MINERÍA la mejor puerta de acceso al sector minero MINERÍA / MAYO 2023 / EDICIÓN 548 51 3) El algoritmo es capaz de clasificar partículas de roca cribadas con una malla de ¾"-5" con un tiempo de procesamiento medio y máximo de 19.2 ms (52.1 fps) y 44 ms (22.7 fps), respectivamente. 4) Las pruebas del algoritmo con 54.4 kg adicionales de partículas de roca húmeda no ideal que se movían a una velocidad de 1 m/s en una cinta transportadora, con una cámara USB industrial de menor resolución y con proporciones de mineral reales produjeron un MCC de 0.901 puntos, que siguen siendo resultados muy deseables para la clasificación de minerales. Este rendimiento se traduce en una recuperación de oro y plata del 95.6% (o una mejora de la ley del 23.6%) y una extracción de masa del 77.4%. Los resultados de nuestro algoritmo indican que podría aplicarse en una planta piloto para realizar la clasificación de minerales en tiempo real. Además, en el futuro, el método propuesto se combinará con el análisis hiperespectral mediante aprendizaje multimodal para mejorar su rendimiento de clasificación. Referencias [1] Priester M, Ericsson M, Dolega P, Löf O. Mineral grades: An important indicator for environmental impact of mineral exploitation. Miner Econ 2019;32 (1):49–73. [2] Cho K, Kim H, Myung E, Purev O, Choi N, Park C. Recovery of gold from the refractory gold concentrate using microwave assisted leaching. Metals 2020;10(5):571. [3] Elliott R, Barati M. A review of the beneficiation of low-grade manganese ores by magnetic separation. Can Metall Q 2020;59(1):1– 16. [4] Ulrich S, Trench A, Hagemann S. Grade-cost relationships within Australian underground gold mines—A 2014–2017 empirical study and potential value implications. Resour Policy 2019;61:29–48. [5] La Brooy SR, Linge HG, Walker GS. Review of gold extraction from ores. Miner Eng 1994;7(10):1213–41. [6] Lessard J, de Bakker J, McHugh L. Development of ore sorting and its impact on mineral processing economics. Miner Eng 2014;65:88–97. [7] Lessard J, Sweetser W, Bartram K, Figueroa J, McHugh L. Bridging the gap: Understanding the economic impact of ore sorting on a mineral processing circuit. Miner Eng 2016;91:92–9. [8] Robben C, Wotruba H. Sensor-based ore sorting technology in mining—Past, present and future. Minerals 2019;9(9):523. [9] Simmons SF, White NC, John DA. Geological characteristics of epithermal precious and base metal deposits. Society of Economic Geologists (100th; anniversaryvol.); 2005. [10]Gülcan E, Gülsoy ÖY. Performance evaluation of optical sorting in mineral processing—A case study with quartz, magnesite, hematite, lignite, copper and gold ores. Int J Miner Process 2017;169:129–41. [11]Tessier J, Duchesne C, Bartolacci G. A maFigura 18. Banco de pruebas utilizado para captar imágenes de rocas que se mueven a velocidades de 1 m/s. Nota: (a) Vista exterior del banco de pruebas: se utiliza una caminadora como cinta transportadora, y la cámara, situada dentro de la caja de MDF, está conectada a un ordenador portátil con el programa de adquisición de imágenes. (b) Vista interior del banco de pruebas: se utilizan 2 m de tiras LED de 16.2 W/m para iluminar las rocas que se mueven por la cinta transportadora, mientras que una cámara Basler daA2500-14uc se utiliza para tomar imágenes a color.
RkJQdWJsaXNoZXIy MTM0Mzk2