《Minerals》:Numerical Simulation of the Mineralization Process of the Axi Low-Sulfidation Epithermal Gold Deposit, Western Tianshan, China: Implications for Mineral Exploration
编辑推荐:
本文通过构建8种不同复杂度的地质冶金学(Geometallurgy)模型,结合直接块体排序(DBS)算法,系统评估了在数据有限的预可行性研究(PFS)阶段增加地质冶金变量对矿床净现值(NPV)和技术指标的影响。结果表明,尽管模型复杂度对产量指标影响有限,但关键变量(如金回收率、采矿成本)可使NPV提升达6.92%,凸显早期地质冶金建模对优化矿山经济价值和风险控制的重要性。
摘要
本研究以巴西某铜-金-银多金属矿床为案例,探讨在预可行性研究(PFS)阶段数据有限的背景下,通过逐步增加地质冶金学(Geometallurgy)模型变量对矿床技术经济指标的影响。研究基于29个钻孔样品的测试结果,开发了回收率(铜、金、银)、比能耗(E)和磨损指数(Ai)的回归模型,并应用于包含263,595个块体的矿床模型中。通过直接块体排序(DBS)算法进行矿山序列优化,分析了8种不同复杂度场景下的净现值(NPV)、矿石处理量、废石量和等效金产量等指标。结果显示,增加高影响变量(如金回收率和采矿成本)可使NPV提升6.92%,而低影响变量(如比能耗)主要贡献于结果稳定性。尽管回归模型拟合度较低(R2< 0.65),但其在早期项目中仍能有效识别设备选型优化潜力与产能风险,为矿山经济评估提供更集成化的决策支持。
1. 引言
矿业开发面临低品位矿床开采资源需求增加的挑战,地质冶金学作为一种集成方法,通过将矿石特性(矿物组成、品位)与工艺变量(回收率、粉碎能耗)关联,提升矿山规划与资源利用效率。然而,现有研究多集中于生产阶段,早期项目因数据匮乏难以建立稳健模型。本研究旨在填补这一空白,通过回归模型与DBS序列优化,验证在PFS阶段应用地质冶金学对经济指标(如NPV)的改善潜力。
2. 材料与方法
2.1. 数据来源与免责声明
研究数据基于公开的NI 43-101技术报告,重点关注地质冶金学原理的应用,未与原始研究进行结果对比。
2.2. 研究流程
整体方法包括样品测试、回归模型开发、块体属性计算及DBS序列优化,流程详见图1。
2.3. 测试结果数据库
29个钻孔样品涵盖粉碎参数(如破碎指数A*b、邦德球磨功指数BWI)和选矿测试(浮选、重介质分离等)。空间分布见图2,测试结果汇总于表1。
2.4. 工艺流程设计
选矿厂设计包括颚式破碎、半自磨(SAG)回路和重力选金,浮选采用粗选/扫选与詹姆斯清洁槽,流程见图3。
2.5. 粉碎指数与比能耗计算
采用Steve Morrell粉碎(SMC)方法计算比能耗(E),公式为E = Wa + Wb(公式2-4)。其中Wa和Wb分别基于粗粒(Mia)和细粒(Mib)工作指数计算,参数关联式见表2。邦德球磨功指数(BWI)通过标准测试获得(公式1)。块体处理量(TBlock)和处理时间(TPBlock)分别根据公式5和6计算。
2.6. 地质冶金学建模
通过回归分析建立品位与冶金变量的关系,直接建模比能耗以减少数学偏差。回收率模型筛选低硫或黑云母富集样品后基于19个样本开发,建模限制见表10。
2.7. 等效金品位
为简化多金属序列优化,采用公式7将各金属品位转换为等效金品位(AuEq),其中考虑价格与回收率因子。
2.8. 矿床块体模型
模型基于145个钻孔和338个化学样品构建,包含铜、金、银品位信息,空间分布与品位统计见图4-8。
2.9. 块体价值计算
块体收入(公式8)基于商品价格与精炼回收率(表3),运营成本(公式9)涵盖采矿、能源和处理等项(表4),块体净值通过公式10计算。
2.10. 直接块体排序(DBS)
DBS通过整数规划优化块体开采序列,最大化NPV(公式11-12)。采用MiningMath软件(图9算法),输入参数如表7所示。研究设计8个场景(表5-6),逐步增加地质冶金变量以评估复杂度影响。
3. 结果与讨论
3.1. 比能耗分析
样品比能耗变异达16.07 kWh/t(图10),较设计值(14.1 kWh/t)高14.0%,凸显建模必要性。
3.2. 回归模型评估
回收率、比能耗等模型R2均低于0.65(图11、表8),但卡方检验(表9)表明回归结果优于固定值假设。图12对比显示模型能更好捕捉数据趋势。
3.3. 矿山序列结果
技术指标中,矿石处理量(65.3-69.5 Mt)和废石量变异微小(约1.35%),矿坑形态相似(图15)。处理时间(5567-5881 h)未达设计上限(8059 h),提示SAG磨机可能存在13.3%的冗余功率。等效金产量最大差异1.36 t(4.31%),受金回收率和采矿成本影响显著。经济方面,NPV在场景1(最低)与场景5/8(最高)间差异6.92%(图14、16),高影响变量驱动主要增益,而低影响变量促进结果稳定。
4. 结论与建议
研究表明,即便在数据有限的PFS阶段,地质冶金学建模仍能通过关键变量(如回收率、成本)显著提升NPV(最高6.92%),同时识别设备选型与产能风险。建议在后续阶段增加测试数据以提升模型稳健性(R2> 0.65),并优先整合高影响变量以实现经济优化。