پیش‌بینی عیار فسفر فرآوری شده کانسنگ آهن بر اساس مدل‌های ریاضی- آماری

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشکده مهندسی معدن، دانشگاه صنعتی اصفهان

2 دانشکده مهندسی معدن و متالورژی، دانشگاه یزد

3 پژوهشکده فناوری های معدنکاری

4 شرکت سنگ آهن مرکزی بافق

چکیده

کانسار سنگ آهن چغارت در بخش مرکزی فلات ایران با ذخیره‌ حدود 215 میلیون تن و عیار متوسط 60 درصد اکسید آهن، دارای نوسانات عیاری در سراسر ذخیره است. آگاهی از میزان این نوسانات عیاری، به منظور به کارگیری تمهیدات لازم جهت افزایش بازیابی آهن و کنسانتره آن امری حیاتی محسوب می‌شود. کارخانه فرآوری چغارت بر اساس خوراکی که تغییرات آن در حد مجاز باشد؛ طراحی و بهینه‌سازی شده، لذا شناسایی نوسانات خوراک ورودی کارخانه تا حد بسیار زیادی می‌تواند از تغییرات به وجود آمده، بکاهد. در این مطالعه تعداد 94 نمونه به همراه 7 نمونه تکراری از گمانه‌ و سینه‌ کارهای استخراجی جهت آنالیز انتخاب شدند. پس از مراحل آماده‌سازی و آنالیز نمونه‌ها، از دستگاه جداکننده مغناطیسی دیویس‌تیوپ، به منظور دستیابی به داده‌های آهن و فسفر خروجی استفاده شد. در نهایت پس از جمع‌آوری اطلاعات لازم، عیار فسفر فرآوری‌شده کانسنگ آهن، بر اساس آنالیز نمونه‌های ماده معدنی اولیه با به کارگیری مدل‌های ریاضی (آنالیز تمایز، رگرسیون و شبکه عصبی) پیش‌بینی و نتایج مربوطه، اعتبار‌سنجی شد. آنالیز تمایز توانست با درصد صحتی برابر 1/88 درصد داده‌های مورد بررسی در این محدوده را طبقه‌بندی نماید .در بخش رگرسیون مقدار R2 رگرسیون خطی و غیر‌خطی به ترتیب برابر 65/0 و 73/0 و در شبکه عصبی برابر 89/0 شد که در مقایسه با رگرسیون غیرخطی مرتبه دوم نیز برجسته‌تر است. در مجموع بهره‌گیری از شبکه عصبی موجب بهبود برآورد رابطه میان فسفر خروجی و داده‌های ورودی شده‌ است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Prediction of concentrated phosphorus grade of iron ore using mathematical analysis

نویسندگان [English]

  • zohre hoseinzade 1
  • shahed sharestani 2
  • Seyyed Hossein Mojtahedzadeh 2 3
  • morteza babaie 2
  • hosein daneshfar 4
  • parisa roshani 1
  • Ahmad Reza Mokhtari 1 3
1 Dept. of Mining, Isfahan University of Technology, Iran
2 Dept. of Mining and metallurgy, Yazd University, Yazd
3 Dept. of Mining and metallurgy, Yazd University, Yazd | Mining Technologies Research Center, Yazd University, Yazd
4 Iran Central Iron Ore Co, Bafgh, Yazd.
چکیده [English]

Summary
The Choghart iron ore is one of Iron deposits located in central Iran in the volcanic-sedimentary basin of Bafgh. Like other natural occurrences of the earth, it has grade fluctuations throughout the deposit. Understating and awareness of these fluctuations is vital in order to increase the recovery and concentration of iron. Choghart mineral processing factory has been designed and optimized based on factory input feed tolerant to some degree of variations in grade. The aim of this paper is predicting phosphorous concentration after mineral processing based on the analysis of raw samples applying mathematical models. As a result, non-linear regression model including quadratic polynomial model showed high accuracy and by employing stepwise regression the number of predictor variables were kept as low as possible. Also, discriminant analysis has separated high and low phosphorus samples having 88% accuracy. Also, the artificial neural network could predict phosphorus grade effectively and accurately.
 
Introduction
The natural occurring earth materials including mineral resources usually include fluctuations in parameters like. Knowing and awareness of these fluctuations is vital in order to apply the necessary measures to increase the recovery. Mineral processing factories are optimized and designed based on the feed which its fluctuations should be inside an allowed limit. Most studies have been done on grade changes identifications, which mostly focused on the errors caused by different, staged of sampling and laboratory, block variance and grade dispersion. The aim of the present study is considering plant feed changes to predict the output phosphorous grade of the Choghart mineral processing factory at the Iran Central Iron Ore Company (ICIOC), Bafgh. Different statistical and artificial intelligent techniques have been employed for prediction of concentrated or based on analysis of raw materials.
 
Methodology and Approaches
In the present study 110 samples (including 7 duplicates) were collected from boreholes. Samples were sent to Zarazma laboratory at Tehran for analysis and the remaining samples were returned for test with Davis tube at ICIOC. The concentrated ore after magnet separator were send to chemical laboratory in ICIOC to determine Fe and P content of samples. Different techniques including mathematical models, discriminant analysis, regression and artificial neural network have been employed in the present work to predict the P content in concentrate after Davis tube from elemental contents in the original samples. A mathematical model is applied in order to better and more effective control the grade fluctuations.
 
Results and Conclusions
In this paper methods including regression, discriminant analysis and artificial neural network were used in order to predict the target variable. Although the non-linear regression containing quadratic polynomial has a high accuracy. The step wise regression has a better performance because of the limitation number of predictor variables. Discriminant analysis and neural network have divided high and low-p content samples with proper accuracy.

کلیدواژه‌ها [English]

  • Iron Ore
  • Phosphorous
  • predictions
  • regression
  • Neural network

کانسارهای اکسید آهن- آپاتیت به طور گسترده در سراسر جهان پراکنده شده‌اند؛ این ذخایر معرف کانسارهای تیپ کایرونای سوئد بوده، به صورتی که از پروتروزوئیک تا ترشیری در مناطق مختلف جهان در ارتباط با سنگ‌های آتشفشانی کالک آلکالن تشکیل شده‌اند. علی‌رغم مطالعات فراوان بر روی این کانسار‌ها در مورد منشا آنها اختلافاتی وجود دارد، اما اغلب پژوهشگران از منشا ماگمایی آنها و جایگزینی ماگمای غنی از مواد فرار و نهشته شدن مواد معدنی از سیال باقیمانده حمایت می‌کنند. آپاتیت از اجزای اصلی تشکیل‌دهنده این کانسار‌ها بوده که با مقادیر مختلفی از مگنتیت و اکتینولیت همراه است[1، 2].

در این نوع ذخایر، عنصر فسفر به شکل‌های آپاتیت یا فلورآپاتیت به طور جزئی در لبه مینرال‌های اکسید آهن، داخل مینرال‌های کوارتز و کربناته و درون کریستال‌های آهن نیز قرار می‌گیرد. اساسا کریستال آپاتیت به شکل ستونی، سوزنی مانند و دانه‌های باریک با اندازه‌های کوچک است]3[؛ از طرفی پراکندگی کانی‌های ریزدانه سیلیکاته و کربناته و محتوای فسفر بالا در کانی‌های آهن است که به جداسازی ضعیف کانی‌های آهن از باطله منجر می‌شود. در نهایت این نوع ذخایر به کانسار‌های مقاوم در برابر روش‌های استحصال تبدیل خواهند شد]4[. بر اساس دلایل ذکر شده، بهره‌برداری از این تیپ کانسار در صنعت همواره مشکلاتی را به همراه داشته و چگونگی انتخاب یک روش موثر برای حذف یا کاهش محتوی فسفر از کانسنگ آهن، عاملی کلیدی در استفاده بهینه از این نوع ذخایر بوده که به منظور توسعه صنعت آهن و فولاد بسیار مهم هستند]5[.

[1]           Hitzman, M.W., Oreskes, N. and Einaudi, M.T., (1992). Geological characteristics and tectonic setting of proterozoic iron oxide (Cu-U-Au-REE) deposits, Precambrian Research, 58(1-4), 241-287.

[2]           Shekarian, Y., Hezarkhani, A., Anaraki, N.N. and Hassani, A.N., (2017). Geochemistry and petrography of REE-bearing Fe-oxide assemblages in Choghart iron deposit, Yazd, Iran, Arabian Journal of Geosciences, 10(12), 273.

[3]           Pereira, A.C. and Papini, R.M., (2015). Processes for phosphorus removal from iron ore-a review, Rem: Revista Escola de Minas, 68(3), 331-335.

[4]           Baioumy, H., Omran, M. and Fabritius, T., (2017). Mineralogy, geochemistry and the origin of high-phosphorus oolitic iron ores of Aswan, Egypt. Ore Geology Reviews, 80, .185-199.

[5]           Omran, M., Fabritius, T., and Mattila, R. (2015). Thermally assisted liberation of high phosphorus oolitic iron ore: a comparison between microwave and conventional furnaces. Powder technology, 269, 7-14.

[6]           Xia, W.T., Ren, Z.D. and Gao, Y.F., .2011. Removal of phosphorus from high phosphorus iron ores by selective HCl leaching method. Journal of Iron and Steel Research, International, 18(5), 1-4.

[7]           Wen-tang, X., Zheng-de, R., Yi-feng, G., (2011). Removal of phosphorus from high phosphorus iron ores by selective HCl leaching method. J. Iron Steel Res. Int. 18, 1–4.

[8]           NISCO (National Iranian Steel Company), (1980). Result of search and valuation works at magnetic anomalies of the Bafq iron ore region during. Unpublished Report: 1976–1979.

[9]           Ghorbani, M., (2013). The economic geology of Iran: mineral deposits and natural resources. Springer Science & Business Media.

[10]         Rahimi, E., (2015). Geochemical investigations and economic geology of rare earth elements in Lakehsiyah magnetite apatite deposit, north- east of Bafq, Yazd, Iran. Dissertation, Amirkabir University of Technology.

[11]         Shekarian, Y., Hezarkhani, A., Anaraki, N.N. and Hassani, A.N., (2017). Geochemistry and petrography of REE-bearing Fe-oxide assemblages in Choghart iron deposit. Yazd, Iran. Arabian Journal of Geosciences, 10(12), 273.

[12]         Jami, M., (2005). Geology, Geochemistry and Evolution of the Esfordi Phosphate: Iron Deposit, Bafq Area, Central Iran. University of New South Wales.

[13]         Torab, F.M., (2008). Geochemistry and metallogeny of magnetite apatite deposits of the Bafq mining district, Central Iran. (Doctoral dissertation, Papierflieger).

[14] Khoshnoodi, K., Behzadi, M., Gannadi-Maragheh, M., & Yazdi, M. (2017). Alkali Metasomatism and Th-REE Mineralization in the Choghart deposit, Bafq district, Central Iran, Geologia Croatica, 70(1), 53-69.

[15]         Moore, F. and Modabberi, S., (2003). Origin of Choghart iron oxide deposit, Bafq mining district, Central Iran: new isotopic and geochemical evidence. Journal of Sciences Islamic Republic of Iran, 14(3), 259-270.

[16]         Fielding, A.H., Bell, J.F., (1997). A review method for the assessment of prediction errors in conservation presence/ absence models. Env. Cons. 24, 38–49.

[17]         Venables, W.N., Ripley, B.D., (1997). Modern applied statistics with S-PLUS, 2nd edition. Springer, New York, 548.

[18]         Manel, S, Dias, J. M. and Ormerod, S. J., (1999). Comparing discriminant analysis, neural networks and logistic regression for predicting species distributions: a case study with a Himalayan river bir. Ecological Modeling, 120(2), 337-347.

[19]         Da Silva, I. N., Spatti, D. H., Flauzino, R. A., Liboni, L. H. B., & dos Reis Alves, S. F. (2017). Artificial neural networks. Cham: Springer International Publishing.

[20]         Mertler, C. A., & Reinhart, R. V. (2016). Advanced and multivariate statistical methods: Practical application and interpretation. Routledge.

[21]         Copas, J.B., (1983). Regression, prediction and shrinkage. J. Roy. Statist. Soc. Series B, 45, 311–354.