Gains :
- Capacité à analyser les données de processus avec l'IA dans les étapes d'enrichissement telles que le concassage-broyage, la flottation et la lixiviation
- Capacité à interpréter l'équilibre entre la récupération, la courbe de rendement et la consommation de réactifs avec le support de l'IA
- Capacité à vérifier les paramètres de processus recommandés par l'IA via des tests métallurgiques, un bilan de masse et le jugement de l'ingénieur de processus
Le minerai de la mine passe par une usine de traitement pour devenir un produit commercialisable : concassage, broyage (transformation du minerai en poudre), classification, puis enrichissement (le processus proprement dit qui récupère le métal ; comme la flottation, la lixiviation, la gravité et la séparation magnétique). Cette installation est la partie de la mine qui consomme le plus d'énergie et détermine directement l'efficacité (récupération : quantité de métal contenu dans le minerai qui passe dans le produit). Une légère augmentation de l’efficacité fait une grande différence dans le revenu annuel ; Une petite erreur de taille de broyage entraîne une fuite de métal ou un gaspillage d'énergie. L'usine de traitement génère des données seconde par seconde : qualité de l'alimentation, distribution granulométrique, dosage des réactifs, densité de la pâte, pH, température. L’IA est puissante pour analyser, corréler et rapporter ces données ; mais les décisions de réglage du processus sont prises par des tests métallurgiques, un bilan de masse et le jugement de l'ingénieur du procédé.
Étapes de base de l'enrichissement
- Concassage-broyage (comminution) : réduction du minerai à une granulométrie à partir de laquelle le métal peut être récupéré. La majeure partie de l’énergie est dépensée ici ; La taille cible dépend du degré de libération (séparation du grain métallique du minéral de la gangue).
- Flottation : Séparation du minéral souhaité de la mousse à l'aide de réactifs dans un environnement eau-minéral-air. Le pH, le dosage des réactifs et le débit d’air sont essentiels.
- Lixiviation : Dissoudre le métal avec une solution chimique (par exemple cyanure, acide) et le récupérer. La consommation de réactif, le temps et la taille des particules sont déterminants.
- Séparation gravitationnelle/magnétique : Séparation par différence de densité ou de propriétés magnétiques.
Il y a deux critères majeurs à chaque étape : le rendement (récupération) et la qualité du concentré (grade). Habituellement, les deux sont en équilibre inverse : si vous voulez un concentré de qualité supérieure, le rendement a tendance à diminuer. L’IA peut expliquer cet équilibre qualité-rendement et le montrer à partir de vos données ; mais les valeurs opérationnelles réelles doivent être vérifiées par des tests métallurgiques et un bilan de masse.
Pas à pas : l'IA travaille avec les données de processus
- Établir le bilan de masse. Règle In = Out (concentré + déchet) ; Si la balance des métaux ne tient pas, il y a une erreur de données. AI : cadre de calcul du bilan massique.
- Trouvez les relations clés. Taille de la mouture ↔ rendement, pH ↔ efficacité de flottation, réactif ↔ qualité. IA : corrélation et analyse de tendances.
- Capturer l'anomalie/le décalage. Périodes pendant lesquelles l'efficacité diminue et la consommation de réactifs augmente. AI : marquage des anomalies des séries chronologiques.
- Il essaie le scénario. Des hypothèses comme « Que se passera-t-il selon le modèle si on augmente le pH de 0,3 ? » IA : construit des scénarios, mais la réalité est vérifiée par des tests.
- Confirmer par des tests métallurgiques. Les changements de paramètres critiques sont testés par des tests en laboratoire/pilotes.
- Appliquer et surveiller. L'ingénieur procédé décide ; AI rédige le rapport de suivi.
Astuce : La constatation d'une "relation" dans les données de processus ne garantit pas que sa modification obtiendra le même résultat. La corrélation n’est pas la causalité ; vérifier par des tests métallurgiques ou un essai contrôlé avant de modifier un paramètre.
Bilan de masse : chasseur de bugs silencieux
Le bilan massique est le contrôle de consistance le plus puissant d’une plante. La quantité de métal entrant doit être égale à la somme du concentré sortant et du métal présent dans les déchets ; S'ils ne sont pas égaux, soit la mesure, soit l'échantillon, soit le calcul sont incorrects. L’IA est très utile pour construire le tableau de bilan massique à partir de données de flux dispersés et signaler les déséquilibres. Mais trouver la cause du déséquilibre (point de prélèvement, débitmètre, analyse de teneur) nécessite une confirmation sur le terrain et en laboratoire.
Le bilan massique doit être valable séparément pour le tonnage « sec » et pour le métal : lors de la détention de tonnages dans une installation, le bilan métallique peut être déficitaire en raison d'une erreur dans l'analyse de la teneur. Un ingénieur de procédés expérimenté demande toujours « la balance est-elle en train de se clôturer » avant de se fier à un chiffre d'efficacité ; parce que l’efficacité calculée à partir d’un solde de non-clôture n’a aucun sens, aussi bonne soit-elle. En pratique, les mesures contiennent inévitablement une certaine erreur ; Ainsi, au lieu de ramener le solde exactement à zéro, on effectue un rapprochement des données qui donne les valeurs les plus cohérentes en fonction de la fiabilité des mesures. L’IA est utile pour montrer l’arithmétique de ce rapprochement et quelle mesure est plus discutable que d’autres ; Cependant, le degré de confiance qui doit être accordé au point de mesure est déterminé par l'ingénieur familier avec cette installation. En bref, le bilan de masse est le premier test, et le moins coûteux, pour révéler si les données du processus « mentent » ; Ce test doit être réussi avant chaque analyse de rendement et de qualité.
trois mini-cases
Cas 1 — Relation taille de mouture-rendement. Dans une usine de cuivre, l'efficacité de la flottation a diminué de 88 % à 84 % au cours des deux derniers mois. L'équipe demande à l'IA d'analyser les données de processus ; Ils constatent que la diminution de l'efficacité coïncide avec la période où la taille de broyage (P80) augmente de 150 µm à 190 µm. Le revêtement du moulin était usé et le broyage devenait grossier. Le rendement se rétablit avec le changement de revêtement et le retrait de la taille. L'IA a montré la relation ; La raison a été confirmée par une inspection sur le terrain (amorce).
Cas 2 — Déchets de réactifs. Une installation fournit des données de dosage et de rendement de réactif à l'IA. L'analyse montre qu'au-delà d'un certain dosage l'efficacité n'augmente pas, seul le coût augmente (saturation). L'équipe réduit le dosage à ce seuil ; les tests métallurgiques confirment le même rendement et le coût des réactifs baisse de 11 %. Tendance de l'IA trouvée ; Les tests ont confirmé la décision.
Cas 3 — Le bilan de masse ne tient pas (avertissement). Un stagiaire demande à l'IA de calculer son efficacité quotidienne à 94% et en est ravi. Cependant, lorsque le bilan de masse est établi dans l'IA, on constate que le métal entrant dépasse le métal sortant, et le bilan donne un déficit de 7% ; Le chiffre d’efficacité n’est donc pas fiable. Le problème était que l’échantillon de déchets avait été prélevé à un point non représentatif. Leçon : un nombre comme le rendement n'est pas rapporté sans tenir un bilan massique ; Même si l’IA établit rapidement un équilibre, elle en trouve la raison.
Modèles d'invite copiables
CONTRÔLE DU BILAN DE MASSE "Rôle : Vous êtes un ingénieur adjoint en traitement des minéraux. Vous trouverez ci-dessous les données de tonnage et de teneur pour les flux d'alimentation, de concentré et de résidus. Établissez le bilan de masse métallique (influent = concentré + résidus) et calculez le pourcentage de déséquilibre. Si le solde est déficitaire au-dessus de [seuil] %, énumérez les points de mesure/d'échantillonnage qui pourraient être suspects. Commentez l'hypothèse de l'unité. Données : [coller]."
RELATION GRADE-Rendement "Vous trouverez ci-dessous les mesures de la teneur et du rendement du concentré. Écrivez un squelette de code qui visualise la récupération de la teneur et interprète la tendance. Marquez quel point de fonctionnement montre le gaspillage/la perte ; PROPOSEZ un réglage exact, donnez une hypothèse à vérifier par des tests métallurgiques. Données : [coller]."
SURVEILLANCE DES ANOMALIE DU PROCESSUS "Vous trouverez ci-dessous la série chronologique du circuit de flottation (pH, dosage du réactif, rendement, qualité de l'alimentation). Marquez les périodes pendant lesquelles le rendement s'écarte de la normale et montrez pour chaque variable avec quelle variable il a dérivé. Ne dites pas la raison EXACTE ; énumérez les causes possibles et l'étape de vérification. Données : [coller]."
CONCEPTION DE MATRICE D'EXPÉRIENCE "Je souhaite tester l'effet de la taille de broyage et du dosage de réactif sur le rendement avec un test métallurgique. Suggérez-moi une matrice d'expérience (tableau de niveaux de facteurs) et notez ce que je dois mesurer dans chaque condition. NE donnez pas la valeur optimale réelle ; décrivez comment mettre en place le test."
Invite faible/Invite forte
INVITE FAIBLE : « Comment puis-je augmenter le rendement ? Quel doit être le pH ? »
INVITE FORTE : "Rôle : Vous êtes un assistant métallurgique/processus. Analysez la tendance entre le rendement et le pH, le dosage du réactif et la taille de la mouture dans les données de flottation ci-dessous. Marquez quelle variable se déplace avec la diminution du rendement. NE Suggérez PAS une valeur exacte du pH ; suggérez plutôt 2 à 3 hypothèses et une matrice expérimentale à tester avec des tests métallurgiques. Données : [coller]."
Tableau comparatif : benchmark des processus et rôle de l'IA
critère
Signification
Rôle de l'IA
vérification
Rendement (récupération)
Taux de métal gagné
Analyse des relations/anomalies
Bilan de masse + tests
Qualité concentrée
qualité du produit
tendance
Analyse + tests
Broyage P80
Dimension de la libéralisation
Relation avec le rendement
Mesure de la taille
Dosage du réactif
consommation de produits chimiques
Analyse de saturation
essais métallurgiques
bilan de masse
Cohérence des données
compte de solde
Confirmation sur le terrain/échantillon
Erreurs courantes
- Rapporter le rendement sans maintenir le bilan massique. Le déficit d’équilibre rend l’efficacité peu fiable.
- Confondre corrélation et causalité. Changer le décor simplement parce que vous voyez qu’une relation est risquée ; Confirmez avec des tests.
- S'appuyant sur la valeur globale du « pH optimal ». L'optimum est spécifique au minerai et au réactif.
- Ignorer la représentativité de l’échantillon. Un échantillon provenant du mauvais point gâche tout le calcul.
- Ignorer le coût de l’énergie et des réactifs. L’augmentation de l’efficacité ne justifie peut-être pas l’augmentation des coûts.
Attention : les paramètres du processus sont interdépendants ; changer l’un peut perturber l’autre. Une amélioration signalée par l’IA est mise en œuvre si elle n’aggrave pas une autre métrique (qualité, coût, environnement) et est vérifiée par des tests.
En résumé
Le traitement des minéraux est la partie la plus gourmande en énergie et en efficacité de la conversion du minerai en produit commercialisable ; Le rendement et la qualité du concentré sont généralement en équilibre inverse. L’IA est puissante dans l’établissement du bilan massique, l’analyse du rendement, la surveillance des anomalies et la conception de matrices d’expériences. Mais les décisions de réglage des processus sont vérifiées par des tests métallurgiques et un bilan de masse, et non par corrélation. Un chiffre tel que le rendement n'est pas indiqué sans maintenir un bilan massique et garantir la représentativité de l'échantillon.
Tâche de candidature
Utilisez le modèle « Contrôle de la balance massique » avec vos données de flux d'échantillon (ou vos propres) pour connaître le degré d'ouverture de la balance et répertorier tous les points de mesure suspects. Ensuite, interprétez vos points de travail avec le modèle « Relation qualité-rendement » et marquez les points montrant du gaspillage/perte. Enfin, extrayez le plan d'essais métallurgiques du modèle « Conception de matrice expérimentale » pour une hypothèse d'amélioration.
liste de contrôle
- [ ] Avant de rapporter les données, j'ai établi le bilan massique et vérifié le déficit.
- [ ] Je ne considérais pas les relations que je voyais comme causales, j'avais prévu de les confirmer par des tests.
- [ ] J'ai remis en question la représentativité des points d'échantillonnage.
- [ ] J'ai laissé la décision de définition du processus à l'ingénieur des essais métallurgiques et des procédés.
- [ ] J'ai également évalué le coût/impact environnemental de la réhabilitation.
- [ ] J'ai considéré les valeurs "optimales" spécifiques au minerai et je ne me suis pas fié aux valeurs générales.