CN114997540A - 矿石中伴生贵金属的回收率的预测方法及其应用 - Google Patents
矿石中伴生贵金属的回收率的预测方法及其应用 Download PDFInfo
- Publication number
- CN114997540A CN114997540A CN202210924397.8A CN202210924397A CN114997540A CN 114997540 A CN114997540 A CN 114997540A CN 202210924397 A CN202210924397 A CN 202210924397A CN 114997540 A CN114997540 A CN 114997540A
- Authority
- CN
- China
- Prior art keywords
- ore
- precious metal
- precious
- silver
- metals
- 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 64
- 229910000510 noble metal Inorganic materials 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 60
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims abstract description 135
- 229910052737 gold Inorganic materials 0.000 claims abstract description 135
- 239000010931 gold Substances 0.000 claims abstract description 135
- 229910052500 inorganic mineral Inorganic materials 0.000 claims abstract description 121
- 239000011707 mineral Substances 0.000 claims abstract description 121
- 229910052709 silver Inorganic materials 0.000 claims abstract description 121
- 239000004332 silver Substances 0.000 claims abstract description 121
- 239000010970 precious metal Substances 0.000 claims abstract description 112
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims abstract description 74
- 229910052802 copper Inorganic materials 0.000 claims abstract description 74
- 239000010949 copper Substances 0.000 claims abstract description 74
- 229910052951 chalcopyrite Inorganic materials 0.000 claims abstract description 53
- DVRDHUBQLOKMHZ-UHFFFAOYSA-N chalcopyrite Chemical compound [S-2].[S-2].[Fe+2].[Cu+2] DVRDHUBQLOKMHZ-UHFFFAOYSA-N 0.000 claims abstract description 53
- 239000012141 concentrate Substances 0.000 claims abstract description 22
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 claims description 120
- 229910001739 silver mineral Inorganic materials 0.000 claims description 35
- 229910052683 pyrite Inorganic materials 0.000 claims description 24
- NIFIFKQPDTWWGU-UHFFFAOYSA-N pyrite Chemical compound [Fe+2].[S-][S-] NIFIFKQPDTWWGU-UHFFFAOYSA-N 0.000 claims description 24
- 239000011028 pyrite Substances 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 239000002245 particle Substances 0.000 claims description 14
- 229910052952 pyrrhotite Inorganic materials 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 239000011248 coating agent Substances 0.000 description 16
- 238000000576 coating method Methods 0.000 description 16
- 230000000052 comparative effect Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 150000003378 silver Chemical class 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000001612 separation test Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000000105 evaporative light scattering detection Methods 0.000 description 1
- 150000002343 gold Chemical class 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/20—Recycling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Pathology (AREA)
- General Business, Economics & Management (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Animal Husbandry (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Primary Health Care (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Environmental & Geological Engineering (AREA)
- Agronomy & Crop Science (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Manufacture And Refinement Of Metals (AREA)
Abstract
本发明涉及矿物加工技术领域,具体而言,涉及矿石中伴生贵金属的回收率的预测方法及其应用。预测方法包括:对含有贵金属矿物的待预测矿石进行检测和统计,得到每颗贵金属矿物的微观形貌、每颗贵金属矿物中的贵金属含量和每颗贵金属矿物的面积;将待预测矿石中的贵金属矿物按照分布特征和连生关系进行划分,并计算得到每一类所述贵金属矿物中的贵金属含量;得到与黄铜矿相关类别的各类所述贵金属矿物中的贵金属含量占待预测矿石中的总贵金属含量的质量百分比的总和,即为待预测矿石中伴生贵金属进入铜精矿中的贵金属的回收率的预测值。该预测方法能够有效地预测出待预测矿石中伴生贵金属进入铜精矿中的金、银的回收率,且准确率高,误差小。
Description
技术领域
本发明涉及矿物加工技术领域,具体而言,涉及矿石中伴生贵金属的回收率的预测方法及其应用。
背景技术
大多数的铜矿石中都伴生有一定量的有价金属元素金和银,其具有一定的综合回收价值,能够为矿山企业带来相应的经济效益。但是,在进行矿石工艺矿物学研究的时候,均以主要有价元素铜为研究目标来开展研究工作,重点关注影响铜的回收指标的因素,而对其中伴生的特别是低品位的金、银关注很少。
尤其是前些年,工艺矿物学的研究工作基本靠技术人员人工来完成,采用光学显微镜由人工进行测量,由于伴生金以及伴生银的含量低,难度大,工作量大,数据少,人工很难对其进行大量的有效的统计,因此,对铜矿中伴生的低品位金以及低品位银的研究就相对较少。
并且,由于缺乏有限的测试手段,无法准确掌握矿石中金、银矿物的嵌布特征、粒度等关键信息,就不能对影响其回收的因素进行分析研究,因此,也就没有有效的方法对金、银回收率进行准确的预测。
有鉴于此,特提出本发明。
发明内容
本发明的第一目的在于提供一种矿石中伴生贵金属的回收率的预测方法,该预测方法能够有效预测出待预测矿石中伴生金以及伴生银进入铜精矿中的金和/或银的回收率,并且准确率较高,误差较小。
本发明的第二目的在于提供所述的矿石中伴生贵金属的回收率的预测方法在选矿中的应用。
为了实现本发明的上述目的,特采用以下技术方案:
本发明提供了一种矿石中伴生贵金属(伴生金和/或伴生银)的回收率的预测方法,包括以下步骤:
(a)、对含有贵金属矿物(金矿物和/或银矿物)的待预测矿石进行检测和统计,得到每颗所述贵金属矿物的微观形貌、每颗所述贵金属矿物中的贵金属含量(金含量和/或银含量)和每颗所述贵金属矿物的面积。
(b)、根据步骤(a)中所述检测和统计的结果,将所述待预测矿石中的所述贵金属矿物按照分布特征和连生关系进行划分(分类),然后计算得到每一类所述贵金属矿物中的贵金属含量(金含量和/或银含量)。
(c)、根据步骤(b)中所述计算的结果,得到与黄铜矿相关类别的各类所述贵金属矿物中的贵金属含量占所述待预测矿石中的总贵金属含量的质量百分比的总和,即为所述待预测矿石中伴生贵金属进入铜精矿中的贵金属的回收率的预测值。
其中,所述贵金属矿物包括金矿物和/或银矿物,所述贵金属包括金和/或银。
本发明所提供的预测方法,通过对矿石中伴生贵金属矿物进行大量的测量和统计,并分析、计算出不同类型贵金属矿物中金和/或银的占有率,实现了贵金属矿物的不同分布特征的定量化,进而可实现对铜矿石中伴生金和/或伴生银的回收率进行预测。解决了现有技术中没有铜矿中伴生金和/或伴生银的回收率的预测方法的问题。
并且,该预测方法的准确率较高,误差较小。
优选地,步骤(a)中,所述待预测矿石包括铜矿石,具体包括含有金矿物的铜矿石和/或含有银矿物的铜矿石。
优选地,步骤(a)中,所述检测采用矿物自动分析仪进行。
本发明运用矿物自动分析仪对矿石中的贵金属矿物(金矿物和/或银矿物)的相关参数进行统计,解决了人工无法大量统计测量金、银矿物的问题。
并且,采用矿物自动分析仪进行大量的检测和统计,能够提高预测的准确率,减小误差。
优选地,所述的矿石中伴生贵金属的回收率的预测方法包括以下特征(1)至(3)中的至少一种:
(1)所述矿物自动分析仪的电压为15kV~20kV;包括但不限于15kV、16kV、17kV、18kV、19kV、20kV中的任意一者的点值或任意两者之间的范围值。
(2)所述矿物自动分析仪的电流为1.5nA~2.0nA;包括但不限于1.5nA、1.6nA、1.7nA、1.8nA、1.9nA、2.0nA中的任意一者的点值或任意两者之间的范围值。
(3)所述矿物自动分析仪的像素线扫描速度为5pxl/ms~6pxl/ms,包括但不限于5.0pxl/ms、5.1pxl/ms、5.2pxl/ms、5.3pxl/ms、5.4pxl/ms、5.5pxl/ms、5.6pxl/ms、5.7pxl/ms、5.8pxl/ms、5.9pxl/ms、6.0pxl/ms中的任意一者的点值或任意两者之间的范围值。
优选地,所述的矿石中伴生贵金属的回收率的预测方法包括以下特征(1)至(4)中的至少一种;
(1)所述矿物自动分析仪的测试倍率为350倍~500倍;包括但不限于360倍、370倍、380倍、390倍、400倍、410倍、420倍、430倍、440倍、450倍、460倍、470倍、480倍、490倍、500倍中的任意一者的点值或任意两者之间的范围值。
(2)所述矿物自动分析仪的最低灰度为100~150;包括但不限于100、105、110、115、120、125、130、135、140、145、150中的任意一者的点值或任意两者之间的范围值。
(3)所述矿物自动分析仪的最高灰度为200~255;包括但不限于200、205、210、215、220、225、230、235、240、245、250、255中的任意一者的点值或任意两者之间的范围值。
(4)所述矿物自动分析仪的最小颗粒面积为1μm~2μm,包括但不限于1.0μm、1.1μm、1.2μm、1.3μm、1.4μm、1.5μm、1.6μm、1.7μm、1.8μm、1.9μm、2μm中的任意一者的点值或任意两者之间的范围值。
所述矿物自动分析仪采用上述参数时,有利于减小贵金属(金和/或银)回收率的预测误差。
优选地,根据所述矿物自动分析仪所检测得到的每颗贵金属矿物(金矿物和/或银矿物)的能谱值,获得步骤(a)中所述每颗所述贵金属矿物中的贵金属(金和/或银)的含量。
优选地,步骤(b)中,所述贵金属矿物按照所述分布特征进行划分包括裂隙贵金属、粒间贵金属和包裹贵金属。
具体地,所述银矿物按照所述分布特征进行划分包括裂隙银、粒间银和包裹银。所述金矿物按照所述分布特征进行划分包括裂隙金、粒间金和包裹金。
其中,裂隙贵金属是指分布在其他矿物裂隙中的贵金属矿物。
粒间贵金属是指分布在其他矿物之间的贵金属矿物。
包裹贵金属是指被其他矿物包裹的贵金属矿物。
其中,所述裂隙贵金属按照所述连生关系进行划分包括黄铁矿裂隙贵金属,黄铜矿裂隙贵金属,磁黄铁矿裂隙贵金属,以及,脉石裂隙贵金属。
具体地,所述裂隙银按照所述连生关系进行划分包括黄铁矿裂隙银,黄铜矿裂隙银,磁黄铁矿裂隙银,以及,脉石裂隙银。所述裂隙金按照所述连生关系进行划分包括黄铁矿裂隙金,黄铜矿裂隙金,磁黄铁矿裂隙金,以及,脉石裂隙金。
所述粒间贵金属按照所述连生关系进行划分包括黄铁矿粒间贵金属,黄铜矿粒间贵金属,黄铜矿与脉石粒间贵金属,脉石粒间贵金属,磁黄铁矿粒间贵金属,磁黄铁矿与脉石粒间贵金属,以及,黄铁矿与脉石粒间贵金属。
具体地,所述粒间银按照所述连生关系进行划分包括黄铁矿粒间银,黄铜矿粒间银,黄铜矿与脉石粒间银,脉石粒间银,磁黄铁矿粒间银,磁黄铁矿与脉石粒间银,以及,黄铁矿与脉石粒间银。所述粒间金按照所述连生关系进行划分包括黄铁矿粒间金,黄铜矿粒间金,黄铜矿与脉石粒间金,脉石粒间金,磁黄铁矿粒间金,磁黄铁矿与脉石粒间金,以及,黄铁矿与脉石粒间金。
所述包裹贵金属按照所述连生关系进行划分包括黄铜矿包裹贵金属,黄铁矿包裹贵金属,以及,脉石包裹贵金属。
具体地,所述包裹银按照所述连生关系进行划分包括黄铜矿包裹银,黄铁矿包裹银,以及,脉石包裹银。所述包裹金按照所述连生关系进行划分包括黄铜矿包裹金,黄铁矿包裹金,以及,脉石包裹金。
在所述按照分布特征和连生关系进行划分的过程中,结合矿物自动分析仪所检测得到的贵金属矿物的微观形貌以及贵金属矿物的能谱值,先按照分布特征对贵金属矿物进行分类,然后再按照连生关系对其进行进一步地细分分类。
本发明根据所述分布特征和所述连生关系进行分类,分类之后对贵金属含量(银含量和/或金含量)进行统计计算,可更加准确地预测铜矿中伴生贵金属(伴生银和/或伴生金)的回收率。
优选地,步骤(b)中,所述每一类所述贵金属矿物中的贵金属含量的所述计算的方法包括:对每一类中的每一颗所述贵金属矿物的面积与其贵金属含量的乘积进行加和。
即,先通过计算得到同一类别中的各个贵金属矿物的面积×贵金属矿物中的贵金属含量的计算结果,然后将同一类别中的所有所得的计算结果进行求和。各个分类同样采用上述的计算方法,即得到每一分类贵金属矿物中的贵金属含量。
例如,先通过计算得到同一类别中的各个银矿物的面积×银矿物中的银含量的计算结果,然后将同一类别中的所有所得的计算结果进行求和。各个分类同样采用上述的计算方法,即得到每一分类银矿物中的银含量。
和/或,先通过计算得到同一类别中的各个金矿物的面积×金矿物中的金含量的计算结果,然后将同一类别中的所有所得的计算结果进行求和。各个分类同样采用上述的计算方法,即得到每一分类金矿物中的银含量。
优选地,步骤(c)中,根据步骤(b)中所述每一类所述贵金属矿物中的贵金属含量的计算结果,得到每一分类所述贵金属矿物中的贵金属含量占所述待预测矿石中的总贵金属含量的质量百分比(计算方法为:每一类贵金属矿物中的贵金属含量/待预测矿石中的总贵金属含量×100%,其中,待预测矿石中的总贵金属含量为各个分类贵金属矿物中的贵金属含量的加和),然后将与黄铜矿相关类别的各类所述贵金属矿物中的贵金属含量占所述待预测矿石中的总贵金属含量的质量百分比进行求和,所得到的和即为所述待预测矿石中伴生贵金属进入铜精矿中的贵金属的回收率的预测值。
在本发明一些具体的实施方式中,所述与黄铜矿相关类别的贵金属矿物的分类包括黄铜矿裂隙贵金属,黄铜矿粒间贵金属,黄铜矿与脉石粒间贵金属,以及,黄铜矿包裹贵金属中的至少一种。
具体地,所述与黄铜矿相关类别的银矿物的分类包括黄铜矿裂隙银,黄铜矿粒间银,黄铜矿与脉石粒间银,以及,黄铜矿包裹银中的至少一种。
所述与黄铜矿相关类别的金矿物的分类包括黄铜矿裂隙金,黄铜矿粒间金,黄铜矿与脉石粒间金,以及,黄铜矿包裹金中的至少一种。
在本发明一些具体的实施方式中,采用所述矿物自动分析仪进行所述检测的方法包括:先将矿石制成可在所述矿物自动分析上进行分析测试的光片,然后将所述光片置于所述矿物自动分析仪的样品夹具上,设置好测试参数后,对矿石中的贵金属矿物进行检测。
在本发明一些具体的实施方式中,所述矿物自动分析仪的型号为AMICS,该矿物自动分析仪可对矿石样品进行无缝隙的全面扫描,能够对矿石中的贵金属矿物自动的进行大量的测量和统计。
因此,本发明利用该矿物自动分析仪能够自动检测和统计矿石中贵金属矿物的嵌布特征、颗粒面积等参数信息。
在本发明一些具体的实施方式中,所述矿物自动分析仪采用“Bright PhasesSearch”模式进行步骤(a)中的所述检测。
本发明还提供了如上所述的矿石中伴生贵金属(伴生金和/或伴生银)的回收率的预测方法在选矿中的应用。
本发明提供的矿石中伴生贵金属(伴生金和/或伴生银)的回收率的预测方法所得的预测的结果(预测值)与实际生产结果相近,能够对选矿工艺和现场生产就银的综合回收提供有效的指导。
与现有技术相比,本发明的有益效果为:
(1)本发明提供的矿石中伴生贵金属的回收率的预测方法,能够有效地预测出待预测矿石中伴生贵金属进入铜精矿中的金的回收率和/或银的回收率,并且准确率较高,误差较小。
(2)本发明提供的矿石中伴生贵金属的回收率的预测方法,通过采用矿物自动分析仪进行大量检测和统计,在解决人工无法大量统计测量贵金属矿物的问题的同时,还能够减小误差。
具体实施方式
下面将结合具体实施方式对本发明的技术方案进行清楚、完整地描述,但是本领域技术人员将会理解,下列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,仅用于说明本发明,而不应视为限制本发明的范围。基于本发明中的实施例,本领域普通技术人员在没有做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。实施例中未注明具体条件者,按照常规条件或制造商建议的条件进行。所用试剂或仪器未注明生产厂商者,均为可以通过市售购买获得的常规产品。
实施例1
本实施例提供了一种铜矿石中低品位伴生银的回收率的预测方法,包括以下步骤:
(1)将含有低品位伴生银的铜矿石样品(安徽省某铜矿样品)制备成可在矿物自动分析仪上进行分析测试的光片。将制备完成的光片放置于矿物自动分析仪(型号为AMICS)的样品夹具上,利用矿物自动分析仪对光片进行检测。所述检测的具体操作条件包括:在电压为20KV、电流为2.0nA、像素线扫描速度(Scan Speed)为5pxl/ms的电镜条件下,选用“Bright Phases Search”模式,测试倍率为400倍,最低灰度(Bright Grain BSE Low)为150,最高灰度(Bright Grain BSE High)为255,最小颗粒面积(Min Search Grain Size)为1.00μm。
通过对总数约500万颗以上的亮矿物颗粒进行检测分析,实现对样品中的银矿物进行自动检测和统计,得到每颗所述银矿物的微观形貌、每颗所述银矿物中的银含量和每颗所述银矿物的面积。
(2)将铜矿石样品中的银矿物颗粒按裂隙银、粒间银和包裹银三类进行划分,并将每一类中的银矿物颗粒按其连生关系进行细分,具体如下:裂隙银按其连生关系可分为黄铁矿裂隙银,黄铜矿裂隙银,磁黄铁矿裂隙银,以及,脉石裂隙银;粒间银按其连生关系可分为黄铁矿粒间银,黄铜矿粒间银,黄铜矿与脉石粒间银,脉石粒间银,磁黄铁矿粒间银,磁黄铁矿与脉石粒间银,以及,黄铁矿与脉石粒间银;包裹银按其连生关系可分为黄铜矿包裹银,黄铁矿包裹银,以及,脉石包裹银。
(3)对每一分类中的每一颗银矿物的面积与其银含量的乘积进行加和,得到每一分类的银矿物中的银含量。
(4)用每一类银矿物中的银含量除以铜矿石样品中的总的银含量,再乘以100%,得到每一分类银矿物中的银含量占所述待预测矿石中的总银含量的质量百分比(简称为银占有率),如下表1所示。
表1 铜矿石中的银矿物的银占有率
(5)将与黄铜矿相关类别的各类所述银矿物中的银含量占所述待预测矿石中的总银含量的质量百分比进行求和,即,将表1中黄铜矿裂隙银、黄铜矿粒间银、黄铜矿与脉石粒间银和黄铜矿包裹银的银占有率进行加和:2.11%(黄铜矿裂隙银)+1.98%(黄铜矿粒间银)+5.84%(黄铜矿与脉石粒间银)+16.71%(黄铜矿包裹银)=26.64%。因此,铜矿石中伴生银进入铜精矿中的银的回收率的预测值为26.64%。
该铜矿石经过实际选矿试验,最终富集于铜精矿中银的回收率为25.85%。可见,该结果与上述预测方法所得到的结果非常接近(相对误差为3.06%)。因此,本发明所提供的铜矿石中低品位伴生银的回收率的预测方法可为选矿工艺和现场生产就银的综合回收提供有效的指导。
实施例2
本实施例提供的铜矿石(云南省某铜矿样品)中低品位伴生银的回收率的预测方法包括以下步骤:
(1)与实施例1中的步骤(1)基本相同,区别在于,将检测中的电压替换为15KV、电流替换为1.5nA,并将像素线扫描速度替换为6pxl/ms。
(2)与实施例1中的步骤(2)相同。
(3)与实施例1中的步骤(3)相同。
(4)用每一类银矿物中的银含量除以铜矿石样品中的总的银含量,再乘以100%,得到每一分类银矿物中的银含量占所述待预测矿石中的总银含量的质量百分比(简称为银占有率),如下表2所示。
表2 铜矿石中的银矿物的银占有率
(5)将与黄铜矿相关类别的各类所述银矿物中的银含量占所述待预测矿石中的总银含量的质量百分比进行求和,5.43%+9.51%+12.39%+31.26%=58.59%。因此,铜矿石中伴生银进入铜精矿中的银的回收率的预测值为58.59%。
该铜矿石经过实际选矿试验,最终富集于铜精矿中银的回收率为56.35%。可见,该结果与上述预测方法所得到的结果非常接近(相对误差为3.98%)。
实施例3
本实施例提供的铜矿石(江西省某铜矿样品)中低品位伴生银的回收率的预测方法包括以下步骤:
(1)与实施例1中的步骤(1)基本相同,区别在于:将检测中的测试倍率替换为500倍,最低灰度替换为120,最高灰度替换为200,以及,将最小颗粒面积替换为2.00μm。
(2)与实施例1中的步骤(2)相同。
(3)与实施例1中的步骤(3)相同。
(4)用每一类银矿物中的银含量除以铜矿石样品中的总的银含量,再乘以100%,得到每一分类银矿物中的银含量占所述待预测矿石中的总银含量的质量百分比(简称为银占有率),如下表3所示。
表3 铜矿石中的银矿物的银占有率
(5)将与黄铜矿相关类别的各类所述银矿物中的银含量占所述待预测矿石中的总银含量的质量百分比进行求和,17.41%+6.38%+12.53%+29.69%=66.01%。因此,铜矿石中伴生银进入铜精矿中的银的回收率的预测值为66.01%。
该铜矿石经过实际选矿试验,最终富集于铜精矿中银的回收率为64.23%。可见,该结果与上述预测方法所得到的结果非常接近(相对误差为2.77%)。
实施例4
本实施例提供了一种铜矿石中低品位伴生金的回收率的预测方法,包括以下步骤:
(1)将含有低品位伴生金的铜矿石样品(安徽省某铜矿样品)制备成可在矿物自动分析仪上进行分析测试的光片。将制备完成的光片放置于矿物自动分析仪(型号为AMICS)的样品夹具上,利用矿物自动分析仪对光片进行检测。所述检测的具体操作条件包括:在电压为20KV、电流为2.0nA、像素线扫描速度(Scan Speed)为5pxl/ms的电镜条件下,选用“Bright Phases Search”模式,测试倍率为400倍,最低灰度(Bright Grain BSE Low)为150,最高灰度(Bright Grain BSE High)为255,最小颗粒面积(Min Search Grain Size)为1.00μm。
通过对总数约500万颗以上的亮矿物颗粒进行检测分析,实现对样品中的金矿物进行自动检测和统计,得到每颗所述金矿物的微观形貌、每颗所述金矿物中的金含量和每颗所述金矿物的面积。
(2)将铜矿石样品中的金矿物颗粒按裂隙金、粒间金和包裹金三类进行划分,并将每一类中的金矿物颗粒按其连生关系进行细分,具体如下:裂隙金按其连生关系可分为黄铁矿裂隙金,黄铜矿裂隙金,磁黄铁矿裂隙金,以及,脉石裂隙金;粒间金按其连生关系可分为黄铁矿粒间金,黄铜矿粒间金,黄铜矿与脉石粒间金,脉石粒间金,磁黄铁矿粒间金,磁黄铁矿与脉石粒间金,以及,黄铁矿与脉石粒间金;包裹金按其连生关系可分为黄铜矿包裹金,黄铁矿包裹金,以及,脉石包裹金。
(3)对每一分类中的每一颗金矿物的面积与其金含量的乘积进行加和,得到每一分类的金矿物中的金含量。
(4)用每一类金矿物中的金含量除以铜矿石样品中的总的金含量,再乘以100%,得到每一分类金矿物中的金含量占所述待预测矿石中的总金含量的质量百分比(简称为金占有率),如下表4所示。
表4 铜矿石中的金矿物的金占有率
(5)将与黄铜矿相关类别的各类所述金矿物中的金含量占所述待预测矿石中的总金含量的质量百分比进行求和,即,将表4中黄铜矿裂隙金、黄铜矿粒间金、黄铜矿与脉石粒间金和黄铜矿包裹金的金占有率进行加和:0.99%(黄铜矿裂隙金)+5.29%(黄铜矿粒间金)+4.91%(黄铜矿与脉石粒间金)+36.11%(黄铜矿包裹金)=47.30%。因此,铜矿石中伴生金进入铜精矿中的金的回收率的预测值为47.30%。
该铜矿石经过实际选矿试验,最终富集于铜精矿中金的回收率为45.82%。可见,该结果与上述预测方法所得到的结果非常接近(相对误差为3.23%)。因此,本发明所提供的铜矿石中低品位伴生金的回收率的预测方法可为选矿工艺和现场生产就金的综合回收提供有效的指导。
实施例5
本实施例提供的铜矿石(江西省某铜矿样品)中低品位伴生金的回收率的预测方法包括以下步骤:
(1)与实施例4中的步骤(1)基本相同,区别在于,将检测中的电压替换为15KV、电流替换为1.5nA,并将像素线扫描速度替换为6pxl/ms。
(2)与实施例4中的步骤(2)相同。
(3)与实施例4中的步骤(3)相同。
(4)用每一类金矿物中的金含量除以铜矿石样品中的总的金含量,再乘以100%,得到每一分类金矿物中的金含量占所述待预测矿石中的总金含量的质量百分比(简称为金占有率),如下表5所示。
表5 铜矿石中的金矿物的金占有率
(5)将与黄铜矿相关类别的各类所述金矿物中的金含量占所述待预测矿石中的总金含量的质量百分比进行求和,10.52%+2.36%+1.76%+14.46%=29.10%。因此,铜矿石中伴生金进入铜精矿中的金的回收率的预测值为29.10%。
该铜矿石经过实际选矿试验,最终富集于铜精矿中金的回收率为27.89%。可见,该结果与上述预测方法所得到的结果非常接近(相对误差为4.34%)。
对比例1
本对比例提供的铜矿石(安徽省某铜矿样品)中低品位伴生银的回收率的预测方法与实施例1基本相同,区别在于:步骤(1)中,检测的具体操作条件不同,本对比例中的条件为:在电压为30KV、电流为3.0nA、像素线扫描速度为3pxl/ms的电镜条件下,选用“BrightPhases Search”模式,测试倍率为400倍,最低灰度为100,最高灰度为250,最小颗粒面积为3.00μm。
经计算,该铜矿石中伴生银进入铜精矿中的银的回收率的预测值为28.35%。
该铜矿石经过实际选矿试验,最终富集于铜精矿中银的回收率为25.85%。可见,该结果与上述预测方法所得到的结果相差较大(相对误差为9.67%)。
对比例2
本对比例提供的铜矿石(安徽省某铜矿样品)中低品位伴生金的回收率的预测方法与实施例4基本相同,区别在于:步骤(1)中,检测的具体操作条件不同,本对比例中的条件为:在电压为30KV、电流为3.0nA、像素线扫描速度为3pxl/ms的电镜条件下,选用“BrightPhases Search”模式,测试倍率为400倍,最低灰度为100,最高灰度为250,最小颗粒面积为3.00μm。
经计算,该铜矿石中伴生金进入铜精矿中的金的回收率的预测值为49.25%。
该铜矿石经过实际选矿试验,最终富集于铜精矿中金的回收率为45.82%。可见,该结果与上述预测方法所得到的结果相差较大(相对误差为7.49%)。
尽管已用具体实施例来说明和描述了本发明,然而应意识到,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;本领域的普通技术人员应当理解:在不背离本发明的精神和范围的情况下,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;因此,这意味着在所附权利要求中包括属于本发明范围内的所有这些替换和修改。
Claims (10)
1.矿石中伴生贵金属的回收率的预测方法,其特征在于,包括以下步骤:
(a)、对含有贵金属矿物的待预测矿石进行检测和统计,得到每颗所述贵金属矿物的微观形貌、每颗所述贵金属矿物中的贵金属含量和每颗所述贵金属矿物的面积;
(b)、根据步骤(a)中所述检测和统计的结果,将所述待预测矿石中的所述贵金属矿物按照分布特征和连生关系进行划分,然后计算得到每一类所述贵金属矿物中的贵金属含量;
(c)、根据步骤(b)中所述计算的结果,得到与黄铜矿相关类别的各类所述贵金属矿物中的贵金属含量占所述待预测矿石中的总贵金属含量的质量百分比的总和,即为所述待预测矿石中伴生贵金属进入铜精矿中的贵金属的回收率的预测值;
其中,所述贵金属矿物包括金矿物和/或银矿物,所述贵金属包括金和/或银。
2.根据权利要求1所述的矿石中伴生贵金属的回收率的预测方法,其特征在于,步骤(a)中,所述待预测矿石包括铜矿石。
3.根据权利要求1所述的矿石中伴生贵金属的回收率的预测方法,其特征在于,步骤(a)中,所述检测采用矿物自动分析仪进行。
4.根据权利要求3所述的矿石中伴生贵金属的回收率的预测方法,其特征在于,包括以下特征(1)至(3)中的至少一种:
(1)所述矿物自动分析仪的电压为15kV~20kV;
(2)所述矿物自动分析仪的电流为1.5nA~2.0nA;
(3)所述矿物自动分析仪的像素线扫描速度为5pxl/ms~6pxl/ms。
5.根据权利要求3所述的矿石中伴生贵金属的回收率的预测方法,其特征在于,包括以下特征(1)至(4)中的至少一种;
(1)所述矿物自动分析仪的测试倍率为350倍~500倍;
(2)所述矿物自动分析仪的最低灰度为100~150;
(3)所述矿物自动分析仪的最高灰度为200~255;
(4)所述矿物自动分析仪的最小颗粒面积为1μm~2μm。
6.根据权利要求3所述的矿石中伴生贵金属的回收率的预测方法,其特征在于,根据所述矿物自动分析仪所检测得到的每颗贵金属矿物的能谱值,获得每颗所述贵金属矿物中的贵金属含量。
7.根据权利要求1所述的矿石中伴生贵金属的回收率的预测方法,其特征在于,步骤(b)中,所述贵金属矿物按照所述分布特征进行划分包括裂隙贵金属、粒间贵金属和包裹贵金属;
其中,所述裂隙贵金属按照所述连生关系进行划分包括黄铁矿裂隙贵金属,黄铜矿裂隙贵金属,磁黄铁矿裂隙贵金属,以及,脉石裂隙贵金属;
所述粒间贵金属按照所述连生关系进行划分包括黄铁矿粒间贵金属,黄铜矿粒间贵金属,黄铜矿与脉石粒间贵金属,脉石粒间贵金属,磁黄铁矿粒间贵金属,磁黄铁矿与脉石粒间贵金属,以及,黄铁矿与脉石粒间贵金属;
所述包裹贵金属按照所述连生关系进行划分包括黄铜矿包裹贵金属,黄铁矿包裹贵金属,以及,脉石包裹贵金属。
8.根据权利要求1所述的矿石中伴生贵金属的回收率的预测方法,其特征在于,步骤(b)中,所述每一类所述贵金属矿物中的贵金属含量的所述计算的方法包括:对每一类中的每一颗所述贵金属矿物的面积与其贵金属含量的乘积进行加和。
9.根据权利要求1所述的矿石中伴生贵金属的回收率的预测方法,其特征在于,步骤(c)中,根据步骤(b)中所述每一类所述贵金属矿物中的贵金属含量,得到每一类所述贵金属矿物中的贵金属含量占所述待预测矿石中的总贵金属含量的质量百分比,然后将与黄铜矿相关类别的各类所述贵金属矿物中的贵金属含量占所述待预测矿石中的总贵金属含量的质量百分比进行求和,即为所述待预测矿石中伴生贵金属进入铜精矿中的贵金属的回收率的预测值。
10.如权利要求1~9任一项所述的矿石中伴生贵金属的回收率的预测方法在选矿中的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210924397.8A CN114997540B (zh) | 2022-08-03 | 2022-08-03 | 矿石中伴生贵金属的回收率的预测方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210924397.8A CN114997540B (zh) | 2022-08-03 | 2022-08-03 | 矿石中伴生贵金属的回收率的预测方法及其应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114997540A true CN114997540A (zh) | 2022-09-02 |
CN114997540B CN114997540B (zh) | 2022-10-25 |
Family
ID=83022432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210924397.8A Active CN114997540B (zh) | 2022-08-03 | 2022-08-03 | 矿石中伴生贵金属的回收率的预测方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114997540B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5232490A (en) * | 1985-11-27 | 1993-08-03 | Leadville Silver And Gold | Oxidation/reduction process for recovery of precious metals from MnO2 ores, sulfidic ores and carbonaceous materials |
CN102323250A (zh) * | 2011-06-15 | 2012-01-18 | 金川集团有限公司 | 稀贵金属系统中金、钯、铂、铑、铱、银、镍、铜、铁快速测定方法 |
CN102974451A (zh) * | 2012-10-12 | 2013-03-20 | 金川集团股份有限公司 | 一种提高铜镍矿伴生贵金属回收率的方法 |
CN103320620A (zh) * | 2013-07-01 | 2013-09-25 | 金川集团股份有限公司 | 一种从复杂低品位铑铱渣中高效富集金和铂族金属的方法 |
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 |
-
2022
- 2022-08-03 CN CN202210924397.8A patent/CN114997540B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5232490A (en) * | 1985-11-27 | 1993-08-03 | Leadville Silver And Gold | Oxidation/reduction process for recovery of precious metals from MnO2 ores, sulfidic ores and carbonaceous materials |
CN102323250A (zh) * | 2011-06-15 | 2012-01-18 | 金川集团有限公司 | 稀贵金属系统中金、钯、铂、铑、铱、银、镍、铜、铁快速测定方法 |
CN102974451A (zh) * | 2012-10-12 | 2013-03-20 | 金川集团股份有限公司 | 一种提高铜镍矿伴生贵金属回收率的方法 |
CN103320620A (zh) * | 2013-07-01 | 2013-09-25 | 金川集团股份有限公司 | 一种从复杂低品位铑铱渣中高效富集金和铂族金属的方法 |
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 |
---|
南争路 等: "《甘肃省文县阳山金矿安坝里南矿区矿石特征及金矿物赋存状态研究》", 《矿产与地质》 * |
肖仪武: "《会泽铅锌矿深部矿体稀贵金属的赋存状态》", 《矿冶》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114997540B (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110044779B (zh) | 一种大气重金属颗粒物实时在线监测和源解析联用的方法 | |
Xiao et al. | Characterizing and recovering the platinum group minerals––a review | |
Perez-Barnuevo et al. | Automated characterisation of intergrowth textures in mineral particles. A case study | |
Gy | The analytical and economic importance of correctness in sampling | |
CN104174505B (zh) | 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 | |
CN112651579B (zh) | 基于矿石基因特性的浮选回收率预测方法 | |
Goodall | Characterisation of mineralogy and gold deportment for complex tailings deposits using QEMSCAN® | |
Butcher et al. | Advances in the quantification of gold deportment by QEMSCAN | |
Lamberg et al. | A technique for tracking multiphase mineral particles in flotation circuits | |
CN101105456B (zh) | 一种合金钢样品夹杂含量快速测定的分析方法 | |
Koppalkar et al. | Understanding the discrepancy between prediction and plant GRG recovery for improving the gold gravity performance | |
CN114997540B (zh) | 矿石中伴生贵金属的回收率的预测方法及其应用 | |
Cabri et al. | Advances in precious metal trace element analyses for deportment using LAM-ICP-MS | |
CN110361412A (zh) | 一种确定不同磁性磁黄铁矿相对含量的方法 | |
CN108088866A (zh) | 一种检测银铜矿中银铜含量的方法 | |
Bakraji | Application of multivariate statistical methods to classify archaeological pottery from Tel‐Alramad site, Syria, based on x‐ray fluorescence analysis | |
CN112861076B (zh) | 一种基于线性回归模型的铂钯品位的预测方法 | |
CN115356461A (zh) | 一种氧化含银矿石银矿物定量方法 | |
CN112024451B (zh) | 一种基于受试者操作特征曲线分析的矿石拣选决策方法 | |
Chetty et al. | Automated SEM study of PGM distribution across a UG2 flotation concentrate bank: implications for understanding PGM floatability | |
CN114400054A (zh) | 一种有色冶金固废资源环境属性的解析与判定方法 | |
Downing et al. | Trace Element Geochemistry and Acid Rock Drainage | |
Gottlieb et al. | The automatic identification and quantification of silver minerals | |
Petruk | Applied mineralogy in ore dressing | |
CN112710687B (zh) | 一种电子废弃物中吸附态氟元素存在形式的测试方法 |
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 |