Von Elementen zu Partikeln - Particle Fate Modelling
Der Gebrauch mineralogischer Daten zur Verbesserung von Aufbereitungsprozessen gleicht oft dem Prinzip Versuch und Irrtum, weil man bisher nur auf wenige Informationen - meist Mineralgehalte - zurückgreift. Die Methoden der Materialcharakterisierung haben sich jedoch deutlich weiterentwickelt. Größe, Form und Zusammensetzung einzelner Partikel werden heute systematisch und schnell ermittelt.
Die interdisziplinäre Forschungsgruppe Particle Fate Modelling nutzt diese Informationen, um das Verhalten von Partikeln in Trennverfahren nicht nur besser verstehen sondern einschließlich ihrer Unsicherheiten vorhersagen zu können.
Aktuelle Entwicklungen
Data-Mining-Plattform
Wir haben eine System entwickelt, das Daten der detaillierten Rohstoffcharakterisierung umfassend und konsistent speichert. Die Daten werden mithilfe verschiedener Analysemethoden erhoben, z. B. von XRF(1), XRD(2), automatisierter Mineralogie(3) und Röntgencomputertomographie(4). Indem wir alle Daten auf dieser so genannten Data-Mining-Plattform zusammenführen, erleichtern wir die vollständige Auswertung von Materialströmen.
Ein eigens entwickeltes R-Interface(5) versetzt Nutzer künftig in die Lage, Daten von Fallstudien überall auf der Welt zu importieren, zu visualisieren und zu interpretieren. So kann der Nutzer auf vollständige Datensätze zur Erzcharakterisierung zugreifen und diese strukturiert bearbeiten - unabhängig von der angewandten Analysemethode, der Anzahl der verwendeten Proben und der Komplexität ihrer Beziehungen.
Visualisierung eines Beispieldatensatzen mit der am HIF entwickelten R-Webanwendung,
Quelle: HZDR/HIF
Modellierung des Partikelverhaltens
Neben der Data-Mining-Plattform haben wir Modellierungstechniken (z. B. mit Kerndichteschätzungen) entwickelt, die uns dabei helfen, das Prozessverhalten einzelner Partikel in einem beliebigen Partikeltrenngerät (z. B. Flotation) zu verstehen und vorherzusagen. Alle gesammelten Partikelinformationen werden verwendet, damit Vorhersagemodelle die Komplexität von Materialien berücksichtigen. So können wir geeignete Prozessparameter für individuelle Feedmaterialien identifizieren und Kosten für metallurgische Folgestudien senken.
Im Speziellen können wir so:
- das Prozessverhalten komplexer Materialien verstehen,
- komplette Aufbereitungsanlagen mit speziell auf den Rohstoff zugeschnittenen Partikeltrennkreisläufen simulieren,
- die Flotationskinetik einzelner Partikel modellieren
3D-Charakterisierung individueller Partikel
3D- Bild eines zerkleinerten Karbonatgesteins mit Seltenen Erden (rot), HZDR/HIF
Auch wenn die 2D-Charakterisierung bereits sehr fortgeschritten ist, so fehlen bisher noch immer die geometrischen Informationen, die ein Partikel als 3D-Körper besitzt. Aus diesem Grund entwickeln wir Techniken(6) zur Charakterisierung von Größe, Form und Zusammensetzung einzelner Partikel in 3D. Zum Einsatz kommt die Röntgen-Computermikrotomographie, mit der wir nicht nur detaillierte 3D-Daten von Partikeln sammeln, sondern auch die Grenzen der Mineralidentifizierung ausreizen. Die gesammelten Daten sollen außerdem direkt in die partikelbasierten Trennmodelle überführt werden können.
Ausblick
Unsere Gruppe arbeitet kontinuierlich daran, Verständnis und Optimierungswerkzeuge für Aufbereitungprozesse weiterzuentwickeln. Ein besonderer Fokus liegt dabei auf dem Thema Materialkomplexität.
Einige unserer aktuellen Projekte beinhalten:
- die partikel-basierte Vorhersage von Zerkleinerungsprozessen
- die Untersuchungen zum Einfluss von Partikelformen auf den Flotationsprozess
- die Optimierung von Flotationskreisläufen basierend auf der Charakteristik einzelner Partikel
Unterstützte Projekte
Laufend
Beendet
Ausgewählte Publikationen
- Computing single-particle flotation kinetics using automated mineralogy data and machine learning
Lucas Pereira, Max Frenzel, Duong Huu Hoang, Raimon Tolosana-Delgado, Martin Rudolph, Jens Gutzmer
Minerals Engineering, Volume 170, 2021, https://doi.org/10.1016/j.mineng.2021.107054(11)
- Mounted Single Particle Characterization for 3D Mineralogical Analysis—MSPaCMAn
Godinho, J.R.A.; Grilo, B.L.D.; Hellmuth, F.; Siddique, A.
Minerals 2021, 11, https://doi.org/10.3390/min11090947(12)
- A self-adaptive particle-tracking method for minerals processing
Lucas Pereira, Max Frenzel, Mahdi Khodadadzadeh, Raimon Tolosana-Delgado, Jens Gutzmer
Journal of Cleaner Production, Volume 279, 2021, https://doi.org/10.1016/j.jclepro.2020.123711(13)
- Multidimensional characterization of separation processes – Part 2: Comparability of separation efficiency,
Minerals Engineering
Markus Buchmann, Edgar Schach, Thomas Leißner, Marius Kern, Thomas Mütze, Martin Rudolph, Urs A. Peuker, Raimon Tolosana-Delgado
Minerals Engineering, Volume 150, 2020, https://doi.org/10.1016/j.mineng.2020.106284(14)
- R as an environment for data mining of process mineralogy data: A case study of an industrial rougher flotation bank
Nathalie Kupka, Raimon Tolosana-Delgado, Edgar Schach, Kai Bachmann, Thomas Heinig, Martin Rudolph
Minerals Engineering, Volume 146, 2020, https://doi.org/10.1016/j.mineng.2019.106111(15)
- Multidimensional characterization of separation processes – Part 1: Introducing kernel methods and entropy in the context of mineral processing using SEM-based image analysis
Edgar Schach, Markus Buchmann, Raimon Tolosana-Delgado, Thomas Leißner, Marius Kern, K. Gerald van den Boogaart, Martin Rudolph, Urs A. Peuker
Minerals Engineering, Volume 137, 2019, https://doi.org/10.1016/j.mineng.2019.03.026(16)
Inhalt aus Sidebar
URL dieses Artikels
https://www.hzdr.de/db/Cms?pOid=62276