تاثير عوامل موثر بر بازيابي فروشويي ستوني كانسنگ اكسيدي مس با استفاده از شبكه عصبي مصنوعي

Study of Parameters Affecting on Copper Recovery from Oxide Ores by Column Leaching Using Artificial Neural Network

در اين مقاله از شبكه عصبي مصنوعي به منظور پيش بيني شرايط بهينه در فروشويي ستوني كانسنگ اكسيدي مس استفاده شده است. بهينه سازي، كنترل و ارزيابي عمليات فروشويي توده اي مستلزم شبيه سازي دقيق، مناسب و همه جانبه از آن است. ارايه چنين مدلي نياز به شناسايي كليه پارامترهاي موثر در فرايند و تاثير همزمان اين عوامل بر خروجي فرايند دارد. پارامترهاي مهمي همچون ارتفاع ستون، اندازه ذارت، دبي اسيد و زمان فروشويي، مطالعه و تاثير آن بر بازيابي مس بررسي شد. آزمايش ها در سه ستون با ارتفاع هاي 2، 4 و 6 متر و در دو دانه بندي 4/25 و 8/50 ميلي متر انجام شد. نتايج نشان داد كه بازيابي مس با ارتفاع ستون و اندازه ذرات رابطه معكوس و با زمان فروشويي و دبي اسيد رابطه مستقيم دارد. بازيابي كانسنگ مس در ستون هايي با ارتفاع هاي 2،4و6 متر به ترتيب 63/78%، 27/66% ، 89/52% به دست آمد. نتايج عمليات نشان داد كه مدل شبكه عصبي آموزش يافته قابليت استفاده براي پيش بيني بازيابي فروشويي كانسنگ مس را دارد.

Artificial Neural Network was used for predicting optimized conditions of column leaching on copper oxide ore. Optimization, control and analysis of heap leaching implicate an accurate, proper and comprehensive modeling. Providing such models need to identify all the effective parameters and their impact simultaneously on the output of the process. Important parameters such as height of column, particles size, acid flow rate and leaching time were studied and it was investigated their impacts on recovery of copper. Experiments were performed in three columns with the heights of 2, 4 and 6 meters and in the particle size distributions of 25.4 and 50.8 mm. The results showed that the copper recovery has an inverse relation with the column height and particle sizes. This relation is direct with leaching time and acid flow rate. The copper recovery obtained in the columns with heights of 2, 4 and 6 m were 78.63%, 66.27%, and 52.89% respectively. According to the results, the Trained ANN modeling predicts the copper recovery based on operation conditions.