Die Auswahl eines optimalen Sensors zur sensor-basierten Sortierung unter Anwendung automatisierter Mineralogie in Kombination mit Maschinellem Lernen


Die Auswahl eines optimalen Sensors zur sensor-basierten Sortierung unter Anwendung automatisierter Mineralogie in Kombination mit Maschinellem Lernen

Kern, M.; Tusa, L.; Khodadadzadeh, M.; Leißner, T.; van den Boogaart, K. G.; Gloaguen, R.; Gutzmer, J.

Sensor-basierte Sortierung ist eine Technologie, die in zunehmendem Maße zur Aufbereitung von Primärrohstoffen verwendet wird. Um beurteilen zu können, ob der Einsatz sensor-basierter Sortierung zur Anreicherung eines bestimmten Erzes wirtschaftlich eingesetzt werden kann, werden nach Stand der Technik zeitaufwändige und teure empirische Teststudien durchgeführt. Mit dem hier vorgestellten innovativen simulations-basierten Ansatz ist es möglich, die Auswahl eines Sensors auf Grundlage von quantitativen mineralogischen und texturellen Daten zu treffen. Solche Daten können mit verfügbaren Methoden der automatisierten Mineralogie rasch und kostengünstig erhoben werden. Das dokumentierte Fallbeispiel basiert auf Daten aus mehr als 100 Dünnschliffen von zwei verschiedenen Erztypen aus der Sn-In-Zn Lagerstätte Hämmerlein, Erzgebirge. Die Proben wurden ausgewählt, um die mineralogische und texturelle Variabilität zu erfassen. Parameter wie Mineralkorngrößenverteilung, modale Mineralogie, Mineralflächen- und Mineraldichteverteilung wurden verwendet, um die Erfolgsaussichten einer sensorgestützten Sortierung mit verschiedenen Sensoren zu simulieren. Die Ergebnisse zeigen, dass die Häufigkeit von gesteinsbildendem Chlorit und/oder Dichteanomalien als Proxy für die Häufigkeit von Kassiterit, dem Haupterzmineral, verwendet werden können. Dies deutet darauf hin, dass die Sortierung des Hämmerlein-Erzes entweder mit einem Kurzwellen-Infrarotdetektor zur Quantifizierung des Chloritgehalts oder einem Dual-Energy-Röntgentransmissionsdetektor zur Abschätzung des Kassiteritgehalts erreicht werden kann. Die Abschätzung des Kassiteritgehalts einer Probe wurde durch Maschinelles Lernen optimiert, indem die Daten des Kurzwellen-Infrarot-Detektors mit den mineralogischen Daten integriert wurden. Dies führt zu einer weiteren, wichtigen Verbesserung der simulierten Ergebnisse. Empirische Tests mit handelsüblichen Sensorsystemen wurden genutzt, um die Vorhersagen der Simulationen experimentell zu validieren. Der entwickelte Ansatz kann sehr einfach auf andere Rohstofftypen angepasst werden; er birgt damit großes Potenzial, eine Schlüsseltechnologie zur Optimierung von Aufbereitungsprozessen zu werden.

  • Contribution to proceedings
    Tagung Aufbereitung und Recycling, 07.-8.11.2019, Freiberg, Deutschland

Permalink: https://www.hzdr.de/publications/Publ-30356
Publ.-Id: 30356