5-10 Mm Kuvars Cevherini Optik Ayırıcı ile Zenginleştirerek Verimlilik ve Üretim Kalitesinin Artırılması: Uygulama Örneği

Öz

Üretim tesislerinde, manuel diye tabir ettiğimiz el ile ayıklama yönteminin yerini giderek yaygınlaşan sensor temelli ayırma sistemleri almaya başlamıştır. Özellikle, proseslerde üretim performansını artırmak için üretim takibinin yanı sıra insan gücüne gereksinim olmadan, optik makineler ile bu işlemleri yapmak artık tercih sebebi olmaktadır. Çalışma kapsamında optik makineleri üzerinden beslenen, istenen (beyaz) ve istenmeyen (koyu) ürün şeklinde ürün spesifikasyonu yapılmıştır. Ürün olarak ise, manuel seçimde zorluk çekilen 5-10 mm ebatlarındaki kuvars malzemeler tercih edilmiştir. Müşteri ürün kalite spektrumuna uymak için iki ayrı besleme ürün seçilmiş olup, farklı besleme hızlarındaki bu ürünlere ait veriler incelenmiştir. Yapılan çalışma kapsamında optik makinesine giren besleme numunesinin çıkış verileri incelendiğinde, farklı besleme hızlarında (10-20 ton/sa) istenen beyaz renk üründe makine seçim verimliliği 99,3-98,4% olarak bulunmuştur. Yine farklı besleme hızlarında (10-20 ton/sa) istenmeyen ürün olan koyu renkli (Pasa) üründeki verimlilik ise 91,2-83,2% olarak elde edilmiştir. Farklı besleme miktarlarındaki pasa üründeki kaçak diye tarif edilen beyaz ürün oranları ise 8,8-16,8% olarak bulunmuştur. Bu durum besleme miktarındaki artıştan kaynaklı olup, koyu üründeki beyaz ürün (nihai ürün) olarak tarif ettiğimiz kaçak oranını arttırmıştır. Kalite kabul kriterine göre ürün içerisinde 1-2% oranında koyu malzeme olması ürünün işletme içindeki Mikronize ve Değirmen Üniteleri için besleme harman reçetesinde kullanılabileceğini göstermiştir.

Anahtar Kelimeler

• Optik Sınıflandırma
• Optik Makine Verimi
• Cevher Zenginleştirme

Increasing of Efficiency and Production Quality by Enriching 5-10 Mm Quartz Ore with Optical Separator: A Case Study

Abstract

Sensor-based separation systems, which are becoming increasingly common in production facilities, have started to replace the manual sorting method. In particular, it is now preferred to carry out these operations with optical machines without the need for manpower as well as production follow-up, in order to increase the production performance in the processes. Product specification was made in the form of desired (white) and undesired (dark) products fed through optical machines within the scope of the study. As the product, quartz materials of 5-10 mm dimensions, which are difficult to choose manually, were preferred. Two separate feeding products were selected and the data of these products at different feeding rates were examined in order to comply with the customer product quality spectrum. When the output data of the feed sample entering the optical machine within the scope of the study was examined, the machine selection efficiency was found to be 99.3-98.4% for the desired white colour product at different feed rates (10-20 tons/h). On the other hand, the productivity in the dark coloured (waste) product, which is an undesirable product at different feed rates (10-20 tons/h), was obtained as 91.2-83.2%.

Keywords

• Optical Sorting
• Efficiency of Optic Sorting Mechanical
• Ore Enrichment

Kaynakça

1. Gülcan E,.Gülsoy Ö.Y., Sensör Temelli Ayırma Sistemleri - Optik Ayırma, Madencilik-Türkiye, s.84- 92, 2013 (In Turkish).
2. C. Çelik, Cevher zenginleştirmede gelişen teknolojiler: Optik zenginleştirme, Madencilik Türkiye, 4 (2010) 40-43 (In Turkish).
3. Uçurum, M., 2015. Kalsit Madenciliğinin Geleceğinde Optik Ayırma Teknolojilerinin Yeri ve Önemi, Niğde Üniversitesi Mühendislik Bilimleri Dergisi, Cilt 4, Sayı 1, Sayfalar:40-46, 2015 (In Turkish).
4. Udoudo, O.B., Modelling the Efficiency of an Automated Sensor Based Sorter, Doctoral Thesis, The University of Exeter, Earth Resources Department, 215 Pages, England, 2010.
5. P. Williams, K. Norris, Near-infrared technology in the agricultural and food industries, American Association of Cereal Chemists, Wisconsin, A.B.D., 1987.
6. P. G. Sathish, H. Subrata, T. Atul, A review on automated sorting of source-separated municipal solid waste for recycling, Waste Manage., 60 (2017) 56-74.
7. B. Murphy, J. Zyl, G. Domingo, Underground preconcentration by ore sorting and coarse gravity separation, Narrow Vein Mining Conference, Perth-West Aust., 26-27 Mart, 2012.
8. J. Tessier, C. Duchesne, G. Bartolacci, A machine vision approach to on-line estimation of run-of-mine ore composition on conveyor belts, Miner. Eng., 20 (2007)1129-1144.

9. G. R. Lane, C. Martin, E. Pirard, Techniques and applications for predictive metallurgy and ore characterization using optical image analysis, Miner. Eng., 21 (2008) 568-577.
10. A. R. Batchelor, R. S. Ferrari-John, J. Katrib, O. Udoudo, D. A. Jones, C. Dodds, S. W. Kingman, Pilot scale microwave sorting of porphyry copper ores: Part 1-Laboratory investigations, Miner. Eng., 98 (2016) 303-327.
11. Gülcan E., Gülsoy Ö. Y., Performance evaluation of optical sorting in mineral processing - A case study with quartz, magnesite, hematite, lignite, copper and gold ores. International Journal of Mineral Processing, cilt.169, ss.129-141, 2017
12. C. Snehamoy, B. Ashis, S. Biswajit, K. P. Samir, Image-based quality monitoring system of limestone ore grades, Comput. Ind., 61 (2010) 391-408.
13. L. Sophie, D. Godefroid, B. David, Eric P., Optical analysis of particle size and chromite liberation from pulp samples of a UG2 ore regrinding circuit, Miner. Eng., 24 (2011) 1340- 1347.