تاثیر عوامل موثر بر بازیابی فروشویی ستونی کانسنگ اکسیدی مس با استفاده از شبکه عصبی مصنوعی

حسینیان, فاطمه السادات; ایران نژاد, مهدی; هاشم زاده, محسن; سلطانی محمدی, سعید

دانشگاه صنعتی امیرکبیر

تعداد نشریات	4
تعداد شماره‌ها	75
تعداد مقالات	991
تعداد مشاهده مقاله	894,711
تعداد دریافت فایل اصل مقاله	689,787

تاثیر عوامل موثر بر بازیابی فروشویی ستونی کانسنگ اکسیدی مس با استفاده از شبکه عصبی مصنوعی

نشریه مهندسی عمران امیرکبیر

مقاله 22، دوره 47، شماره 3، زمستان 1394، صفحه 47-53 اصل مقاله (766 K)

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22060/ceej.2016.507

نویسندگان

فاطمه السادات حسینیان¹؛ مهدی ایران نژاد

²؛ محسن هاشم زاده³؛ سعید سلطانی محمدی⁴

¹دانشجوی کارشناسی ارشد، دانشکده مهندسی معدن و متالورژی، دانشگاه صنعتی امیرکبیر

²دانشیار، دانشکده مهندسی معدن و متالورژی، دانشگاه صنعتی امیرکبیر

³کارشناس ارشد، فرآوری مواد معدنی، مرکز تحقیقات فرآوری مواد معدنی

⁴استادیار، دانشکده مهندسی معدن، دانشگاه کاشان

چکیده

پیش بینی عملکرد متالورژیکی پارامتر کلیدی در هر فرآیند فرآوری است. بهینه‌سازی، کنترل و ارزیابی فرآیندها اغلب مستلزم یک مدل دقیق، مناسب و همه جانبه از فرآیند می‌باشد. ارائه چنین مدلی نیاز به شناسایی کلیه پارمترهای موثر در فرآیند و تاثیر همزمان این عوامل بر خروجی فرآیند دارد. استفاده از روش‌های مختلف فروشویی برای فرآوری کانسنگ‌ها، بستگی به پارامترهای مختلفی از جمله عیار فلزات با ارزش موجود در کانسنگ و قابلیت انحلال کانه در محلول دارد. فروشویی ستونی روشی متداول برای بازیابی مس از کانسنگ آن است. در این مقاله از شبکه عصبی مصنوعی به منظور پیش‌بینی شرایط بهینه در فروشویی ستونی استفاده شده است. پارامترهای مهمی همچون ارتفاع ستون، اندازه ذارت، دبی اسید و زمان فروشویی، مطالعه و تاثیر آن بر بازیابی مس بررسی شد. آزمایش‌ها در سه ستون با ارتفاع‌های 2، 4 و 6 متر و در دو دانه‌بندی 25.4 میلی‌متر و 50.8 میلی‌متر انجام شد. نتایج تحقیقات نشان داد که رابطه معکوسی بین بازیابی مس با ارتفاع ستون و اندازه ذرات و رابطه مستقیمی با زمان فروشویی و دبی اسید دارد. بازیابی مس کانسنگ کوچک‌تر از 25.4 میلی‌متر در ستون‌هایی با ارتفاع‌های 2،4و6 متر به ترتیب 34.42%، 42.82% ، 32.06% بیشتر از نمونه‌های کوچک‌تر از 50.8 میلی‌متر است.

کلیدواژه ها

فروشویی ستونی؛ کانسنگ اکسیدی مس؛ بازیابی؛ شبکه عصبی مصنوعی

عنوان مقاله [English]

Study of parameters affecting on copper recovery from oxide ores by column leaching using Artificial Neural Network

نویسندگان [English]

fatemeh sadat hoseinian, Mehdi Irannajad, Mohsen Hashemzadeh, Saeed Soltani mohammadi

چکیده [English]

In this study, Artificial Neural Network was used for predicting optimized conditions of column leaching on copper oxide ore. Optimization, control and analysis of heap leaching implicate an accurate, proper and comprehensive modeling. Providing such models need to identify all the effective parameters in process and the impact of these factors simultaneously on the output of a process. Important parameters such as height of column, particle’s sizes, acid flow rate and leaching duration were studied and it was investigated their impacts on recovery of copper. Experiments were performed in three columns with the heights of 2, 4 and 6 meters and in the particle size distributions of 25.4 and 50.8 mm. The results showed that the copper recovery has an inverse relation with the column height and particle sizes. This relation is direct with leaching duration and acid rate. The copper recovery obtained in the columns with heights of 2, 4 and 6m were 78.63%, 66.27%, and 52.89% respectively. According to the results, the Trained ANN modeling predicts the copper recovery based on operation conditions.

کلیدواژه ها [English]

Heap leaching, copper oxide ore, Recovery, Artificial Neural Network

مراجع

[1]خدادادی، احمد؛ کلینی، سید جواد؛ ربیعه، علیرضا؛ ”مدل سازی ریاضی و طراحی نرم افزار مناسب جهت هیپ لیچینگ کانی های اکسیده مس“،.، نشریه علمی پژوهشی مهندسی معدن، شماره هفتم، 43-23، 1388

[2] Wu, A., Yin, S., Yang, B., Wang, J. and Qiu, G., “Study on preferential flow in dump leaching of low-grade

ores”, Hydrometallurgy, vol. 87, pp. 124- 132, 2007.

[3] Yorio, C., Betancourt, E., Vivas, R. and Rus, J., “Ni, Co recovery study and Fe by acid leaching in columns”,

Revista de Metalurgia, vol. 42, pp. 41- 48, 2006.

[4] Petersen, J. and Dixon, D.G., “Modeling zinc heap bioleaching”, Hydrometallurgy, vol. 85, pp. 127- 143, 2007.

[5] Leahy, M.J., Davidson, M.R. and Schwarz M.P., “A model for heap bioleaching of chalcocite with heat

balance, mesophiles and moderate thermophiles”,Hydrometallurgy, vol. 85, pp. 24- 41. 2007.

[6] Mellado, M. E., Gálvez, E. D. and Cisternas, L. A.,“On the optimization of flow rates on copper haep

leaching operations”, Int. J. of Mineral processing, vol. 101, pp. 75- 80, 2011.

[7] Padilla, G. A., Cisternas, L. A. and Cueto, J. Y., “On the optimization of heap leaching”, Minerals processing,

vol. 21, pp. 673- 678, 2008.

[8] Mellado, M. E., Gálvez, E. D., and Cisternas, L. A.,“Stochastic analysis of heap leaching process via

analytical models”, Mineral Engineering, vol. 33, pp.93- 98, 2012.

[9] Wadswort, M.E. and Miller, J.D., “Rate processes of extractive metallurgy In: Hydrometallurgical

processes: section 3”, Plenum Press, New York, pp.133– 153, 1979.

[10] Ekmekyapar, A., Oya, R. and Künkül, A., “Dissolution kinetics of an oxidized copper ore in ammonium

chloride solution”, Chemical and Biochemical Engineering Quarterly, vol. 17, pp. 261–266, 2003.

[11] Koleini, S.M. J. and Khodadadi, A., “A Study on Leaching Behaviour of Copper Oxide Ore of Sarcheshmeh Mine”, International seminar on Mineral Processing Technology MPT, 2007.

[12] Bouffard, S. C. and Dixon, D. G., “Investigative study into the hydrodynamics of heap leaching processes”,

Metallurgical and Material Transactions, vol. 32, pp.763– 776, 2001.

[13] Dehghani, H. and Ataee-pour, M., “Development of a model to predict peak particle velocity in a blasting

operation”, International Journal of Rock Mechanics and Mining Sciences, vol. 48, pp. 51– 58, 2011.

[14] Demir, F., Türkmen M. and Tekeli, H., “A new way for prediction of elastic modulus of normal and high

strength concrete : artificial neural networks”, Intelligent Manufacturing Systems, pp. 208- 215, 2006.

[15] Cilek, E. C., “Application of Neural Networks to Predict Locked Cycle Flotation Test Results”, Minerals

Engineering, 15, pp. 1095- 1104, 2002.

[16] Massinaei, M. and Doostmohammadi R., “Modeling of Bubble Surface Area Flux in an Industrial Rougher

Column using Artificial Neural Network and Statistical Techniques”, Minerals Engineering, vol. 23, pp. 83-

90, 2010.

[17] Sawmliana, C., Roy, P. P., Singh, R. K. and Singh, T.N., “Blast induced air overpressure and its prediction

using artificial neural network” International Journal of Mining Technology, vo. 116, no. 2, pp. 41– 48, 2007.

[18] Monjezi, M., Ghafurikalajahim, M. and Bahrami, A., “Prediction of blast-induced ground vibration using

artificial neural networks”, Tunnelling and Underground Space Technology, vol. 26, pp. 46– 50, 2011.

[19] Bakhshandeh Amnieh, H., Mozdianfard, M.R. and Siamaki, A., “Predicting of blasting vibrations in

Sarcheshme copper mine by neural network”, Safety Science, vol. 48, pp. 319– 325. 2010.

[20] Khandelwal, M. and Singh, T.N., “Prediction of blast-induced ground vibration using artificial neural

network”, International Journal of Rock Mechanics and Mining Sciences, vol. 46, pp. 1214– 1222, 2009.

[21] Bakhshandeh Amnieh, H., Siamaki A. and Soltani S., “Design of blasting pattern in proportion to the

peak particle velocity (PPV): Artificial neural networks approach”, Safety Science, vol. 50, pp. 1913– 1916, 2012.

[22] Petr, V., Simoes, M.G. and Rozgonoyi, T.G., “Future Development of Neural Network Prediction for

Blasting Design Parameter of Production Blasting”,Explosive and Blasting Technique, Holmberg, pp.

625– 630, 2003.

آمار

تعداد مشاهده مقاله: 1,410

تعداد دریافت فایل اصل مقاله: 1,343