نوع مقاله: علمی - پژوهشی

نویسندگان

1 دانشگاه شهید باهنر کرمان

2 دانشگاه شهیذ باهنر کرمان

3 دانشگاه شهیدباهنر کرمان

4 معدن مس سرچشمه

چکیده

یکی از مشکلات محموله‌های ارسالی از معادن و به‌ویژه معادن روباز، کنترل عیار و مشخصات ماده معدنی است که برکارآیی کارخانه فرآوری تاثیر می‌گذارد. امروزه اهمیت نمونه‌برداری در معادن روباز به این دلیل است که برنامه‌ریزی استخراج و نوسان عیار خوراک ارسالی به کارخانه به طور عمده تابع اطلاعات نمونه‌‌گیری‌ از چال‌های استخراجی است.. بنابراین بهینه‌سازی فرآیند نمونه‌برداری به ‌منظور افزایش بهره‌وری معدن و بازیابی کارخانه فرآوری امری ضروری است. در پژوهش حاضر، واریانس روی‌ هم‌رفته نمونه‌برداری، واریانس‌های توزیعی، ترکیبی، آماده‌سازی و آنالیز، و واریانس تخمین بلوک‌های معدنی مختلف برآورد شده تا به کمک آن‌ها و روش‌های آماری کلاسیک بتوان نمونه‌برداری را بهینه کرد. با استفاده از روش آماری طرح‌های چند‌عاملی، پارامترهای معدنی موثر بر بازیابی کارخانه تغلیظ، عیار مس، درصد اکسید مس و آهن و نسبت کالکوسیت به کالکوپیریت خاک معدن تعیین شدند. به کمک روش‌های آماری و زمین‌آماری به منظور کاهش خطای نمونه‌برداری از چال‌های استخراجی، محل بهینه نمونه‌برداری، مرکز بلوک، وزن بهینه جزء ‌نمونه 2/8 کیلو‌گرم، تعداد جزء نمونه بهینه برای هر چال استخراجی چهار بدست آمد. همچنین بعد از بررسی‌های آماری انجام شده روی پارامترهای مؤثر بر بازیابی کارخانه تغلیظ در سطح اعتماد 95٪ ، نسبت تاثیر و نقطه بهینه آن‌ها در بازیابی کارخانه تغلیظ بدست آمد.

کلیدواژه‌ها

عنوان مقاله [English]

Optimizing ore sampling procedure of drill holes at Miduk porphyry copper deposit and its effects on processing plant recovery

نویسندگان [English]

  • A Rezaei 1
  • H Haji Amin Shirazi 2
  • Gh.R Rahimipour 3
  • M.R Kargar- Dianati 4

1 Shahid Bahonar University of Kerman

2 Shahid Bahonar University of Kerman

3 Shahid Bahonar University of Kerman

4 Sarcheshmeh Copper mine

چکیده [English]

   One of the major concerns, when dealing with consignments received from mining sites, is the reliability of data obtained from samples of the ore, which is crucial in operational conditions in processing plant. Sampling in open pits is particularly significant due to the fact that extraction design and grade fluctuations are based on the results obtained from blast holes samples. Thus, optimization of sampling procedure is essential to improve processing plant efficiency. In this work, sampling variance components including composition, distribution, preparation and analysis along with estimation variance of different mining blocks were determined to be utilized in sampling optimization using classical statistical methods. Using a statistical multifactor analysis the total copper grade, the ratio of iron oxide to copper oxide and the ratio of chalcocite to chalcopyrite mineral contents in the ore, were found to be the main factors affecting recovery in processing plant. To reduce sampling error of blast holes on the basis of geostatistical and statistical methods, the centre of ore blocks was determined to be the best location for the blast holes, with the optimum increment weight and the number of increments for each blast hole being 8.2 kg and 4, respectively. Eventually, statistical analysis of the factors affecting processing recovery resulted in the ranges (Fe ≤4%, 10% < CuO ≤ 12, 0.95 < Cu ≤1.00) at confidence level 95%. The coefficients of effectiveness of these factors were determined in equation: Recovery = 90.195 + 0.215A – 2.350B – 2.110C where A, B and C corresponds to 7 levels of Cu grade, 3 levels of copper oxide percent and 3 levels of Fe percent, respectively

کلیدواژه‌ها [English]

  • blast holes
  • Optimization
  • Analysis of variance
  • Recovery
  • Miduk Copper Mine

منابع

]1[ رضایی، علی؛ (1388)؛ بهینه­سازی نمونه­برداری به منظور کاهش نوسان عیار سنگ خوراک ارسالی به سنگ­شکن اولیه در معدن مس میدوک؛ پایان­نامه کارشناسی ارشد مهندسی اکتشاف معدن، دانشگاه شهید باهنر کرمان: صفحه 131.

]2[ حسنی‌پاک، علی­اصغر؛ (1380)؛ نمونه­برداری معدنی؛ انتشارات دانشگاه تهران.

[3]Pitard, F.1997; Sampling; Australian Mineral foundation Publication, 575p.

[4] مومنی، منصور؛ (1387)؛ تحلیل‌های آماری با استفاده از SPSS؛ انتشارات کتاب‌نو.

[5] Merks, J.W; 1985; Sampling and Weighing of Bulk Solids, Trans Tech Publications, Golf Publishing Company. pp.410.

[6] Miller and Miller; 1989; Statistics for Analytical Chemistry, pp. 227.

[7] David, M.; 1982; Geostatistical Ore Reserve Estimation, Elsevier Scientific Publishing CO.

[8] Rendu, J. M.; 1981; An Introduction to Geostatistical Methods of Mineral Evaluation, South African Institute of Mining and Metallurgy Publication , pp. 83..

[9] Anderson, R.; 1987; Practical Statistics for Analytical Chemists, pp.316.

 

[10] Walpole, R.E; 1972; Probability and Statistics for Engineers and Scientists, pp. 580.