>> دانشگاه بین المللی امام خمینی
>> معاونت پژوهشی و فناوری
>> نشریات دانشگاه در پرتال وزارت علوم، تحقیقات و فناوری

  اخبار و اعلانات

 آمار

تعداد نشریات20
تعداد شماره‌ها410
تعداد مقالات3,357
تعداد مشاهده مقاله4,886,211
تعداد دریافت فایل اصل مقاله3,292,391
کاظمی, فاطمه, عبداله زاده, علی اکبر. (1403). تاثیر ویژگی‌های بافت باطله‌های فرآوری سنگ آهن بر فرایندهای بازیافت آهن از آن. لسان مبین, (), 117-135. doi: 10.30479/jmre.2024.20504.1701
فاطمه کاظمی; علی اکبر عبداله زاده. "تاثیر ویژگی‌های بافت باطله‌های فرآوری سنگ آهن بر فرایندهای بازیافت آهن از آن". لسان مبین, , , 1403, 117-135. doi: 10.30479/jmre.2024.20504.1701
کاظمی, فاطمه, عبداله زاده, علی اکبر. (1403). 'تاثیر ویژگی‌های بافت باطله‌های فرآوری سنگ آهن بر فرایندهای بازیافت آهن از آن', لسان مبین, (), pp. 117-135. doi: 10.30479/jmre.2024.20504.1701
کاظمی, فاطمه, عبداله زاده, علی اکبر. تاثیر ویژگی‌های بافت باطله‌های فرآوری سنگ آهن بر فرایندهای بازیافت آهن از آن. لسان مبین, 1403; (): 117-135. doi: 10.30479/jmre.2024.20504.1701

تاثیر ویژگی‌های بافت باطله‌های فرآوری سنگ آهن بر فرایندهای بازیافت آهن از آن

نشریه مهندسی منابع معدنی
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 15 مهر 1403    اصل مقاله (1.26 M)
نوع مقاله: علمی-پژوهشی
شناسه دیجیتال (DOI): 10.30479/jmre.2024.20504.1701
نویسندگان
فاطمه کاظمی1؛ علی اکبر عبداله زاده* 2
1دانشجوی دکتری، گروه مهندسی معدن، دانشکده مهندسی، دانشگاه کاشان، کاشان
2دانشیار، دانشکده مهندسی معدن، دانشگاه صنعتی امیرکبیر، تهران
تاریخ دریافت: 02 تیر 1403،  تاریخ بازنگری: 14 مهر 1403،  تاریخ پذیرش: 29 شهریور 1403 
چکیده
شناخت ویژگی‌های بافتی باطله ها به دلیل عبور آنها از حداقل یک مرحله فرآوری و انباشت در طول زمان، برای بازفرآوری اهمیت بالایی دارد. هدف از مطالعه حاضر، شناسایی و کمی‌سازی خواص بافتی ذخیره های باطله سنگ آهن دانه‌بندی در راستای بررسی تاثیر آن بر رفتار این مواد در فرآوری مجدد است. پس از نمونه‌برداری از دپوهای باطله، با طبقه‌بندی در 6 فراکسیون دانه‌بندی بر روی آنها آنالیز شیمیایی و مطالعات میکروسکوپی نوری و الکترونی انجام گرفت. با پردازش تصاویر و کدنویسی در نرم‌افزار MATLAB، یک پارامتر کمی در ارتباط با میزان درگیری کانی هدف با گانگ‌ها با عنوان شاخص ارتباط (AI) تعیین شد. مطالعات کانی‌شناسی حاکی از وجود کانی‌های منیتیت و هماتیت و درگیری پیچیده آنها با سایر کانی‌های فلزی و گانگ است. بر اساس AI محاسبه شده برای هر فراکسیون، بالاترین ارتباط میان دو کانی منیتیت و هماتیت بوده که ناشی از مارتیتی شدن منیتیت به هماتیت است. پس از آن در ابعاد 250+ میکرون بالاترین AI برای منیتیت با کانی‌های به ترتیب کلسیت، دیوپسید، گارنت و کوارتز است. در این فراکسیون ابعادی نسبت AI به عیار کانی‌های پیریت و کالکوپیریت بیش از 1 به دست آمد که به معنی ارجح بودن منیتیت نسبت به کانی‌های پیریت و کالکوپیریت است. نتایج جدایش مغناطیسی موید پیش‌بینی ‎ها بود. در ابعاد 250+ میکرون، علاوه بر کانی آهن، پیریت و کالکوپیریت به کنسانتره مغناطیسی بازیابی شدند. این نتیجه به جهت بازیابی کانی مس به عنوان یک مرحله پیش فرآوری در ابعاد درشت قابل توجه است.
کلیدواژه‌ها
باطله کارخانه فرآوری سنگ آهن؛ ویژگی‌های بافتی؛ شاخص ارتباط؛ جدایش مغناطیسی
عنوان مقاله [English]
The Effect of the Textural Characteristics of Iron Ore Processing Tailings on the Processes of Iron Recovery From Them
نویسندگان [English]
F. Kazemi1؛ A.A. Abdollahzadeh2
1Ph.D Student, Department of Mining Engineering, University of Kashan, Kashan, Iran
2Associate Professor, Faculty of Mining Engineering, Amirkabir University of Technology, Tehran, Iran
چکیده [English]
The present study aims to identify and quantify the textural characteristics of granulated iron ore tailing depots to investigate these characteristics' effect on the tailings reprocessing behavior. After sampling from the tailings depots and classifying them into six size fractions, chemical analyses, and optical and electron microscopic studies were conducted on each fraction. By processing the images and coding in MATLAB software, a quantitative parameter related to the interlocking of the target mineral with gangues—termed the association index (AI)—was determined. Mineralogical studies indicate the presence of magnetite and hematite, along with their complex interlocking with other metallic minerals and gangue. Based on the AI calculated for each fraction, the highest interlock occurs between magnetite and hematite, attributed to the martitization of magnetite to hematite. In the size fraction above 250 microns, the highest AI is observed for magnetite with the following minerals: calcite, diopside, garnet, and quartz. In this fraction, the ratio of AI to the grades of pyrite and chalcopyrite exceeds 1, indicating that magnetite is preferable to these minerals. The magnetic separation results confirmed that pyrite and chalcopyrite were recovered into the magnetic concentrate in sizes over 250 microns. This can significantly aid in copper mineral recovery as a pre-treatment step.
کلیدواژه‌ها [English]
Iron tailings, Textural characteristics, Association index, Grinding, Magnetic separation
سایر فایل های مرتبط با مقاله
مراجع
  1. Rumpf, H. (1973). “Physical aspects of comminution and new formulation of a law of comminution”. Powder Technology, 7(3): 145-159.
  2. Dunham, S., and Vann, J. (2007). “Geometallurgy, geostatistics and project value—does your block model tell you what you need to know”. In: Proceedings of the Project Evaluation Conference, Melbourne, Australia, 19-20.
  3. Lynch, A. (2015). “Comminution Handbook”. Australasian Institute of Mining and Metallurgy.
  4. Lotter, N. O., Kowal, D. L., Tuzun, M. A., Whittaker, P. J., and Kormos, L. (2003). “Sampling and flotation testing of Sudbury Basin drill core for process mineralogy modelling”. Minerals Engineering, 16(9): 857-864.
  5. Becker, M., Brough, C., Reid, D., Smith, D., and Bradshaw, D. (2008). “Geometallurgical characterisation of the Merensky Reef at Northam Platinum Mine; comparison of normal, pothole and transitional reef types”. In: International Congress for Automated Mineralogy, 391-399.
  6. Hunt, J. A., Berry, R., Walters, S., Bonnici, N., Kamenetsky, M., Nguyen, K., and Evans, C. L. (2008). “A new look at mineral maps and the potential relationships of extracted data to mineral processing behaviours”. In: Ninth International Congress for Applied Mineralogy, AusIMM., 429-432.
  7. Walters, S. (2008). “An overview of new integrated geometallurgical research”. Australasian Institute of Mining and Metallurgy Publication Series, 79-82.
  8. Can, N. M., Celik, I. B., Bicak, O., and Altun, O. (2013). “Mass balance and quantitative mineralogy studies for circuit modification”. Mineral Processing and Extractive Metallurgy Review, 34(5): 348-365.
  9. Tungpalan, K., Wightman, E., and Manlapig, E. (2015). “Relating mineralogical and textural characteristics to flotation behaviour”. Minerals Engineering, 82: 136-140.
  10. Wills, B. A., and Napier-Munn, T. (2016). “Wills’ Mineral Processing Technology: An Introduction to the Practical Aspects of Ore Treatment and Mineral Recovery, seventh ed”. Elsevier Science and Technology.
  11. Rincon, J., Gaydardzhiev, S., and Stamenov, L. (2019). “Investigation on the flotation recovery of copper sulphosalts through an integrated mineralogical approach”. Minerals Engineering, 130: 36-47.
  12. Bahrami, A., Abdollahi, M., Mirmohammadi, M., Kazemi, F., Danesh, A., and Shokrzadeh, M. (2020). “A process mineralogy approach to study the efficiency of milling of molybdenite circuit processing”. Scientific Reports, 10(1): 21211.
  13. Zhang, J., and Subasinghe, N. (2012). “Extracting ore texture information using image analysis”. Mineral Processing and Extractive Metallurgy, 121(3): 123-130.
  14. Lund, C., Lamberg, P., and Lindberg, T. (2015). “Development of a geometallurgical framework to quantify mineral textures for process prediction”. Minerals Engineering, 82: 61-77.
  15. Hilden, M. M., and Powell, M. S. (2017). “A geometrical texture model for multi-mineral liberation prediction”. Minerals Engineering, 111: 25-35.
  16. Parian, M., Mwanga, A., Lamberg, P., and Rosenkranz, J. (2018). “Ore texture breakage characterization and fragmentation into multiphase particles”. Powder Technology, 327: 57-69.
  17. Sousa, R., Futuro, A., Fiúza, A., and Leite, M. M. (2020). “Pre-concentration at crushing sizes for low-grade ores processing–Ore macro texture characterization and liberation assessment”. Minerals Engineering, 147: 106156
  18. Perez-Barnuevo, L., Lévesque, S., and Bazin, C. (2018). “Automated recognition of drill core textures: A geometallurgical tool for mineral processing prediction”. Minerals Engineering, 118: 87-96.
  19. Nguyen, A., Tungpalan, K., Evans, C., Manlapig, E., Jackson, J., Nguyen, K., and Valenta, R. (2021). “A method for rapid estimation of processing behaviour based on ore texture”. Minerals Engineering, 171: 107111.
  20. Zhang, Y., Francois, N., Henley, R. W., Knuefing, L., Turner, M., Saadatfar, M., Brink, F., and Knackstedt, M. (2024). “In-situ study of texture-breakage coupling in a copper ore using X-ray micro-CT”. Minerals Engineering, 205: 108464.
  21. Bonnici, N., Hunt, J. A., Walters, S. G., Berry, R., and Collett, D. (2008, September). “Relating textural attributes to mineral processing: Developing a more effective approach for the Cadia East Cu–Au porphyry deposit”. In: Proceedings of the ninth international congress for applied mineralogy conference (ICAM), 4-5.
  22. Lamberg, P. (2011). “Particles-the bridge between geology and metallurgy”. In: Proceedings of Conference in Mineral Engineering, Luleå, Sweden, 1-16.
  23. Kazemi, F., and Abdollahzadeh, A. A. (2024). “Valorisation of iron ore tailing piles: utilisation of element-to-mineral conversion and association index to building mineralogical modal”. Canadian Metallurgical Quarterly, 1-14.
  24. Galvão, J. L. B., Andrade, H. D., Brigolini, G. J., Peixoto, R. A. F., and Mendes, J. C. (2018). “Reuse of iron ore tailings from tailings dams as pigment for sustainable paints”. Journal of Cleaner Production, 200: 412-422.
  25. Lamberg, P., Rosenkranz, J., Wanhainen, C., Lund, C., Minz, F., Mwanga, A., and Parian, M. (2013, September). “Building a geometallurgical model in iron ores using a mineralogical approach with liberation data”. In: Proceedings of the Second AusIMM International Geometallurgy Conference, Brisbane, Australia, 317-324.
  26. Parian, M. (2017). “Development of a geometallurgical framework for iron ores-A mineralogical approach to particle-based modeling”. Doctoral dissertation, Luleå University of Technology.
  27. Koch, P. H., Lund, C., and Rosenkranz, J. (2019). “Automated drill core mineralogical characterization method for texture classification and modal mineralogy estimation for geometallurgy”. Minerals Engineering, 136: 99-109.
  28. Lishchuk, V., Lund, C., Koch, P. H., Gustafsson, M., and Pålsson, B. I. (2019). “Geometallurgical characterisation of Leveäniemi iron ore–Unlocking the patterns”. Minerals Engineering, 131: 325-335.
آمار
تعداد مشاهده مقاله: 378
تعداد دریافت فایل اصل مقاله: 3


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب