CN113522528A - 一种基于部分因子设计和响应曲面法优化选矿工艺的方法 - Google Patents
一种基于部分因子设计和响应曲面法优化选矿工艺的方法 Download PDFInfo
- Publication number
- CN113522528A CN113522528A CN202110799986.3A CN202110799986A CN113522528A CN 113522528 A CN113522528 A CN 113522528A CN 202110799986 A CN202110799986 A CN 202110799986A CN 113522528 A CN113522528 A CN 113522528A
- Authority
- CN
- China
- Prior art keywords
- design
- factor
- response surface
- beneficiation
- analysis
- 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.)
- Pending
Links
- 230000004044 response Effects 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 title claims abstract description 110
- 238000013461 design Methods 0.000 title claims abstract description 100
- 230000008569 process Effects 0.000 title claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 101
- 238000004458 analytical method Methods 0.000 claims abstract description 59
- 229910052500 inorganic mineral Inorganic materials 0.000 claims abstract description 57
- 239000011707 mineral Substances 0.000 claims abstract description 57
- 238000000227 grinding Methods 0.000 claims abstract description 46
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 238000011835 investigation Methods 0.000 claims abstract description 23
- 238000012512 characterization method Methods 0.000 claims abstract description 15
- 230000001419 dependent effect Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000002156 mixing Methods 0.000 claims abstract description 7
- 238000005188 flotation Methods 0.000 claims description 65
- 238000011084 recovery Methods 0.000 claims description 31
- 239000003112 inhibitor Substances 0.000 claims description 22
- 238000000926 separation method Methods 0.000 claims description 19
- 239000012141 concentrate Substances 0.000 claims description 18
- 238000002360 preparation method Methods 0.000 claims description 8
- CDBYLPFSWZWCQE-UHFFFAOYSA-L Sodium Carbonate Chemical compound [Na+].[Na+].[O-]C([O-])=O CDBYLPFSWZWCQE-UHFFFAOYSA-L 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000001612 separation test Methods 0.000 claims description 4
- 229910019142 PO4 Inorganic materials 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 239000012188 paraffin wax Substances 0.000 claims description 3
- 239000010452 phosphate Substances 0.000 claims description 3
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 claims description 3
- 235000019353 potassium silicate Nutrition 0.000 claims description 3
- 239000000344 soap Substances 0.000 claims description 3
- 229910000029 sodium carbonate Inorganic materials 0.000 claims description 3
- 229920005552 sodium lignosulfonate Polymers 0.000 claims description 3
- NTHWMYGWWRZVTN-UHFFFAOYSA-N sodium silicate Chemical compound [Na+].[Na+].[O-][Si]([O-])=O NTHWMYGWWRZVTN-UHFFFAOYSA-N 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000002441 X-ray diffraction Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 claims description 2
- 238000003052 fractional factorial design Methods 0.000 claims 1
- 235000010755 mineral Nutrition 0.000 description 43
- 230000000694 effects Effects 0.000 description 21
- XMWCXZJXESXBBY-UHFFFAOYSA-L manganese(ii) carbonate Chemical compound [Mn+2].[O-]C([O-])=O XMWCXZJXESXBBY-UHFFFAOYSA-L 0.000 description 17
- 229920002472 Starch Polymers 0.000 description 14
- 239000011656 manganese carbonate Substances 0.000 description 14
- 229940093474 manganese carbonate Drugs 0.000 description 14
- 235000006748 manganese carbonate Nutrition 0.000 description 14
- 229910000016 manganese(II) carbonate Inorganic materials 0.000 description 14
- 235000019698 starch Nutrition 0.000 description 14
- 239000008107 starch Substances 0.000 description 14
- REYJJPSVUYRZGE-UHFFFAOYSA-N Octadecylamine Chemical compound CCCCCCCCCCCCCCCCCCN REYJJPSVUYRZGE-UHFFFAOYSA-N 0.000 description 13
- 238000011160 research Methods 0.000 description 10
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 description 8
- 229910052748 manganese Inorganic materials 0.000 description 8
- 239000011572 manganese Substances 0.000 description 8
- 239000003795 chemical substances by application Substances 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 7
- 238000005211 surface analysis Methods 0.000 description 5
- 238000000540 analysis of variance Methods 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 238000003556 assay Methods 0.000 description 3
- 238000013401 experimental design Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 229910021532 Calcite Inorganic materials 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 229910052755 nonmetal Inorganic materials 0.000 description 2
- 238000013386 optimize process Methods 0.000 description 2
- 239000010453 quartz Substances 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 238000012353 t test Methods 0.000 description 2
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 1
- WNQQFQRHFNVNSP-UHFFFAOYSA-N [Ca].[Fe] Chemical compound [Ca].[Fe] WNQQFQRHFNVNSP-UHFFFAOYSA-N 0.000 description 1
- 238000005273 aeration Methods 0.000 description 1
- 150000001412 amines Chemical class 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000004649 carbonic acid derivatives Chemical class 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000004132 cross linking Methods 0.000 description 1
- 238000006880 cross-coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000002223 garnet Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000007885 magnetic separation Methods 0.000 description 1
- NUJOXMJBOLGQSY-UHFFFAOYSA-N manganese dioxide Inorganic materials O=[Mn]=O NUJOXMJBOLGQSY-UHFFFAOYSA-N 0.000 description 1
- WPBNNNQJVZRUHP-UHFFFAOYSA-L manganese(2+);methyl n-[[2-(methoxycarbonylcarbamothioylamino)phenyl]carbamothioyl]carbamate;n-[2-(sulfidocarbothioylamino)ethyl]carbamodithioate Chemical group [Mn+2].[S-]C(=S)NCCNC([S-])=S.COC(=O)NC(=S)NC1=CC=CC=C1NC(=S)NC(=O)OC WPBNNNQJVZRUHP-UHFFFAOYSA-L 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000009394 selective breeding Methods 0.000 description 1
- 229910052604 silicate mineral Inorganic materials 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
- B03D—FLOTATION; DIFFERENTIAL SEDIMENTATION
- B03D1/00—Flotation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
- B03B—SEPARATING SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS
- B03B1/00—Conditioning for facilitating separation by altering physical properties of the matter to be treated
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Agronomy & Crop Science (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (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)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开一种基于部分因子设计和响应曲面法优化选矿工艺的方法，将矿样破碎后混匀、磨矿并进行表征分析；根据分析选取对选矿指标有影响的因素作为考察因素，同时根据实际试验确定选矿指标；将考察因素作为自变量，选矿指标作为因变量，采用部分因子法进行设计并选矿试验后进行方差和显著性分析；根据分析结果选取显著性靠前的因素为自变量，选矿指标为因变量建立响应曲面模型Y并试验，根据试验结果对Y进行拟合，得到确定的响应曲面模型Y’，通过对Y’全局优化，得到自变量的最优化指标；选取最优自变量指标和未被选中自变量的因素中心值作为选矿工艺的操作条件。本发明具有操作简单、试验次数少、能够有效实现选矿工艺条件的优化等特点。
Description
技术领域
本发明属于选矿技术领域，具体涉及一种基于部分因子设计和响应曲面法优化选矿工艺的方法。
背景技术
选矿是根据矿石中不同矿物的物理、化学性质，把矿石破碎磨细以后，采用重选法、浮选法、磁选法、电选法等，将有用矿物与脉石矿物分开，并使各种共生（伴生）的有用矿物尽可能相互分离，除去或降低有害杂质，以获得冶炼或其他工业所需原料的过程。选矿能够使矿物中的有用组分富集，降低冶炼或其它加工过程中燃料的消耗，减少运输费用，减轻进一步处理的困难，降低处理成本，使低品位的矿石能得到有效利用，实现矿物原料的综合利用。由于世界矿物资源日益贫乏，越来越多地利用贫矿和复杂矿，因此需要选矿处理的矿石量越来越大。除少数富矿石外，金属和非金属矿石以及包括部分煤都需选矿来实现富集。
选矿试验是选矿的重要研究内容，试验所得数据，是矿床评价、工艺流程确定及建厂设计的主要依据。然而，通常的选矿试验研究大多只是进行了单因素试验，由于没有考虑各因素之间的交联、耦合等相互作用对选矿效果的影响，使得选矿指标不能够真正意义上达到最优化。即便是有部分进行了优化试验设计，但通常只是采用全因设计、响应曲面法等单一模型进行了考察，由于单一优化设计模型中试验次数随着所选因素的增多而大量增加。以最为常用的单一响应曲面法来说，若要进行6因素的试验研究，至少需要进行77次试验才能够完成。此外，随着所选因素的增多，如单一响应曲面法在试验后的响应曲面分析和响应曲面模型的拟合操作难度呈指数级上升，严重影响选矿试验的经济性和选矿进度，故只适用于部分影响因素较少的特定矿物的选矿工艺优化。现有技术中，为了降低响应曲面法的试验次数和操作难度，一般根据经验选取有限数量的选矿因素作为响应曲面法的自变量，但存在优化效果与操作人员的经验呈强相关，人为影响因素较大，在实际情况下能够考虑的因素较为有限，导致优化得到的工艺不确定因素较多，工艺的可靠性较低。因此，对于因素较多时，若想利用单一的优化模型进行合理的、较为全面的对选矿工艺条件进行最优化是不太现实的。
发明内容
本发明的目的在于提供一种基于部分因子设计和响应曲面法优化选矿工艺的方法。
本发明的目的是这样实现的：包括矿物制备及表征分析、试验因素选取、部分因子试验、响应曲面设计和分析、选矿工艺确定步骤，具体步骤内容为：
A、矿物制备及表征分析：将矿样破碎至2~3mm以下后混匀，选取混匀后的部分矿样磨矿，然后对矿样的表征进行分析；
B、试验因素选取：根据表征分析结果，选取若干个对选矿指标作为考察因素，同时根据实际确定选矿指标；
C、部分因子试验：将选取的考察因素作为部分因子设计的自变量，选矿指标作为因变量，采用部分因子法进行设计并选矿试验，然后根据试验结果进行方差和显著性分析；
D、响应曲面设计和分析：根据部分因子试验的分析结果为依据，对各因素的显著性进行排序，选取排序靠前的至少2个因素作为响应曲面设计的自变量，部分因子试验的选矿指标作为响应曲面设计的因变量并进行试验。利用Minitab或Design expert软件对试验结果进行优化拟合，确定每个自变量的最佳参数水平范围，每个自变量至少设计一高一低两水平，分别记为“+”和“-”。建立因素水平表，进行响应曲面设计并进行试验，分析得出二次回归方程，建立响应曲面模型Y’。根据试验结果对响应曲面模型Y’进行响应曲面拟合，生成响应面图模型Y’得到最值，最值一般存在于曲面最高点或边界点，其对的值为自变量的最优化指标；
E、选矿工艺确定：选取D步骤中最优化的自变量指标和未被选作响应曲面设计自变量的因素取值的中心值，共同作为选矿工艺的操作条件。
本发明与现有技术相比具有以下有益效果：
1、本发明采用部分因子试验与响应曲面设计和分析相结合的方式，通过部分因子试验可事先筛除对影响选矿指标显著性靠后排序的因素，既能够保证选矿工艺的有效性，又能有效减少响应曲面设计和分析中的自变量数量，从而显著减少试验次数、降低响应曲面分析和响应曲面模型的拟合操作难度。本发明与全因设计、响应曲面法等单一优化设计模型相比，在因素较多的情况下，所需试验次数明显较少。以6因素试验设计为例，首先进行1/4部分因子设计，需要16组试验，再取显著性排序靠前的2个因素进行响应曲面法设计，需要9组试验，总共只需进行25组试验即可，相对于单一响应曲面法所需要的77组试验，试验次数明显减少。
2、本发明由于在响应曲面设计和分析步骤前通过部分因子试验，可筛除影响选矿指标显著性靠后排序的因素，因此可在响应曲面设计和分析步骤前尽可能多的选取考察因素，然后通过部分因子试验，以试验结果作为客观指标对考察因素进行排序，从而筛除排序靠后的因素，可避免现有技术中为了减少试验次数和降低分析及拟合难度而进行的人为取舍，不仅与全因设计、响应曲面法等单一优化设计模型相比，在实际情况下能够考虑的因素更多，因此可适用于各种金属和非金属矿石的选别，而且基于试验数据的考察因素取舍可降低乃至避免人为因素的干扰，从而可保证优化得到的工艺可靠性。
3、本发明的试验次数较少，而且响应曲面设计和分析步骤的自变量数量有限，因此分析和拟合时的操作难度较低；由于选取的考察因素较多，因此能够适用于各种金属和非金属矿石的选别，实用性较强，有很好的应用空间。
附图说明
图1为本发明之实施例1的25次因子效应Pareto 图（回收率）；
图2 为本发明之实施例1的25次因子效应Pareto 图（品位）；
图3为本发明之实施例1的回收率响应曲面图；
图4 为本发明之实施例1的品位响应曲面图；
图中：A-磨矿细度，B-抑制剂用量，C-捕收剂用量，D-温度，E-PH值；
图5为本发明之实施例2的24次因子效应Pareto 图（回收率）；
图6为本发明之实施例2的24次因子效应Pareto 图（品位）；
图7为本发明之实施例2的回收率响应曲面图；
图8为本发明之实施例2的品位响应曲面图；
图9为本发明之实施例2的品位响应曲面图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明，但不以任何方式对本发明加以限制，基于本发明教导所作的任何变更或改进，均属于本发明的保护范围。
如图1所示，本发明包括矿物制备及表征分析、试验因素选取、部分因子试验、响应曲面设计和分析、选矿工艺确定步骤，具体步骤内容为：
A、矿物制备及表征分析：将矿样破碎至2~3mm以下后混匀，选取混匀后的部分矿样磨矿，然后对矿样的表征进行分析；
B、试验因素选取：根据表征分析结果，选取若干个对选矿指标作为考察因素，同时根据实际确定选矿指标；
C、部分因子试验：将选取的考察因素作为部分因子设计的自变量，选矿指标作为因变量，采用部分因子法进行设计并选矿试验，然后根据试验结果进行方差和显著性分析；
D、响应曲面设计和分析：根据部分因子试验的分析结果为依据，对各因素的显著性进行排序，选取排序靠前的至少2个因素作为响应曲面设计的自变量，部分因子试验的选矿指标作为响应曲面设计的因变量并进行试验。利用Minitab或Design expert软件对试验结果进行优化拟合，确定每个自变量的最佳参数水平范围，每个自变量至少设计一高一低两水平，分别记为“+”和“-”。建立因素水平表，进行响应曲面设计并进行试验得出二次回归方程，建立响应曲面模型Y’。根据试验结果对响应曲面模型Y’进行响应曲面拟合，生成响应面图模型Y’得到最值，最值一般存在于曲面最高点或边界点，其对的值为自变量的最优化指标；
E、选矿工艺确定：选取D步骤中最优化的自变量指标和未被选作响应曲面设计自变量的因素取值的中心值，共同作为选矿工艺的操作条件。
所述A步骤中，混匀后的部分矿样磨矿细度的确定是通过在不同时间条件下将矿物磨至不同的粒度范围，通过筛分确定出-200目矿物所占的比例，然后拟合出一条磨矿时间同磨矿细度的曲线，用以确定后续试验所需要的不同的磨矿细度条件所需的磨矿时间。
所述A步骤中，对矿样的表征进行分析包括多元素分析、物相分析和/或XRD分析。
所述B步骤中，根据A步骤表征分析的结果结合预采用的选矿方式，选取若干个对选矿指标有影响的因素进行单因素试验，以考察各因素对于选矿指标影响的显著性大小，根据影响的显著性大小选取全部或部分因素作为考察因素。
所述选矿指标包括磨矿细度、给料量、药剂用量、温度、酸度、磁场强度、搅拌强度和/或充气量。
所述C和/或D步骤中，采用Minitab或Design expert软件进行分析或响应曲面拟合。
所述D步骤中，选取排序靠前的2~4个因素作为响应曲面设计的自变量，同时选取1~3个选矿指标作为响应曲面设计的因变量；
其中，2个因素作为响应曲面设计的自变量，1个选矿指标作为响应曲面设计的因变量时，响应曲面模型Y为：
其中，3个因素作为响应曲面设计的自变量，3个选矿指标作为响应曲面设计的因变量时，响应曲面模型Y为：
其中：Y为选矿指标，X1、X2及X3为考察因素，α、β及γ为系数。
所述选矿工艺为胶磷矿浮选工艺，所述B步骤中选取磨矿细度、抑制剂用量、捕收剂用量、矿浆温度及矿浆PH值作为考察因素，同时选取浮选回收率、精矿品位作为选矿指标Y，其中：抑制剂选用水玻璃和木质素磺酸钠按1:2配制，捕收剂选用氧化石蜡皂和磷酸单酯按1:1比例配制，矿浆温度的控制是将矿浆置于烧杯中在水浴锅中加热至一定温度后倒入浮选槽中进行调浆，矿浆PH值调整选用碳酸钠。
所述C步骤中采用1/2部分因子试验。
所述D步骤中选用矿浆PH值和抑制剂用量作为自变量，建立响应曲面模型Y：
其中：Y1为浮选回收率，Y2为精矿品位，E为矿浆PH值，B为抑制剂用量。
实施例1
以1/2部分因子设计和响应曲面法优化某胶磷矿浮选试验为例，其具体步骤如下：
S100：矿物材料制备及表征
对矿样进行处理并进行化验分析，将原矿石进行破碎、磨矿等步骤处理后备用。本试验研究中，磨矿细度的确定通过在不同的时间条件下将矿物磨至不同的粒度范围，通过筛分确定出-200目矿物所占的比例以拟合出一条磨矿时间同磨矿细度的曲线，用以确定后续试验所需要的不同的磨矿细度条件所需的磨矿时间。对矿样进行多元素分析，结果如表1所示。
表1 化学多元素分析
由表1可得，原矿石中脉石矿物以石英和方解石为主，与胶磷矿呈相互包裹或嵌布分布，尤其是矿石中钙质碳酸盐的存在，使得分选难度较大。
S200：试验因素的选取
由于影响胶磷矿浮选的因素很多，主要包括矿石性质、操作条件、药剂用量等。其中，磨矿细度、抑制剂用量、捕收剂用量、矿浆温度及PH值等均影响胶磷矿的浮选效果。本试验选取5个因素：包括磨矿细度(-0.074mm含量占比)、抑制剂用量、捕收剂用量、矿浆温度以及PH值作为研究对象，以浮选回收率和精矿品位作为胶磷矿矿物的浮选考察指标。试验中所用的抑制剂选用水玻璃和木质素磺酸钠按1:2配制，捕收剂选用氧化石蜡皂和磷酸单酯按1:1比例配制，矿浆PH值调整选用碳酸钠，所用药剂均为市售。矿浆温度的控制是将矿浆置于烧杯中在水浴锅中加热至一定温度后倒入浮选槽中进行调浆。
本试验研究通过部分因子设计，对影响胶磷矿浮选的磨矿细度、抑制剂用量、捕收剂用量、矿浆温度及PH值五个因素进行试验设计，以考察各因素对于浮选指标的影响的显著性大小。在因子设计试验的基础上，选取对浮选指标影响具有显著性的因子同浮选指标构建响应曲面模型，以寻求最佳的浮选条件。
S300：25部分因子试验
本试验首先选用部分因子设计方法，通过对影响胶磷矿浮选的相关因素进行较为全面的考察，用以尝试以较少的试验量尽可能地获得最多的反应浮选过程中各因素之间的联系以及对浮选结果的影响的信息。
由于胶磷矿浮选的试验研究较多，因此本次试验不进行单因素考察。通过查阅胶磷矿矿物浮选的相关文献进行参考，选定以浮选回收率(
)和精矿品位()作为胶磷矿矿物的浮选考察指标，以对浮选回收率和品位产生影响的5个影响因素作为变量，5个因素包括磨矿细度(A)、抑制剂(B)、捕收剂(C)、矿浆温度(D)以及PH值(E)。每个变量均被设计为一高一低的两个水平，分别记为“+”和“-”。水平值的选择主要基于以下几点考虑：磨矿细度控制在-200目占75~85%的范围内较合理；抑制剂用量选为1000~1400g/t，捕收剂用量控制在400~800g/t；矿浆温度选择在25~35℃范围内；PH值得范围设定为6~8。采用25部分因子设计进行胶磷矿浮选试验，因素的选取见表2；利用minitab软件对浮选回收率和精矿品位进行统计分析，结果如表3所示。表4为试验设计的方差分析。
表2 25因子设计实验中的变量
表3 25因子设计构造及实验结果表
表4 以Y1和Y2 值计算的25因子设计对应的方差分析
由表4可以得出，抑制剂用量、PH值和磨矿细度对胶磷矿的浮选回收率具有显著影响；PH值和抑制剂用量对浮选精矿的品位有显著影响。除此之外，捕收剂用量与矿浆PH的交互作用对于浮选回收率也有一定的影响。
Pareto图是将各效应的t检验的t值的绝对值作为纵坐标，按照绝对值的大小排列起来，根据选定的显著性水平，给出t值的临界值，绝对值超过临界值的效应将被选中，说明这些效应是显著的。通过部分因子设计得出的Pareto效应曲线如图1和图2，图1和图2显示的结果同表3的分析结果相一致。抑制剂用量和PH值对浮选的回收率和精矿品位都有着显著影响，需要重点进行考虑；此外，磨矿细度对于回收率有着显著影响；而在主效应中，温度对于两个响应的影响均为最小，表明在进行胶磷矿的浮选时，可以不考虑温度的影响。对于各因子的交互项间的影响，则还需要进一步的试验分析。因此，选择抑制剂用量、矿浆PH值和磨矿细度进行响应曲面分析。
S400：响应曲面法设计及分析
在部分因子试验分析的基础上，进一步采用响应曲面法进行优化和分析。选用矿浆PH值(E)和抑制剂用量(B)作为自变量，以胶磷矿的浮选回收率Y1和浮选精矿品位Y2作为响应建立响应曲面模型：
利用miinitab软件进行中心复合(CCD)试验设计，试验的变量选取如表5。
表5 响应曲面因素水平表
响应曲面的试验按照表5不同条件下进行，同时，控制磨矿细度为-200目占80%；捕收剂用量为800 g/t；矿浆温度控制在25℃常温条件下进行试验，得出试验结果列于表6中。
表6 响应曲面设计及结果
通过对所得试验数据进行响应曲面分析，然后采用Design expert软件对表6中的数据进行多次二元回归相应曲面拟合，得出关于Y1和Y2的响应曲面的二次回归方程如下：
响应曲面法分析得出的响应面图如3和图4所示。
由图3可得，有最值存在于曲面中，曲面的最高点对应着最高的回收率。但图4中的曲面上，最值存在于曲面的边界点。通过对响应曲面模型进行全局优化，得出的最优解为：A=6.67；B=1225.71g/t；在此条件下对应的Y1=83.6801， Y2=30.5858。
S500：最优条件确定。
通过进行1/2部分因子设计分析和响应曲面法优化，该胶磷矿浮选的最佳条件为：磨矿细度-0.074mm含量占80%、抑制剂用量1225.71g/t、捕收剂用量600g/t、矿浆温度30℃、矿浆PH值6.67。
通过上述实施例对某胶磷矿进行1/2部分因子设计分析和响应曲面法优化，得到了较好的选矿指标，同时考虑了磨矿细度、抑制剂用量、捕收剂用量、矿浆温度及PH值五个因素对选矿指标的影响，响应曲面设计中心点数为5，所用试验次数为29次。若利用单一响应曲面法进行设计，在中心点为5的情况下，则需要进行47次试验。这说明了利用部分因子设计和响应曲面法的优化方法能够有效减少试验量，同时也全面考虑了所有选取的因素的影响。本发明的以上方法和步骤适用于不同矿石的选矿工艺研究。
实施例2
以1/2部分因子设计和响应曲面法优化低品位碳酸锰矿反浮选试验为例，其具体步骤如下：
S100：矿物材料制备及表征
对矿样进行处理并进行化验分析，低品位碳酸锰矿，有用矿物嵌布粒度较细，与脉石矿物共生关系密切，矿物组成、结构、构造较复杂，原矿品位较低，仅为14.67% ，高效回收有用矿物比较困难。为深入了解试验样性质，对矿样进行多元素分析，结果如表7所示。
表7 化学多元素分析
由表7可得，矿石中可回收的主要金属元素是锰，含量14.67% ，其他元素含量相对较低，综合利用价值不大，主要脉石矿物有石英、方解石以及钙铁榴石等硅酸盐矿物。锰矿石中的锰主要以菱锰矿形式存在，其次是水锰矿和褐锰矿以及少量的软锰矿。某地碳酸锰矿矿石的矿物组成、结构、构造较复杂，属于低品位难处理碳酸锰矿。
S200：试验因素的选取
在锰矿物中，菱锰矿的可浮性相对较好，且浮选对细粒物料具有良好的选择性。影响锰矿反浮选因素和药剂种类多，矿石性质、磨矿细度、浮选时间、捕收剂用量（胺类）、抑制剂用量等等，为了提高工作效率、考察药剂整体协同作用目的，本试验选取4个因素：磨矿细度(-0.074mm含量占比)，十八胺用量、淀粉用量、pH 值作为研究对象，以浮选回收率和精矿品位作为锰矿的浮选考察指标。
本试验研究通过部分因子设计，对影响碳酸锰矿浮选的磨矿细度、十八胺用量、淀粉用量、pH值、空白组五个因素进行试验设计，以考察各因素对于浮选指标的影响的显著性大小。在因子设计试验的基础上，选取对浮选指标影响具有显著性的因子同浮选指标构建响应曲面模型，以寻求最佳的浮选条件。
S300：24部分因子试验
本试验首先选用部分因子设计方法，通过对影响碳酸锰浮选的相关因素进行较为全面的考察，用以尝试以较少的试验量尽可能地获得最多的反应浮选过程中各因素之间的联系以及对浮选结果的影响的信息。
由于碳酸锰矿浮选的试验研究较多，因此本次试验不进行单因素考察。通过查阅碳酸锰矿矿物浮选的相关文献进行参考，选定以浮选精矿品位 (Y1)和 回收率(Y2 )作为碳酸锰矿矿物的浮选考察指标，以对浮选回收率和品位产生影响的5个影响因素作为变量，4个因素包括磨矿细度(A)、十八胺(B)、淀粉(C)、pH (D)。每个变量均被设计为一高一低的两个水平，分别记为“+”和“-”。水平值的选择主要基于以下几点考虑：磨矿细度控制在-200目占70~90%的范围内较合理；十八胺用量选为360~600g/t，淀粉用量控制在60~180g/t；PH值得范围设定为6~12。采用24部分因子设计进行碳酸锰矿浮选试验，因素的选取见表8；利用minitab软件对浮选回收率和精矿品位进行统计分析，结果如表9所示。表10为试验设计的方差分析。
表8 24因子设计实验中的变量
表9 24因子设计构造及实验结果表
表10 以Y1和Y2 值计算的24因子设计对应的方差分析
由表10可以得出，十八胺、 PH值和淀粉对碳酸锰的浮选回收率具有显著影响；淀粉和十八胺用量对浮选精矿的品位有显著影响。除此之外，淀粉用量与矿浆PH的交互作用对于浮选回收率也有一定的影响。
Pareto图是将各效应的t检验的t值的绝对值作为纵坐标，按照绝对值的大小排列起来，根据选定的显著性水平，给出t值的临界值，绝对值超过临界值的效应将被选中，说明这些效应是显著的。通过部分因子设计得出的Pareto效应曲线如图5和图6，图5和图6显示的结果同表10的分析结果相一致。十八胺用量和pH值对浮选的回收率和精矿品位都有着显著影响，需要重点进行考虑；此外，淀粉对于回收率有着显著影响；而在主效应中，磨矿细度对于两个响应的影响均为最小，表明在进行碳酸锰矿的浮选时，可以不考虑磨矿细度的影响。对于各因子的交互项间的影响，则还需要进一步的试验分析。因此，选择十八胺、 pH值和淀粉进行响应曲面分析。
S400：响应曲面法设计及分析
在部分因子试验分析的基础上，进一步采用响应曲面法进行优化和分析。选用选择十八胺用量、pH值和淀粉用量作为自变量，以碳酸锰矿的浮选回收率Y1和浮选精矿品位Y2作为响应进行响应曲面设计
利用Design-Expert 8.0.6软件中心复合设计( BBD )来安排试验。 响应曲面的试验按照表11不同条件下进行，同时，控制pH=9；淀粉用量为120 g/t；十八胺用量为480 g/t；得出试验结果列于表12中。
表11 Box-Behnken因素水平表
根据试验结果，方差分析和响应曲面分析采用Design-Expert8.0.6.
表12响应面分析及结果
通过 Design-Expert 软件对试验结果进行方程回归分析，以十八胺用量 X1、淀粉用量 X2、pH 值 X3 为自变量，回收率 Y1、精矿锰品位 Y2 为响应值，拟合得到的两个式( 2) 形式的响应曲面的二次回归方程分别为
响应曲面法分析得出的响应面图如3和图4和图5所示。
由图7可得，有最值存在于曲面中，曲面的最高点对应着最高的回收率。图8、图9中的曲面上，最值存在于曲面的边界点。通过对响应曲面模型进行全局优化，得出的最优解为：X1=474.78；X2=131.33；X3=9；在此条件下对应的Y1=80.1648，Y2=20.059。
S500：最优条件确定。
通过进行1/2部分因子设计分析和响应曲面法优化优化拟合得到回收该菱锰矿最佳条件为：十八胺用量474.78g/t、淀粉用量为131.33.g/t、pH=9值，在该条件下，可获得的锰精矿回收率为80.1648%、品位为20.059%。
通过上述实施例对某碳酸锰矿进行1/2部分因子设计分析和响应曲面法优化，得到了较好的选矿指标，同时考虑了磨矿细度、十八胺用量、淀粉用量、pH值四个因素对选矿指标的影响。因子设计以4因素试验设计，若用全因子设计则需要24次试验，1/2部分因子设计，则只需要进行12次试验；响应曲面设计中心点数为4，所用试验次数为17次。若利用单一响应曲面法进行设计，在中心点为4的情况下，则需要进行29次试验。这说明了利用部分因子设计和响应曲面法的优化方法能够有效减少试验量，同时也全面考虑了所有选取的因素的影响。本发明的以上方法和步骤可适用于不同矿石的选矿工艺研究。
Claims (10)
1.一种基于部分因子设计和响应曲面法优化选矿工艺的方法，其特征在于包括矿物制备及表征分析、试验因素选取、部分因子试验、响应曲面设计和分析、选矿工艺确定步骤，具体步骤内容为：
A、矿物制备及表征分析：将矿样破碎至2~3mm以下后混匀，选取混匀后的部分矿样磨矿，然后对矿样的表征进行分析；
B、试验因素选取：根据表征分析结果，选取若干个对选矿指标作为考察因素，同时根据实际确定选矿指标；
C、部分因子试验：将选取的考察因素作为部分因子设计的自变量，选矿指标作为因变量，采用部分因子法进行设计并选矿试验，然后根据试验结果进行方差和显著性分析；
D、响应曲面设计和分析：根据部分因子试验的分析结果为依据，对各因素的显著性进行排序，选取排序靠前的至少2个因素作为响应曲面设计的自变量，部分因子试验的选矿指标作为响应曲面设计的因变量并进行试验；
利用Minitab或Design expert软件对试验结果进行优化拟合，确定每个自变量的最佳参数水平范围，每个自变量至少设计一高一低两水平，分别记为“+”和“-”；
建立因素水平表，进行响应曲面设计得出二次回归方程，建立响应曲面模型Y；
根据试验结果对响应曲面模型Y进行响应曲面拟合，生成响应面图模型Y’得到最值，最值一般存在于曲面最高点或边界点，其对的值为自变量的最优化指标；
E、选矿工艺确定：选取D步骤中最优化的自变量指标和未被选作响应曲面设计自变量的因素取值的中心值，共同作为选矿工艺的操作条件。
2.根据权利要求1所述基于部分因子设计和响应曲面法优化选矿工艺的方法，其特征在于所述A步骤中，混匀后的部分矿样磨矿细度的确定是通过在不同时间条件下将矿物磨至不同的粒度范围，通过筛分确定出-200目矿物所占的比例，然后拟合出一条磨矿时间同磨矿细度的曲线，用以确定后续试验所需要的不同的磨矿细度条件所需的磨矿时间。
3.根据权利要求1所述基于部分因子设计和响应曲面法优化选矿工艺的方法，其特征在于所述A步骤中，对矿样的表征进行分析包括多元素分析、物相分析和/或XRD分析。
4.根据权利要求1、2或3所述基于部分因子设计和响应曲面法优化选矿工艺的方法，其特征在于所述B步骤中，根据A步骤表征分析的结果结合预采用的选矿方式，选取若干个对选矿指标有影响的因素进行单因素试验，以考察各因素对于选矿指标影响的显著性大小，根据影响的显著性大小选取全部或部分因素作为考察因素。
5.根据权利要求4所述基于部分因子设计和响应曲面法优化选矿工艺的方法，其特征在于所述C和/或D步骤中，采用Minitab或Design expert软件进行分析或响应曲面拟合。
6.根据权利要求5所述基于部分因子设计和响应曲面法优化选矿工艺的方法，其特征在于所述D步骤中，选取排序靠前的2~4个因素作为响应曲面设计的自变量，同时选取1~3个选矿指标作为响应曲面设计的因变量；
其中，2个因素作为响应曲面设计的自变量，1个选矿指标作为响应曲面设计的因变量时，响应曲面模型Y为：
其中，3个因素作为响应曲面设计的自变量，3个选矿指标作为响应曲面设计的因变量时，响应曲面模型Y为：
其中：Y为选矿指标，X1、X2及X3为考察因素，α、β及γ为系数。
7.根据权利要求6所述基于部分因子设计和响应曲面法优化选矿工艺的方法，其特征在于所述选矿工艺为胶磷矿浮选工艺，所述B步骤中选取磨矿细度、抑制剂用量、捕收剂用量、矿浆温度及矿浆PH值作为考察因素，同时选取浮选回收率、精矿品位作为选矿指标Y。
8.根据权利要求7所述基于部分因子设计和响应曲面法优化选矿工艺的方法，其特征在于所述抑制剂选用水玻璃和木质素磺酸钠按1:2配制，所述捕收剂选用氧化石蜡皂和磷酸单酯按1:1比例配制，所述矿浆温度的控制是将矿浆置于烧杯中在水浴锅中加热至一定温度后倒入浮选槽中进行调浆，所述矿浆PH值调整选用碳酸钠。
9.根据权利要求7所述基于部分因子设计和响应曲面法优化选矿工艺的方法，其特征在于所述C步骤中采用1/2部分因子试验。
10.根据权利要求7所述基于部分因子设计和响应曲面法优化选矿工艺的方法，其特征在于所述D步骤中选用矿浆PH值和抑制剂用量作为自变量，建立响应曲面模型Y：
其中：Y1为浮选回收率，Y2为精矿品位，E为矿浆PH值，B为抑制剂用量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110799986.3A CN113522528A (zh) | 2021-07-15 | 2021-07-15 | 一种基于部分因子设计和响应曲面法优化选矿工艺的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110799986.3A CN113522528A (zh) | 2021-07-15 | 2021-07-15 | 一种基于部分因子设计和响应曲面法优化选矿工艺的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113522528A true CN113522528A (zh) | 2021-10-22 |
Family
ID=78099399
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110799986.3A Pending CN113522528A (zh) | 2021-07-15 | 2021-07-15 | 一种基于部分因子设计和响应曲面法优化选矿工艺的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113522528A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114276763A (zh) * | 2022-01-25 | 2022-04-05 | 郑州轻工业大学 | 一种水基胶的玻璃化转变温度的调控方法 |
| CN116050009A (zh) * | 2022-12-13 | 2023-05-02 | 北京交通大学 | 一种钢轨砂带打磨设备集尘口的几何型面优化设计方法 |
| CN116956140A (zh) * | 2023-09-19 | 2023-10-27 | 保定市佳宇软件科技有限公司 | 一种智能分拣过程中参数动态预测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104353534A (zh) * | 2014-10-31 | 2015-02-18 | 东北大学 | 一种采用微波辅助磨细硼铁矿的参数分析方法 |
| US20150096926A1 (en) * | 2012-05-10 | 2015-04-09 | Outotec (Finland) Oy | Method and apparatus for controlling the flotation process of pyrite-containing sulphide ores |
| CN112580185A (zh) * | 2020-10-31 | 2021-03-30 | 昆明理工大学 | 一种立式搅拌磨机磨矿产品中间粒级含量的预测方法 |
-
2021
- 2021-07-15 CN CN202110799986.3A patent/CN113522528A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150096926A1 (en) * | 2012-05-10 | 2015-04-09 | Outotec (Finland) Oy | Method and apparatus for controlling the flotation process of pyrite-containing sulphide ores |
| CN104353534A (zh) * | 2014-10-31 | 2015-02-18 | 东北大学 | 一种采用微波辅助磨细硼铁矿的参数分析方法 |
| CN112580185A (zh) * | 2020-10-31 | 2021-03-30 | 昆明理工大学 | 一种立式搅拌磨机磨矿产品中间粒级含量的预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 冯媛媛: "响应曲面法优化青藏高原某铜矿浮选工艺研究", 《金属矿山》 * |
| 张琳: "因子设计和响应面法优化某胶磷矿浮选试验", 《非金属矿》 * |
| 聂文林: "基于混料设计和响应曲面法的云南某铜尾矿选铋工艺参数优化", 《金属矿山》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114276763A (zh) * | 2022-01-25 | 2022-04-05 | 郑州轻工业大学 | 一种水基胶的玻璃化转变温度的调控方法 |
| CN116050009A (zh) * | 2022-12-13 | 2023-05-02 | 北京交通大学 | 一种钢轨砂带打磨设备集尘口的几何型面优化设计方法 |
| CN116050009B (zh) * | 2022-12-13 | 2024-04-19 | 北京交通大学 | 一种钢轨砂带打磨设备集尘口的几何型面优化设计方法 |
| CN116956140A (zh) * | 2023-09-19 | 2023-10-27 | 保定市佳宇软件科技有限公司 | 一种智能分拣过程中参数动态预测方法及系统 |
| CN116956140B (zh) * | 2023-09-19 | 2023-12-08 | 保定市佳宇软件科技有限公司 | 一种智能分拣过程中参数动态预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113522528A (zh) | 一种基于部分因子设计和响应曲面法优化选矿工艺的方法 | |
| Mehrabani et al. | Process optimization and modelling of sphalerite flotation from a low-grade Zn-Pb ore using response surface methodology | |
| CN106076606B (zh) | 一种磁-赤复合铁矿石的选矿方法 | |
| CN101879479B (zh) | 一种榴辉岩型金红石矿的选矿方法 | |
| AU2016349790B2 (en) | Methods, devices, systems and processes for upgrading iron oxide concentrates using reverse flotation of silica at a Natural pH | |
| Hay et al. | A case study of optimising UG2 flotation performance. Part 1: Bench, pilot and plant scale factors which influence Cr2O3 entrainment in UG2 flotation | |
| CN102441496B (zh) | 一种含钾尾矿中钾长石的精选方法 | |
| Whiteman et al. | Process mineralogy as a predictive tool for flowsheet design to advance the Kamoa project | |
| CN104941795B (zh) | 一种高硅伴生少量褐铁矿和硬锰矿的低贫锰矿的选矿方法 | |
| Al-Fariss et al. | Column versus mechanical flotation for calcareous phosphate fines upgrading | |
| Abaka-Wood et al. | The use of mining tailings as analog of rare earth elements resources: Part 1–characterization and preliminary separation | |
| CN104056714A (zh) | 一种难选微细粒级铁铜矿的选矿工艺 | |
| CN114453129A (zh) | 一种铅锌矿回收利用方法 | |
| CN108176516A (zh) | 一种金锑共生矿石的选矿工艺 | |
| Chen et al. | A novel method for the comprehensive utilization of iron and titanium resources from a refractory ore | |
| CN102896038B (zh) | 铅锌矿硫精矿混合优选后再选浮选方法 | |
| CN104437858B (zh) | 一种高磷磁铁矿的脱磷方法 | |
| AU2016204951A1 (en) | Method of Co-processing Nickel Sulphide Ores | |
| CN104689923A (zh) | 一种从高温高酸锌浸出渣中回收银的方法 | |
| Lamberg | Structure of a property based simulator for minerals and metallurgical industry | |
| Setlhabi et al. | Evaluation of advanced gravity and magnetic concentration of a PGM tailings waste for chromite recovery | |
| Cobbinah et al. | Characterisation of small-scale gold mining tailings in the Western Region of Ghana | |
| Valenta et al. | Application of fundamentals in optimizing platinum concentrator performance | |
| CN110773323B (zh) | 一种硅硼钙石型硼矿的选矿方法 | |
| Akande et al. | Effects of varied process parameters on froth flotation efficiency: A case study of Itakpe iron ore |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211022 |