پیوندهای مفید
آمار
| تعداد نشریات | 7 |
| تعداد شماره‌ها | 399 |
| تعداد مقالات | 5,389 |
| تعداد مشاهده مقاله | 5,288,209 |
| تعداد دریافت فایل اصل مقاله | 4,882,946 |
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، اسفند 1394، صفحه 47-53 اصل مقاله (765.55 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. | ||
| کلیدواژه‌ها | ||
| 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 hoseinian1؛ Mehdi Irannajad2؛ Mohsen Hashemzadeh3؛ Saeed Soltani mohammadi4 | ||
| 1M.Sc. student, Department of Mining and Metallurgical Eng., Amirkabir University of Technology | ||
| 2Associate Professor, Department of Mining and Metallurgical Eng., Amirkabir University of Technology | ||
| 3M.Sc., Iran Mineral Processing Research Center (IMPRC), Karaj | ||
| 4Assistant Professor, Department of Mining Eng., Kashan University, Esfahan | ||
| 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. | ||
| کلیدواژه‌ها [English] | ||
| Heap leaching, copper oxide ore, Recovery, artificial neural network | ||
|
سایر فایل های مرتبط با مقاله
|
||
| 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: 2,685 تعداد دریافت فایل اصل مقاله: 5,091 |
||
