Journals →  Цветные металлы →  2020 →  #12 →  Back

Горно-геологические работы и обогащение
ArticleName Прогноз технологических показателей обогащения медно-никелевых руд Талнахского рудного узла
DOI 10.17580/tsm.2020.12.07
ArticleAuthor Хашковская Т. Н., Лялинов Д. В., Колесникова Е. Н., Максимов В. И.
ArticleAuthorData

ООО «Институт Гипроникель», Санкт-Петербург, Россия:

Т. Н. Хашковская, главный специалист лаборатории геолого-технологического изучения сырья (ЛГТИС), эл. почта: KhashkovskayaTN@nornik.ru
Е. Н. Колесникова, инженер 1-ой категории ЛГТИС, эл. почта: KolesnikovaEN@nornik.ru
Д. В. Лялинов, старший научный сотрудник ЛГТИС, эл. почта: LyalinovDV@nornik.ru
В. И. Максимов, заведующий сектором сопровождения производства ЛГТИС, эл. почта: MaksimovVI@nornik.ru

Abstract

Статья посвящена минералого-технологическим исследованиям медно-никелевых руд Талнахского рудного узла (ТРУ) и созданию методики прогноза технологических показателей на основании данных картирования. Разработанная в 1987–1992 гг. геолого-технологическая классификация этих руд скорее является разделением природных типов и разновидностей и не указывает на их конкретные технологические показатели обогащения. Медно-никелевые руды ТРУ являются многоком понентными, и разработать их технологическую классификацию по показателям обогащения, учитывающую все особенности качества концентратов и извлечения цветных и благородных металлов, весьма затруднительно. В период 2015–2020 гг. по договорам с Научно-техническим управлением Заполярного филиала ГМК «Норильский никель» проведены технологические опыты и минералогическое изучение для 107 проб вкрапленной, 105 проб медистой и 60 проб богатой руды. На основе результатов опытов разработана технологическая классификация вкрапленных, медистых и богатых руд по одному выбранному актуальному технологическому показателю. Использование горно-геологической информационной системы (ГГИС) позволяет присвоить каждой ячейке блочной модели (или выемочной единице с известными характеристиками руды) в рудном теле присущие ему показатели обогащения. На основе результатов геолого-технологического картирования руд ТРУ применен метод косвенного расчета прогнозных показателей обогащения по набору признаков, который позволил установить сами показатели, оценить погрешность расчета, а также найти путь улучшения качества предсказания модели при исследовании дополнительных проб и признаков.

keywords Промышленные типы медно-никелевых руд, природные разновидности руд, технологические показатели, коллективный концентрат, геолого-технологическое картирование, машинное обучение, блочная модель
References

1. Gorbachev S. A., Balandin V. V. 40th anniversary of the Oktyabrsky mine. Gornyi Zhurnal. 2014. No. 4. pp. 5–10.
2. Volyanskiy I. V., Likhacheva T. A., Kurchukov A. M., Miller A. A. Basic aspects of Talnakh concentrator reconstruction and modernization. Tsvetnye Metally. 2020. No. 6. pp. 6–11. DOI: 10.17580/tsm.2020.06.01.
3. Galaov R. B., Pelipenko E. V., Kolechko S. S. The history of development and the prospects of the raw material base owned by Nornickel’s Polar Division. Gornyi Zhurnal. 2015. No. 6. pp. 7–11. DOI: 10.17580/gzh.2015.06.01.
4. Smirnov G. N., Smirnov A. N., Golovina Yu. S. The Talnakh Concentrator upgrade project realization stages. Obogashchenie Rud. 2016. No. 5. pp. 55–59. DOI: 10.17580/or.2016.05.10
5. STO RosGeo 09-002–98. Solid minerals and rocks. Geological mapping. Methods. Moscow : RosGeo, 1998.
6. Petrov S. V., Mishulovich P. М., Smolensky V. V. The principles of building a block geological-and-processing model of mineral deposit. Obogashchenie Rud. 2010. No. 6. pp. 34–38.
7. Kots G. A., Chernopyatov S. F., Shmanenkov I. V. Testing and mapping of mineral deposits. Moscow : Nedra, 1980. 288 p.
8. Kozlova M. A., Ryabtsev D. A. A modern approach to geological mapping of ore deposits. Gornye nauki i tekhnologii. 2017. No. 1. pp. 23–30.
9. Lechuti-Tlhalerwa R., Coward S., Field M. Embracing step-changes in geoscientific information for effective implementation of geometallurgy. Journal of the Southern African Institute of Mining and Metallurgy. 2019. Vol. 119, No. 4. pp. 355–360.
10. Ortiz J. M., Cevik S. I., Avalos S., Kracht W., Leuangthong O. Machine learning and deep learning in predictive geometallurgical modeling. The World’s Premier Mineral Exploration and Mining Convention. Toronto, Canada, 1–4 March, 2020.
11. Baxter C. P., Plugatyr A., Gottheil J., Bedrossian S. Towards predictive geometallurgy: inferring particulate heterogeneity from image analysis. 52nd Annual Canadian Mineral Processors Operators Conference. Ottawa, 21–23 January 2020.
12. Koch P.-H., Lund C., Rosenkranz J. Automated drill core mineralogical characterization method for texture classification and modal mineralogy estimation for geometallurgy. Minerals Engineering. 2019. Vol. 136. pp. 99–109.

Language of full-text russian
Full content Buy
Back