，基于第一影响系数、第二影响系数、第三影响系数进行矿石回收率预测。在具体实施时，根据公式计算矿石中目的元素理论回收率ε预：
式中，i为自然数；ε预——为预测理论回收率；Ai——矿石中第i种目的矿物的含量影响系数；Bi——矿石中第i种目的矿物所呈现矿石结构的影响系数；Ci——矿石中第i种目的矿物的粒度影响系数。需要说明的是，一种元素可能赋存在不同的矿物中，要通过浮选回收的矿物都是目的矿物，本公式一次仅针对一种元素。
本实施例还提供了一种具体的示例，以国内某铜硫矿为例，铜的品位为0.46％,选矿厂铜的实际回收率为88.19％。矿石中的铜矿物主要为黄铜矿，其次为斑铜矿；铁矿物主要为磁铁矿，另有少量的赤铁矿以及微量的褐铁矿等；其它金属硫化物矿物主要为黄铁矿，偶见磁黄铁矿等。矿石中的脉石矿物主要为石英，其次为钠长石、奥长石、绢云母、伊利石、绿泥石、正长石及歪长石，另有少量的角闪石、硬石膏、黑云母、透辉石及铁白云石等碳酸盐矿物。通过该方法对该铜矿的回收率进行了预测。预测过程如下：
1)该矿石目的矿物中元素占有率及可选性系数见表4-1；
表4-1目的矿物中元素占有率及可选性系数
| 序号 | 矿物名称 | 铜金属量占有率，％(a) | 可选性系数(k) |
| 1 | 黄铜矿 | 70.66 | 1.0 |
| 2 | 斑铜矿 | 29.34 | 1.0 |
则A1＝70.66×1＝70.66；A2＝29.34×1＝29.34。
2)黄铜矿和斑铜矿的矿石结构相对比例及影响因子见表4-2。
表4-2不同目的矿物所呈现矿石结构的相对比例及影响因子
B1＝85×0.96+5×0.90+10×0.90＝95.1；B2＝90×0.96+5×0.90+5×0.80＝94.9
3)黄铜矿和斑铜矿粒度的影响系数计算
黄铜矿和斑铜矿的粒度分布见表4-3。
表4-3目的矿物的粒度分布表
C1＝100％-3.76％＝98.12％；C2＝100％-3.54％＝98.23％
进而得到：ε预＝(A1×B1×C1+A2×B2×C2)×100％＝(64.67％+26.86％)×100％＝91.53％。
通过计算可知，该矿床基于矿石基因特性的理论回收率为91.53％，比现场的实际回收率88.19％高3.34％，说明现场若通过工艺流程改进还有3％左右的提升空间。
本实施例通过矿石的基因特性测定来实现理论回收率的预测，即能够真实的反映出由矿石性质差异导致的回收率变化，又能更加客观、准确的指导选矿的试验、生产和流程的优化，还能用于评价矿石中目的矿物的可选性的难易程度，对科研和生产都具有重要的作用。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种基于矿石基因特性的浮选回收率预测方法，其特征在于，所述方法包括：
确定待选矿石中的至少一种目的矿物，以及每种所述目的矿物的含量影响系数；
计算所述目的矿物所呈现矿石结构的影响系数；
测定所述目的矿物的粒度影响系数；
基于所述含量影响系数、所述目的矿物所呈现矿石结构的影响系数以及所述粒度影响系数对所述待选矿石的回收率进行预测。
2.根据权利要求1所述的基于矿石基因特性的浮选回收率预测方法，其特征在于，所述确定待选矿石中的至少一种目的矿物，以及每种所述目的矿物的含量影响系数的步骤，包括：
确定待选矿石中的至少一种目的矿物；其中，每种所述目的矿物包括同一目的元素；
计算每种所述目的矿物对应的目的元素在所述目的矿物中的占有率；
基于矿物可选性差异确定每种所述目的矿物的可选性系数；
基于所述目的矿物的占有率和所述可选性系数确定每种所述目的矿物的含量影响系数。
3.根据权利要求2所述的基于矿石基因特性的浮选回收率预测方法，其特征在于，所述计算每种所述目的矿物对应的目的元素在所述目的矿物的占有率的步骤，包括：
确定每种所述目的矿物在所述待选矿石中的矿物量；
确定每种所述目的矿物的所述矿物量对应的所述目的元素的元素含量；
基于所述矿物量和所述元素含量确定每种目的矿物的单一金属量；
基于每种目的矿物的单一金属量计算多种目的矿物的总金属量；
基于每种目的矿物的所述单一金属量和所述总金属量计算每种所述目的矿物对应的目的元素在所述目的矿物的占有率。
4.根据权利要求1所述的基于矿石基因特性的浮选回收率预测方法，其特征在于，所述计算所述目的矿物所呈现矿石结构的影响系数的步骤，包括：
测定所述目的矿物所呈现的至少一种矿石结构，以及所述目的矿物相对于每种所述矿石结构的初始相对比例；
确定每种所述目的矿物相对于每种所述矿石结构的影响因子；
基于所述初始相对比例和对应的影响因子计算所述目的矿物所呈现矿石结构的影响系数。
5.根据权利要求1所述的基于矿石基因特性的浮选回收率预测方法，其特征在于，所述测定所述目的矿物的粒度影响系数的步骤，包括：
测定每种所述目的矿物的粒度；
确定每种所述目的矿物在对应的所述粒度下的矿物含量，并基于所述矿物含量确定每种矿物含量对应的累计含量；
基于所述累计含量确定所述粒度影响系数。
6.根据权利要求5所述的基于矿石基因特性的浮选回收率预测方法，其特征在于，所述粒度影响系数的计算公式如下：
Ci＝100％-pn
其中，Ci为所述粒度影响系数；i为所述目的矿物的种类数；pn为所述目的矿物在n粒级以下的所述累计含量。
7.根据权利要求1所述的基于矿石基因特性的浮选回收率预测方法，其特征在于，所述基于所述含量影响系数、所述目的矿物所呈现矿石结构的影响系数以及所述粒度影响系数对所述待选矿石的回收率进行预测的步骤，包括：
通过公式
对所述待选矿石的回收率进行预测；
其中，ε预为预测理论回收率；Ai为所述待选矿石中第i种所述目的矿物的含量影响系数；Bi为所述待选矿石中第i种所述目的矿物所呈现矿石结构的影响系数；Ci为所述矿石中第i种所述目的矿物的粒度影响系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110065502.2A CN112651579B (zh) | 2021-01-18 | 2021-01-18 | 基于矿石基因特性的浮选回收率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110065502.2A CN112651579B (zh) | 2021-01-18 | 2021-01-18 | 基于矿石基因特性的浮选回收率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112651579A true CN112651579A (zh) | 2021-04-13 |
| CN112651579B CN112651579B (zh) | 2023-09-29 |
Family
ID=75368538
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110065502.2A Active CN112651579B (zh) | 2021-01-18 | 2021-01-18 | 基于矿石基因特性的浮选回收率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112651579B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113643769A (zh) * | 2021-10-19 | 2021-11-12 | 矿冶科技集团有限公司 | 矿物基因与选矿工艺结合的管理系统和方法 |
| CN114757508A (zh) * | 2022-03-29 | 2022-07-15 | 江西省地质局第七地质大队(江西省地质局稀土应用研究所) | 一种离子吸附型稀土矿原地浸矿适用性评价方法及模型 |
| CN115178346A (zh) * | 2022-07-18 | 2022-10-14 | 山东黄金矿业科技有限公司选冶实验室分公司 | 一种金矿石中黄铁矿的磨矿质量控制方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101036904A (zh) * | 2007-04-30 | 2007-09-19 | 中南大学 | 一种基于机器视觉的浮选泡沫图像识别设备及精矿品位预测方法 |
| CN101334366A (zh) * | 2008-07-18 | 2008-12-31 | 中南大学 | 一种基于图像特征分析的浮选回收率预测方法 |
| WO2013021244A1 (en) * | 2011-08-10 | 2013-02-14 | Ekmekci Zafir | A methodology to determine collector adsorption on sulphide minerals using electrochemical impedance spectroscopy analysis |
| CN104174505A (zh) * | 2014-08-07 | 2014-12-03 | 玉溪矿业有限公司 | 一种定量预报矿石浮选理论选矿回收率和精矿品位的方法 |
| CN105631221A (zh) * | 2016-01-06 | 2016-06-01 | 昆明理工大学 | 一种基于线性回归模型浮选回收率的预测方法 |
| CN107478287A (zh) * | 2017-08-29 | 2017-12-15 | 北矿机电科技有限责任公司 | 一种确定最优浮选机充气回收因子β的检测方法 |
| CN110738271A (zh) * | 2019-07-13 | 2020-01-31 | 中南大学 | 一种锌浮选过程精矿品位预测方法 |
| CN111537513A (zh) * | 2020-05-28 | 2020-08-14 | 矿冶科技集团有限公司 | 矿石结构的统计方法及其应用 |
-
2021
- 2021-01-18 CN CN202110065502.2A patent/CN112651579B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101036904A (zh) * | 2007-04-30 | 2007-09-19 | 中南大学 | 一种基于机器视觉的浮选泡沫图像识别设备及精矿品位预测方法 |
| CN101334366A (zh) * | 2008-07-18 | 2008-12-31 | 中南大学 | 一种基于图像特征分析的浮选回收率预测方法 |
| WO2013021244A1 (en) * | 2011-08-10 | 2013-02-14 | Ekmekci Zafir | A methodology to determine collector adsorption on sulphide minerals using electrochemical impedance spectroscopy analysis |
| CN104174505A (zh) * | 2014-08-07 | 2014-12-03 | 玉溪矿业有限公司 | 一种定量预报矿石浮选理论选矿回收率和精矿品位的方法 |
| CN105631221A (zh) * | 2016-01-06 | 2016-06-01 | 昆明理工大学 | 一种基于线性回归模型浮选回收率的预测方法 |
| CN107478287A (zh) * | 2017-08-29 | 2017-12-15 | 北矿机电科技有限责任公司 | 一种确定最优浮选机充气回收因子β的检测方法 |
| CN110738271A (zh) * | 2019-07-13 | 2020-01-31 | 中南大学 | 一种锌浮选过程精矿品位预测方法 |
| CN111537513A (zh) * | 2020-05-28 | 2020-08-14 | 矿冶科技集团有限公司 | 矿石结构的统计方法及其应用 |
Non-Patent Citations (2)
| Title |
|---|
| MARIJA DMITRIJEVA ETC.: "Multivariate Statistical Analysis of Trace Elements in Pyrite: Prediction, Bias and Artefacts in Defining Mineral Signatures", 《MDPI》, pages 1 - 22 * |
| 刘青等: "金矿浮选回收率预测模型", 《北京科技大学学报》, pages 1456 - 1461 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113643769A (zh) * | 2021-10-19 | 2021-11-12 | 矿冶科技集团有限公司 | 矿物基因与选矿工艺结合的管理系统和方法 |
| CN114757508A (zh) * | 2022-03-29 | 2022-07-15 | 江西省地质局第七地质大队(江西省地质局稀土应用研究所) | 一种离子吸附型稀土矿原地浸矿适用性评价方法及模型 |
| CN114757508B (zh) * | 2022-03-29 | 2024-06-07 | 江西省地质局第七地质大队(江西省地质局稀土应用研究所) | 一种离子吸附型稀土矿原地浸矿适用性评价方法及模型 |
| CN115178346A (zh) * | 2022-07-18 | 2022-10-14 | 山东黄金矿业科技有限公司选冶实验室分公司 | 一种金矿石中黄铁矿的磨矿质量控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112651579B (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112651579A (zh) | 基于矿石基因特性的浮选回收率预测方法 | |
| Perez-Barnuevo et al. | Automated characterisation of intergrowth textures in mineral particles. A case study | |
| Bahrami et al. | Combined effect of operating parameters on separation efficiency and kinetics of copper flotation | |
| Lamberg et al. | A technique for tracking multiphase mineral particles in flotation circuits | |
| Gholami et al. | A hybrid geometallurgical study using coupled Historical Data (HD) and Deep Learning (DL) techniques on a copper ore mine | |
| Dehaine et al. | Battery minerals from Finland: Improving the supply chain for the EU battery industry using a geometallurgical approach | |
| CN111537513A (zh) | 矿石结构的统计方法及其应用 | |
| Whitehead et al. | Exploration rock geochemistry—detection of trace element halos at Heath Steele Mines (NB, Canada) by discriminant analysis | |
| CN103249912B (zh) | 拣选矿石的方法 | |
| Benzaazoua et al. | Mineralogical distribution of some minor and trace elements during a laboratory flotation processing of Neves-Corvo ore (Portugal) | |
| Govett | Interpretation of a rock geochemical exploration survey in Cyprus-statistical and graphical techniques | |
| Sakuhuni et al. | A hybrid evolutionary performance improvement procedure for optimisation of continuous variable discharge concentrators | |
| Fickling | An introduction to the RADOS XRF ore sorter | |
| Minnitt | The costs of sampling errors and bias to the mining industry | |
| Hay et al. | SUPASIM: a flotation plant design and analysis methodology | |
| Young | Productivity and metal mining: evidence from copper-mining firms | |
| Celik | Mineralogical interpretation of the collector dosage change on the sphalerite flotation performance | |
| Bennett et al. | Recent process developments at the Phu Kham copper-gold concentrator, Laos | |
| Divi et al. | Application of discriminant analysis to evaluate compositional controls of stratiform massive sulfide deposits in Canada | |
| Khosravi et al. | The application of numerical taxonomy technique in the iron ore flotation to determine appropriate pH and particle size distribution | |
| CN114029157B (zh) | 一种浮选工艺的优化方法 | |
| Lamberg | Structure of a property based simulator for minerals and metallurgical industry | |
| Compan et al. | Geometallurgical model of a copper sulphide mine for long-term planning | |
| CN114997540B (zh) | 矿石中伴生贵金属的回收率的预测方法及其应用 | |
| Gottlieb et al. | The automatic identification and quantification of silver minerals |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |