Application of Automated Quantitative Mineral Analysis System in Process Mineralogy of Low-grade Copper Slag
-
摘要:
矿产资源高效综合利用是目前全球矿业发展的主要方向。传统的光学显微镜和扫描电镜等技术在查明许多低品位矿石的元素赋存状态等方面具有局限性，且无法提供定量化的矿物学信息，制约了对这些金属矿石选矿工艺的提升。近年来，基于扫描电镜和X射线能谱仪的矿物自动定量分析系统越来越多地应用到复杂矿石和工艺矿物学的研究中。为了进一步丰富和拓展该类系统在工艺矿物学领域的应用研究，本文利用矿物自动定量分析系统TIMA（TESCAN Integrated Mineral Analyzer）对中国某矿山低品位铜矿渣样品进行矿物学测试分析，展示其在提取多种工艺矿物学参数研究中的具体应用。分析结果表明：该铜矿渣中铜元素含量（0.08%）很低，主要赋存在黄铜矿中，该矿物含量为0.21%；脉石矿物含有大量石英（47.46%）、白云母（10.10%）和方解石（9.88%）等；黄铜矿连生关系复杂，主要以连生体形式呈不规则粒状零散分布在石英和方解石等脉石矿物中，粒度小且分布极不均匀，其中11～76μm颗粒占比较大；解离度低于30%的黄铜矿颗粒质量占全部的85%左右，整体解离度较低，因而需要进一步磨矿来提升黄铜矿回收率。以上研究表明，对于有用矿物含量低、粒度细小且嵌布关系复杂的矿石样品，包括TIMA在内的矿物分析系统能够提供快速、定量、全面且准确的工艺矿物学参数信息，有利于优化选冶流程，在提高矿产资源的综合利用方面具有非常广阔的应用前景。
Abstract:BACKGROUNDThe high-efficient utilization of mineral resources is the leading research aspect of global mining development. Traditional optical and scanning electron microscopy have limitations in identifying the occurrence of elements in many low-grade ores and usually cannot provide quantitative mineralogy information, hindering the improvement of mineral processing of these ores. In recent years, automated mineral quantitative analysis systems based on scanning electron microscope and X-ray energy spectrometer have been increasingly applied to study complex ore formation and process mineralogy.
OBJECTIVESTo enrich and expand the application of an automated quantitative mineral analysis system in process mineralogy.
METHODSThe low-grade copper slag from a copper mine in China is analyzed using the TESCAN Integrated Mineral Analyzier (TIMA).
RESULTSThe results show that the content of the copper element (0.08%) in the copper slag is very low, and it is mainly distributed in chalcopyrite, which accounts for 0.21%. Gangue minerals include quartz (47.6%), muscovite (10.10%), and calcite (9.88%). Chalcopyrite usually occurs in irregular granular form and shows complex associations with the above gangue minerals. The particle size is small and variable, and the particles of 10-76μm occupy a large proportion. The mass of chalcopyrite with a liberation degree below 30% accounts for 85% of the total mass, and the overall liberation degree is low, so further grinding is needed to improve chalcopyrite recovery.
CONCLUSIONSResearch shows that for the ore samples with low content of useful minerals, small particle size, and complex mineralogical associations, the automated mineral analysis system, including TIMA, can provide rapid, quantitative, comprehensive, and accurate process mineralogy parameter information, which is conducive to optimizing the ore extraction and smelting process, and has an extensive application prospect in improving the comprehensive utilization of mineral resources.
-
银属于稀贵金属，兼具工业属性和金融投资属性，也是一种自古以来就备受人们喜爱的首饰工艺品之一。银在矿石或载体矿物中的存在形式对于深入理解成矿过程、确定矿山选矿流程、提高选矿回收率、优化选冶工艺均具有重要意义［1-5］。银矿物种类繁多，目前已发现大约200余种，往往粒度细小不易识别，且银易以类质同象置换的方式进入矿物晶格［5-6］，仅依靠传统的光学显微镜和扫描电子显微镜等人工手动统计方法耗时耗力，且难以实现微细粒、低含量银赋存状态特征的准确测定［7-8］。
近年来，基于扫描电子显微镜(SEM)和X射线能谱仪(EDS)的矿物自动分析系统得到飞速的发展和广泛的应用。如澳大利亚CSIRO Minerals开发的扫描电镜矿物定量评价系统(QEMSCAN或QEM*SEM)［9-10］、昆士兰大学Julius Kruttschnitt矿物研究中心(JKMRC)开发的矿物解离分析仪(MLA)［11-12］、澳大利亚Yingsheng Technology公司创始人Ying Gu博士创建的矿物特征自动分析系统(AMICS)［13-17］、捷克TESCAN公司推出的综合矿物分析仪(TIMA)［18-19］、德国Carl Zeiss公司推出的Zeiss Mineralogic［20-21］、美国ThermoFisher Scientific/FEI公司推出的MAPS Mineralogy［22-23］以及矿冶科技集团有限公司(中国)研发的工艺矿物学参数自动分析系统(BGRIMM Process Mineralogy Analyzing System，简称BPMA)［24-25］等。此类技术可以实现样品自动扫描测量、矿物自动识别和矿物参数表征计算，测定矿物(元素)种类、含量、粒度、解离度、连生关系、赋存状态等矿物学参数，具有自动、快速、准确、高分辨率等突出优势［26-29］，已成为选矿工艺矿物学研究及地学微区矿物信息量化表征的重要手段，在选冶工艺矿物学、煤炭、地质、油气、环境等领域展现出良好应用前景［13-15，17-20，30-35］，尤其适用于微细粒、低品位稀贵金属矿物查找和赋存状态研究［15，36-45］。
本文以某铜矿浮选尾矿为研究对象，利用矿冶科技集团有限公司(原北京矿冶研究总院)研发的BPMA型工艺矿物学参数自动分析系统测定了样品的矿物学组成，分析了铜矿物的粒度、解离度和连生关系等影响选矿指标关键工艺矿物学参数，并对银的赋存状态特征进行详细研究，旨在查明尾矿资源属性，为资源高效综合利用提供矿物学依据，同时为矿物组成复杂、含量低、粒度细小的稀贵金属元素赋存状态研究提供技术借鉴。
1. 实验部分
1.1 实验原料
本文研究的样品为某铜矿选矿厂的浮选尾矿，试样粒度筛析结果见表1。结果显示，该尾矿的磨矿细度较细，−0.074mm粒级的颗粒占有率为68.43%；尾矿中Cu品位为0.44%，主要集中分布在−0.023mm粒级中，分布率为53.65%，其次分布在+0.074mm粒级中，分布率为29.26%；Ag品位为41.96µg/g，主要分布在+0.074mm、−0.074至+0.038mm和−0.023mm粒级中，各粒级分布率分别为22.12%、35.51%和34.58%。
表 1 尾矿试样粒度筛析结果Table 1. Particle size sieving analysis results of the tailing samples粒级
(mm)质量
(g)产率
(%)元素品位 分布率 Cu(%) Ag(µg/g) Cu（%） Ag（%） +0.074 30.5 31.57 0.41 29.4 29.26 22.12 −0.074至+0.038 20.8 21.53 0.22 69.2 10.71 35.51 −0.038至+0.023 13.0 13.46 0.21 24.3 6.39 7.79 −0.023 32.3 33.44 0.71 43.4 53.65 34.58 合计 96.6 100.00 0.44 41.96 100.00 100.00 1.2 样品制备
取0.2～0.5g待测样品，经分散预处理，消除细颗粒团聚、凝絮现象，用按比例配好的环氧树脂在镶嵌模具内(Φ 30mm)将试样冷镶嵌固结，经过粗磨、细磨、精磨、抛光等处理制成专用砂光片，露出颗粒抛光截面，再经过蒸镀碳膜增加导电性之后即可上机测试。详细的样品制备流程可参考文献[41-42，46-48]。
1.3 实验仪器和测试条件
测试分析在矿冶过程智能优化制造全国重点实验室完成，仪器型号为：BPMA型工艺矿物学参数自动分析系统。该系统由扫描电子显微镜(型号：VEGA 3 XMU，捷克TESCAN Brno，s.r.o.)、X射线能谱仪(型号：QUANTAX 200 XFlash® 6|30双探头，德国Bruker Nano GmbH)和工艺矿物学自动分析软件(型号：BPMA V2.0，矿冶科技集团有限公司)组成［24-25，30，41］，除了具有矿物自动分析系统的优势和功能外，亦可以作为扫描电子显微镜和能谱仪使用。
本次实验条件：加速电压20kV，束流强度16nA(～3nA)，工作距离15mm，背散射电子(BSE)成像。使用Au标样检验EDS信号收集计数，用Au-Cu标样和环氧树脂调整SEM-BSE图像亮度/对比度，使BSE图像中环氧树脂的灰度值为10以下且Au标样的灰度值为255，设置BPMA测量参数，进行样品自动测量。
样品测试预设测量参数见表2。主要步骤为：①设置测量参数后，开始自动测量，获取样品BSE图像—去除背底—提取颗粒—颗粒分相—布置能谱分析点—收集EDS谱图，测量以视域(帧)为单位，对视域(帧)内的颗粒进行逐粒扫描；②测量过程由BPMA软件控制SEM & EDS自动进行，当前视域内的颗粒扫描完成之后，自动移至下一个视域进行扫描，直至测量结束，测量过程中尽量对砂光片进行全覆盖无缝隙扫描测量，以确保不遗漏目标矿物颗粒；③可以一次性放入多个砂光片样品，按预先设置的测量参数依次逐个测量，当一个样品测量完成之后，自动跳转至下一个样品继续测量；④所有样品都测量完成后自动关闭扫描电镜加速高压，自动停止测量，整个测量过程无需人员值守，可夜间连续工作［24，26，41-42］；⑤测量完成后，将测量文件中的EDS谱图与BPMA标准库中的矿物EDS谱图进行比对匹配，自动识别矿物并通过伪彩色图像显示矿物成分图(图1)，其中标准库中的EDS谱图可以采用BPMA内置的理论合成谱图，也可以利用实际矿物标定；⑥通过图像分析方法统计计算表征矿物参数；⑦利用BPMA软件控制SEM回找定位到银矿物颗粒所在位置，进行SEM-EDS分析，并统计银矿物的种类、化学成分、粒度、颗粒形态、与载体矿物之间的关系等数据。
表 2 BPMA系统预设测量参数Table 2. Operation conditions of the BPMA system仪器工作参数 设定条件 全颗粒测量 选择颗粒测量 加速电压 20keV 20keV 工作距离 15mm 15mm 束流强度 3nA 3nA 放大倍率 400 1000 视场宽度 692.02µm 276.77µm 图像分辨率 1024×768pixel 1024×768pixel 像素尺寸 0.67µm 0.27µm 最大可测量帧数 1320 8426 背底阈值 30 100 最小颗粒面积 50pixel 1pixel 最大颗粒面积 − − 亮相灰度 100 100 亮相最小打点相面积 4pixel 1pixel 暗相最小打点相面积 4pixel 1pixel 分相精度 3 5 能谱采谱时间 60ms 60ms 测量终止条件 颗粒数: 105000 帧数: 8426 指定目标灰度 / 100～255 指定目标元素 / Ag ![]()
图 1 尾矿试样的BSE图像和BPMA矿物组成伪彩色图a—BPMA扫描BSE图像(局部，25个视域拼接图); b—BPMA矿物组成伪彩色图(局部，25个视域拼接图); c—含辉铜矿颗粒BPMA伪彩色图; d—含斑铜矿颗粒BPMA伪彩色图。Figure 1. BSE image and BPMA false-colored mineral map of the tailing samplesa—BSE image of the tailings (partial); b—BPMA false-colored mineral map of the tailings (partial); c—BPMA false-colored chalcocite-bearing mineral particles; d—BPMA false-colored bornite-bearing mineral particles.2. 结果与讨论
2.1 矿物组成和含量
利用BPMA全颗粒测量模式(PLA)，自动获取样品的BSE图像，根据BSE图像灰度差异去除背底、提取矿石颗粒并分割矿物相布置EDS分析点，然后自动逐点→逐粒→逐帧扫描获取BSE图像和EDS谱图，并利用EDS谱图自动识别矿物，从而获得每个颗粒的矿物组成(元素组成)、面积、粒径、形状、矿物与矿物之间的镶嵌关系等，最后经过图像处理方法进行统计计算而得到各种矿物学数据。本次研究采用PLA模式测量的预设参数见表2，研究得到样品的BSE图像和BPMA矿物组成伪彩色图(局部)如图1所示(其中矿物图例仅显示质量分数＞0.01%的矿物)。
环氧树脂砂光片的制备是矿物自动识别和矿物参数测量最关键的一环，其代表性直接关系到后续数据测量的准确性和真实性［48］，从图1中a和b可以看出，样品经过分散预处理后，消除了细颗粒相互接触团聚、凝絮现象，颗粒分散性良好，保证了后续测量数据的可靠性和真实性；同时，本次研究利用BPMA扫描测量的矿物颗粒样本数较大，共计扫描了105386个矿物颗粒(表3)，保证了测量数据的准确性。矿物种类及含量分析结果列于表3。根据BPMA测定的样品中辉铜矿(Cu2S)、斑铜矿(Cu5FeS4)、黄铜矿(CuFeS2)等含铜矿物含量及对应的矿物中元素含量理论值计算的Cu元素质量百分比(0.42%)与试样中Cu的品位(0.44%)基本一致，从侧面反映了本次BPMA测量数据的准确性。
表 3 尾矿试样的矿物组成分析结果Table 3. Analytical results of mineral composition for the tailing samples序号 矿物名称 分子式 矿物
颗粒数矿物含量
(wt.%)序号 矿物名称 分子式 矿物
颗粒数矿物含量
(wt.%)1 自然银 Ag 50 0.004 17 方解石 Ca[CO3] 5498 5.55 2 辉银矿/螺状硫银矿 Ag2S 21 0.0001 18 白云石 CaMg[CO3]2 4596 4.77 3 硒银矿 Ag2Se 55 ＜0.0001 19 绢云母 K{Al2[AlSi3O10](OH，F)2} 10001 4.74 4 硒铜银矿 CuAgSe 13 Trace 20 斜长石 (Na，Ca)[(Si，Al)4O8] 7100 1.66 5 硫铜银矿 AgCuS 13 Trace 21 辉石 (Ca，Mg，FeⅡ，FeⅢ，Al)(Si，Al)2O6 4373 1.51 6 辉铜矿 Cu2S 454 0.45 22 黑云母 K{Mg，Fe)3[AlSi3O10](OH)2 4893 1.23 7 斑铜矿 Cu5FeS4 182 0.09 23 绿泥石 {(Mg，Fe，Al)3[(Si，Al)4O10](OH)2}·(Mg，Fe，Al)3(OH)6 844 0.38 8 黄铜矿 CuFeS2 10 ＜0.01 24 金红石 TiO2 397 0.26 9 黄铁矿 FeS2 16 ＜0.01 25 重晶石 Ba[SO4] 255 0.20 10 方铅矿 PbS 20 ＜0.01 26 磷灰石 Ca5[(PO4)3]F 263 0.20 11 闪锌矿 ZnS 8 ＜0.01 27 高岭石 Al4[Si4O10](OH)8 276 0.09 12 磁铁矿 FeⅡFeⅢ2O4 560 0.59 28 锆石 Zr[SiO4] 68 0.03 13 钛铁矿 FeTiO3 104 0.01 29 独居石 Ce[PO4] 22 0.03 14 石英 SiO2 28976 54.21 30 其他 / 961 0.21 15 钾长石 K[AlSi3O8] 23726 13.10 合计 / 105386 100.00 16 钠长石 Na[AlSi3O8] 11627 10.66 表3结果显示，研究样品中(含)银矿物主要为自然银(Ag，0.0040%，质量分数，下同)，含少量辉银矿/螺状硫银矿(Ag2S，0.0001%)和硒银矿(Ag2Se)，偶见微量硒铜银矿(CuAgSe)、硫铜银矿(AgCuS)和含银辉铜矿[(Cu，Ag)2S]；铜矿物主要为辉铜矿(Cu2S 0.45%)，其次为斑铜矿(Cu5FeS4，0.09%)，偶见微量黄铜矿(CuFeS2，＜0.01%)；其他金属硫化物含量甚微；含少量的磁铁矿(Fe3O4，0.59%)和微量钛铁矿(FeTiO3，0.01%)；脉石矿物主要为石英(54.21%)，其次为钾长石(13.20%)和钠长石(10.66%)，含少量方解石(5.55%)、白云石(4.77%)、绢云母(4.74%)、斜长石(1.66%)、辉石(1.51%)、黑云母(1.23%)和微量的绿泥石(0.38%)、金红石(0.26%)、重晶石(0.20%)、磷灰石(0.20%)、锆石(0.03%)等。
2.2 铜矿物的粒度分布和解离特征
2.2.1 铜矿物粒度分布特征
研究样品中的铜矿物主要以辉铜矿(Cu2S)的形式存在，其次为斑铜矿(Cu5FeS4)，偶见微量黄铜矿(Cu5FeS4)。利用BPMA测量统计辉铜矿、斑铜矿及铜硫化物集合体(辉铜矿-斑铜矿-黄铜矿集合体)的嵌布粒度特征，结果列于表4。
表 4 尾矿中主要铜矿物嵌布粒度分布Table 4. Grain size distribution of main copper minerals in tailing samples粒级(mm) 辉铜矿 斑铜矿 铜硫化物集合体 含量(%) 累积(%) 含量(%) 累积(%) 含量(%) 累积(%) +0.038 — — — — — — −0.038至+0.020 7.81 7.81 — — 8.55 8.55 −0.020至+0.015 9.04 16.85 — — 12.45 21.00 −0.015至+0.010 23.65 40.50 23.54 23.54 18.94 39.94 −0.010至+0.005 31.25 71.75 33.16 56.70 32.64 72.58 −0.005 28.25 100.00 43.31 100.01 27.42 100.00 注：铜硫化物集合体是将样品中辉铜矿、斑铜矿、黄铜矿等铜硫化物作为一个整体进行统计计算，下同。 表4结果显示，铜硫化物及其集合体的嵌布粒度细微，其嵌布粒度均小于0.038mm，呈细粒-微粒嵌布。其中，辉铜矿嵌布粒度均小于0.038mm，粒度在0.038～0.010mm之间的细粒级辉铜矿占有率为40.50%，粒度小于0.020mm的辉铜矿占有率高达92.19%，粒度小于0.010mm的微粒级辉铜矿占有率高达59.50%；斑铜矿嵌布粒度相对更细，嵌布粒度均在0.015mm以下，其中粒度小于0.010mm的微粒级斑铜矿占有率高达76.47%。
将辉铜矿、斑铜矿、黄铜矿等铜硫化物视为一个整体统计其工艺粒度，结果显示，铜硫化物集合体嵌布粒度依然很细，均在0.038mm以下，其中粒度在0.038～0.010mm之间的细粒铜硫化物集合体占有率为39.94%，粒度小于0.020mm的铜硫化物集合体占有率高达91.45%，粒度小于0.010mm的微粒铜硫化物集合体占有率高达60.06%。
2.2.2 铜矿物解离特征和连生关系
利用BPMA测量统计辉铜矿、斑铜矿及辉铜矿-斑铜矿-黄铜矿集合体(铜硫化物集合体)的解离特征和连生关系，结果列于表5和表6。结果显示，样品中铜矿物及其集合体的解离程度均较低。本文将颗粒中目标矿物的质量百分比在50＜x＜100%区间的矿物颗粒视为富连生体，将颗粒中目标矿物的质量百分比在0＜x≤25%区间的矿物颗粒视为贫连生体(下同)，则辉铜矿完全解离的单体含量仅占15.55%，辉铜矿富连生体占有率为6.08%，富连生体和单体合计占21.63%，辉铜矿贫连生体占有率高达70.12%；斑铜矿完全解离的单体含量占19.22%，富连生体占有率为5.68%，富连生体和单体合计占24.90%，贫连生体占有率高达67.28%。
表 5 尾矿中主要铜矿物解离度分析结果Table 5. Mineral liberation degree analysis results of main copper minerals in tailing samples矿物名称 目标矿物占比(%) 合计
(%)0＜x≤25 25＜x≤50 50＜x≤75 75＜x＜100 100 辉铜矿 70.12 8.25 4.52 1.56 15.55 100.00 斑铜矿 67.28 7.82 4.06 1.63 19.22 100.00 铜硫化物集合体 64.60 12.94 3.36 1.67 17.43 100.00 注：“x”为复合颗粒中目标矿物的质量百分比。 表 6 尾矿中主要铜矿物连生关系分析结果Table 6. The interlocking relationships of main copper minerals in tailing samples矿物名称 矿物单体含量
(%)连生体含量(%) 合计
(%)与其他铜硫化物连生 与石英连生 与长石连生 与方解石、白云石连生 与云母连生 与其他矿物连生 辉铜矿 15.55 6.73 40.90 21.77 7.50 5.56 1.99 100.00 斑铜矿 19.22 17.60 21.16 15.92 12.61 4.18 9.31 100.00 铜硫化物集合体 17.43 / 38.17 24.05 9.57 5.39 5.39 100.00 从铜矿物连生关系来看，除了部分铜矿物单体和少量硫化铜矿物彼此共伴生形成连生体外，大多数铜矿物与石英、长石、云母、方解石、白云石等脉石矿物连生(表6)。其中，与斑铜矿-黄铜矿连生的辉铜矿占有率为6.73%，与石英、长石、碳酸盐矿物(方解石、白云石)、云母等脉石矿物连生的辉铜矿占有率分别为40.90%、21.77%、7.50%和5.56%；与辉铜矿-黄铜矿连生的斑铜矿占有率为17.60%，与石英、长石、碳酸盐矿物(方解石、白云石)、云母等脉石矿物连生的辉铜矿占有率分别为21.16%、15.92%、12.61%和4.18%。
将辉铜矿、斑铜矿、黄铜矿等铜硫化物作为一个整体统计矿物解离特征和连生关系，结果显示，铜硫化物集合体的解离度依然很低，完全解离的单体含量仅占17.43%，富连生体(占5.03%)和单体合计仅占22.46%，而贫连生体占有率高达64.60%。铜硫化物矿物集合体的连生体中，与石英、长石、碳酸盐矿物、云母等脉石矿物连生的占有率分别为38.17%、24.05%、9.57%和5.39%。
综上，在当前磨矿细度下(−0.074mm占68.43%)，铜矿物及其集合体的解离度很低，大部分为贫连生体，欲进一步提高铜的回收率，需要进一步细磨，使铜矿物充分解离或暴露而与药剂接触［8，49］，从而浮选回收。但铜硫化物本身粒度细微，粒度小于0.020mm的铜硫化物及其集合体颗粒占比高于90%，即便细磨也难以充分解离，因此该尾矿的铜回收率很难大幅提高。此外，尾矿中含有少量的绢云母(4.74%)、绿泥石(0.38%)等层状硅酸盐矿物，在磨矿过程中易产生泥化，恶化选矿环境，影响选矿指标［40，49-50］，因此选厂可以通过调整浮选药剂制度或优化流程加强浮选，尽可能地回收辉铜矿、斑铜矿等铜硫化物，以最大程度地回收铜矿物。
2.3 银的赋存特征
2.3.1 银矿物的种类与相对含量
利用BPMA选择颗粒测量模式(SPLA)在1000倍放大倍率下(对应的像素尺寸为0.27µm，以囊括粒度在0.27µm以上的所有目标矿物颗粒)对样品进行全覆盖无缝隙自动扫描测量，以最大限度地保证不遗漏目标矿物，本次实验扫描矿物总颗粒数累计大于150万颗，共识别出银矿物156粒，具有较好的统计性。
样品中银矿物种类及相对含量统计结果列于表7。结果显示，样品中银矿物主要为自然银(Ag)(图2中a，b，c)，矿物相对质量分数为93.55%，含少量辉银矿/螺状硫银矿(Ag2S)(图2中d，e)和硒银矿(Ag2Se)(图2f)，相对质量分数分别为2.30%和1.84%，偶见微量硒铜银矿(CuAgSe)(图2g)、硫铜银矿(AgCuS)(图2h)和含银辉铜矿[(Cu，Ag)2S](图2i)，相对质量分数分别为0.41%、1.51%和0.39%。
表 7 尾矿中银矿物的种类及相对含量Table 7. Mineral composition and relative content of silver-bearing minerals in tailing samples银矿物种类 银矿物含量 矿物中银元素的
平均含量(%)银的分布率
(%)银矿物颗粒数 相对质量百分比(%) 自然银(Ag) 50 93.55 99.09 95.62 辉银矿/螺状硫银矿(Ag2S) 21 2.30 87.11 2.07 硒银矿(Ag2Se) 55 1.84 70.33 1.33 硒铜银矿(CuAgSe) 13 0.41 35.43 0.15 硫铜银矿(AgCuS) 13 1.51 51.15 0.80 含银辉铜矿[(Ag，Cu)2S] 4 0.39 6.88 0.03 合计 156 100.00 / 100.00 ![]()
图 2 尾矿中银矿物嵌布特征(BSE图像)a—粒径较大的自然银单体颗粒; b—自然银与方解石连生; c—微细粒自然银被石英包裹; d—微细粒裂纹椭球状辉银矿/螺状硫银矿被石英包裹; e—螺状硫银矿呈菱形片状、板状集合体; f—微细粒硒银矿(Nau-1)嵌布于方解石裂隙中，硒银矿(Nau-2)被方解石包裹; g—硒铜银矿沿方解石颗粒内部的裂隙发育; h—硫铜银矿与石英连生; i—含银辉铜矿与钾长石连生。Slv—自然银; Arg—辉银矿; Aca—螺状硫银矿; Nau—硒银矿; Euc—硒铜银矿; Str—硫铜银矿; Chc-(Ag)—含银辉铜矿; Qtz—石英; Cal—方解石; Kln—高岭石; Ab—钠长石; Chc—辉铜矿; Kfs—钾长石。Figure 2. BSE images of silver-bearing minerals in tailing samplesa—Natural silver particles with larger size; b—Natural silver coexists with calcite; c—Fine grained natural silver particles wrapped in quartz; d—Fine grained ellipsoidal argentite/acanthite with cracks，wrapped in quartz; e—Rhombic or plate-like acanthite aggregate; f—Fine grained naumannite (Nau-1) embedded in calcite cracks，naumannite (Nau-2) wrapped in calcite; g—Eucairite developed along calcite fractures; h—Stromeyerite coexists with quartz; i—Silver-bearing chalcocite coexists with K-feldspar. Slv—Natural silver; Arg—Argentite; Aca—Acanthite; Nau—Naumannite; Euc—Eucairite; Str—Stromeyerite; Chc-(Ag)—Silver-bearing chalcocite; Qtz—Quartz; Cal—Calcite; Kln—Kaolinite; Ab—Albite; Chc—Chalcocite; Kfs—K-feldspar.利用EDS分析银矿物的化学成分，得到各类银矿物的平均化学元素含量为：自然银Ag 99.09%，S 0.91%；辉银矿/螺状硫银矿Ag 87.11%，S 12.89%；硒银矿Ag 70.33%，Se 29.67%；硒铜银矿Ag 35.43%，Cu 31.10%，Se 33.48%；硫铜银矿Ag 51.15%，Cu 31.81%，S 17.04%；含银辉铜矿Ag 6.88%，Cu 69.75%，S 23.37%。据此，计算银在自然银、辉银矿/螺状硫银矿、硒银矿、硒铜银矿、硫铜银矿、含银辉铜矿中的分布率分别为95.62%、2.07%、1.33%、0.15%、0.80%和0.03%(表7)。
2.3.2 银矿物的嵌布特征
银矿物的嵌布特征统计结果列于表8。结果表明，样品中银矿物的解离程度较高，银矿物单体占有率高达88.28%；与石英、方解石、长石等脉石矿物共伴生产出但表面裸露的银矿物连生体占有率为9.82%；嵌布于石英、方解石裂隙中的银矿物占有率为0.60%。由于自然银、辉银矿/螺状硫银矿相对易浮且解离程度较高，故可以通过浮选法与铜硫化物一起回收［51-53］。此外，样品中还存在少量被石英、方解石等脉石矿物包裹的银矿物，其占有率为1.30%，这部分银矿物难以解离和回收［8，54］。
表 8 尾矿中银矿物的嵌布特征及占有率统计结果Table 8. Occurrence characteristics and distribution ratio of silver-bearing minerals in tailing samples银矿物种类 银矿物赋存形式 嵌布特征 颗粒数 相对质量百分比
(%)合计
(%)自然银 单体 单体解离 39 84.13 84.13 连生 与石英连生 4 7.40 8.92 与方解石连生 2 1.38 与钠长石连生 2 0.14 包裹 被石英包裹 2 0.47 0.49 被方解石包裹 1 0.02 辉银矿/螺状硫银矿 单体 单体解离 17 2.01 2.01 连生 与钠长石连生 1 0.07 0.07 包裹 被石英包裹 3 0.22 0.22 硒银矿 单体 单体解离 4 0.42 0.42 连生 与方解石连生 6 0.54 0.57 与钠长石连生 2 0.03 裂隙 嵌布于方解石裂隙中 16 0.25 0.34 嵌布于石英裂隙中 3 0.09 包裹 被方解石包裹 23 0.48 0.50 被石英包裹 1 0.02 硒铜银矿 单体 单体解离 1 0.16 0.16 裂隙 嵌布于方解石裂隙中 12 0.26 0.26 硫铜银矿 单体 单体解离 9 1.24 1.24 连生 与白云石连生 1 0.15 0.19 与石英连生 1 0.03 包裹 被石英包裹 2 0.09 0.09 含银辉铜矿 单体 单体解离 3 0.32 0.32 连生 与钾长石连生 1 0.07 0.07 合计 156 100.00 100.00 注: “连生”是指银矿物与其他矿物共伴生但其表面裸露的嵌布形式，下同。 2.3.3 银矿物的嵌布粒度
样品中银矿物的嵌布粒度统计列于表9。结果显示，银矿物嵌布粒度不均匀，粗粒(＞74µm)、中粒(74～37µm)、细粒(37～10µm)、微粒(＜10µm)银矿物的占有率分别为32.25%、30.35%、21.44%和15.95%。
表 9 尾矿中银矿物粒度分布Table 9. Size distribution of silver-bearing minerals in tailing samples粒级
(µm)银矿物* 自然银 辉银矿/螺状硫银矿 硒银矿 颗粒数 质量百分比
(%)累积
(%)颗粒数 质量百分比
(%)累积
(%)颗粒数 质量百分比
(%)累积
(%)颗粒数 质量百分比
(%)累积
(%)+74 1 32.25 32.25 1 34.47 34.47 — — — — — — −74+37 1 30.35 62.60 1 32.44 66.91 — — — — — — −37+20 2 14.99 77.59 2 16.03 82.94 — — — — — — −20+10 4 6.45 84.04 4 6.90 89.84 — — — — — — −10+5 20 8.69 92.73 13 6.77 96.61 3 50.75 50.75 1 15.29 15.29 −5+4 14 2.39 95.12 4 1.02 97.63 2 11.33 62.09 3 26.43 41.71 −4+3 23 2.61 97.73 12 1.79 99.42 5 21.08 83.17 3 13.20 54.91 −3+2 30 1.49 99.22 5 0.34 99.77 7 13.22 96.38 8 22.58 77.49 −2+1 29 0.65 99.88 8 0.23 100.00 3 3.49 99.87 16 17.56 95.05 −1 32 0.12 100.00 0 0.00 100.00 1 0.13 100.00 24 4.95 100.00 注： “银矿物粒度”是指将试样中自然银、辉银矿/螺状硫银矿、硒银矿、硒铜银矿、硫铜银矿等所有的银矿物作为整体统计其粒度。 各类银矿物中，自然银的嵌布粒度相对较粗，粗粒(＞74µm)、中粒(74～37µm)、细粒(37～10µm)、微粒(＜10µm)自然银的占有率分别为34.47%、32.44%、22.93%和10.15%；辉银矿/螺状硫银矿、硒银矿、硒铜银矿、硫铜银矿等的嵌布粒度细微，其嵌布粒度均小于10µm。
综上，由于样品中主要银矿物(自然银、辉银矿/螺状硫银矿)相对易浮，且在当前磨矿细度下(−0.074mm占68.43%)，银矿物的解离度较高，可通过加强浮选与铜硫化物一起回收［51-53］。由于银矿物密度较大，在浮选中易从气泡表面脱落进入尾矿中，因此在浮选过程中应该注意对粗粒(＞74µm)和中粒(74～37µm)银矿物的回收，防止其沉槽而造成损失［41］，采用重选法配合浮选可以有效回收尾矿中粗粒银矿物［50，55-58］。另外，样品中存在少量被石英、方解石等脉石矿物包裹的银矿物(1.30%)，这部分银矿物难以回收。
3. 结论
采用基于扫描电子显微镜(SEM)和X射线能谱仪(EDS)的工艺矿物学参数自动分析系统(BPMA)，对铜矿浮选尾矿(Ag 41.96µg/g，Cu 0.44%)开展了铜和银的赋存状态及工艺矿物学特征研究。结果表明，样品中的铜主要赋存于辉铜矿和斑铜矿中，铜矿物及其集合体的嵌布粒度细微(＜0.038mm)且解离程度较低(单体占比＜20%)，是影响铜回收的主要矿物学因素；银主要以自然银的形式存在，含少量辉银矿/螺状硫银矿、硒银矿，偶见微量硒铜银矿、硫铜银矿和含银辉铜矿，银在各(含)银矿物中的分布率分别为95.62%、2.07%、1.33%、0.15%、0.80%和0.03%；银矿物嵌布粒度不均匀，粗粒、中粒、细粒、微粒银矿物的占有率分别为32.25%、30.35%、21.44%和15.95%；银矿物的解离程度较高，单体占有率高达88.28%。通过加强浮选尽可能地回收辉铜矿、斑铜矿等铜硫化物，以最大程度地回收铜，大部分银矿物可以随之富集回收，采用重选配合浮选回收粗粒银矿物。
本文采用BPMA全颗粒测量模式测定样品的矿物学组成，并分析了铜矿物的粒度、解离度和连生关系等影响选矿指标关键工艺矿物学参数；利用BPMA选择颗粒测量模式—BPMA目标矿物回找—SEM-EDS微区形貌和成分分析，快速查找鉴定银矿物种类并探究银的赋存特征。采用的BPMA & SEM-EDS矿物分析方法，可以从微米-亚微米级尺度完成矿物自动识别与矿物参数表征，为开展稀贵金属矿元素赋存状态及工艺矿物学特性、资源高效综合利用等方面的研究提供技术支撑。然而，目前微细粒目标矿物BPMA回找和SEM-EDS分析仍然需要人工完成，因此开发BPMA回找和SEM-EDS分析全自动解决方案是下一步亟待开展的工作。
-
![]()
图 1 TIMA解离模式测试铜矿渣树脂靶样品流程示意图
Figure 1. Schematic diagrams of TIMA analysis process using resolution liberation analysis mode for the copper tailings.
![]()
图 2 （a）铜矿渣TIMA矿物伪彩相图（局部）和（b）矿物含量百分比组成（%）
Figure 2. （a） TIMA false-colored mineral phase map of copper tailings （partial） and （b） mineral abundance distribution map （%）.
![]()
图 3 （a）铜矿渣元素质量分布柱状图；（b）铜元素赋存状态分布图
Figure 3. （a）The element mass distribution histograms of the copper tailings; （b） Copper element distribution between the copper minerals.
![]()
图 4 （a）铜矿渣中铜元素分布图以及黄铜矿的能谱谱图特征； （b）黄铜矿在铜矿渣背散射图像中的分布特征及其矿物共生关系
Figure 4. （a） Distribution of copper element and the EDS spectrum of the chalcopyrite in copper tailings; （b） Distribution and mineral paragenesis characteristics of chalcopyrite in backscatter images.
![]()
图 5 （a）铜矿渣中含黄铜矿颗粒TIMA矿物统计图（矿物图例与图2一致）；（b）黄铜矿在各含铜颗粒中的分布特征
Figure 5. （a） Summary of the TIMA false-colored chalcopyrite-bearing mineral particles in copper tailings （mineral legend is consistent with Fig.2）; （b） Distribution characteristics of chalcopyrite in copper-bearing particles.
![]()
图 6 铜矿渣中黄铜矿颗粒粒度（横坐标μm）分布图
Figure 6. Histogram of size (abscissa, μm) distribution of chalcopyrite in the copper tailings.
![]()
图 7 铜矿渣中黄铜矿与其他矿物在微米尺度下典型的连生关系类型
Figure 7. Interlocked relationship types (neighboring, stringer, shell and wrapped) of chalcopyrite and other minerals (quartz, actinolite, calcite, biotite and andradite) at micron scale in the copper tailings.
![]()
图 8 铜矿渣中黄铜矿与其他矿物连生关系统计图
Figure 8. Statistical histogram of the association relationship of chalcopyrite and other minerals (quartz, magnetite, calcite, dolomite, actinolite, pyrite, muscovite, et al.) in the copper tailings.
![]()
图 9 （a）铜矿渣中不同解离度条件下黄铜矿的质量分布柱状图（%）； （b）不同解离度范围内的含黄铜矿矿物颗粒特征（矿物图例与图2一致）
Figure 9. （a） Bar chart of chalcopyrite mass fraction with different degrees of liberation in the copper tailings; （b） Particle characteristics under different degrees of liberation （mineral legend is consistent with Fig.2）.
-
[1] 孟晶, 杨洪英, 张忠辉, 等. 青海—阿斯哈矿区金矿工艺矿物学及金赋存状态研究[J]. 有色金属(选矿部分), 2022(5): 1−7,15. Meng J, Yang H Y, Zhang Z H, et al. Study on process mineralogy and gold hosting state of gold deposits in Qinghai Asha mining area[J]. Nonferrous Metals (Mineral Processing Section), 2022(5): 1−7,15.
[2] 杨波, 杨莉, 沈茂森, 等. TIMA测试技术在白云鄂博矿床铌工艺矿物学中的应用[J]. 矿冶工程, 2021, 41(6): 65−68. doi: 10.3969/j.issn.0253-6099.2021.06.016 Yang B, Yang L, Shen M S, et al. Application of TIMA in process mineralogy study of niobium minerals in Bayan Obo deposit[J]. Mining and Metallurgical Engineering, 2021, 41(6): 65−68. doi: 10.3969/j.issn.0253-6099.2021.06.016
[3] 陈福林, 杨晓军, 何婷, 等. 四川冕宁牦牛坪稀土矿尾矿工艺矿物学分析[J]. 现代矿业, 2018, 34(8): 110−112. Chen F L, Yang X J, He T, et al. Process mineralogy analysis of tailings from Mianning Maoniuping rare earth mine in Sichuan Province[J]. Modern Mining, 2018, 34(8): 110−112.
[4] 周乐光. 工艺矿物学（第三版）[M]. 北京: 冶金工业出版社, 2002: 1-301. Zhou L G. Process mineralogy （The 3rd edition）[M]. Beijing: Metallurgical Industry Press, 2002: 1-301.
[5] 肖仪武, 方明山, 付强, 等. 工艺矿物学研究的新技术与新理念[J]. 矿产保护与利用, 2018(3): 49−54. doi: 10.13779/j.cnki.issn1001-0076.2018.03.009 Xiao Y W, Fang M S, Fu Q, et al. New techniques and concepts in process mineralogy[J]. Conservation and Utilization of Mineral Resources, 2018(3): 49−54. doi: 10.13779/j.cnki.issn1001-0076.2018.03.009
[6] Gu Y. Automated scanning electron microscope based mineral liberation analysis[J]. Journal of Minerals and Materials Characterization and Engineering, 2003, 2(1): 33−41. doi: 10.4236/jmmce.2003.21003
[7] 彭明生, 刘晓文, 刘羽, 等. 工艺矿物学近十年的主要进展[J]. 矿物岩石地球化学通报, 2012, 31(3): 210−217. doi: 10.3969/j.issn.1007-2802.2012.03.003 Peng M S, Liu X W, Liu Y, et al. The main advances in process mineralogy in China in the last decade[J]. Bulletin of Mineralogy, Petrology and Geochemistry, 2012, 31(3): 210−217. doi: 10.3969/j.issn.1007-2802.2012.03.003
[8] 叶小璐, 肖仪武. 工艺矿物学在选厂流程优化中的作用[J]. 有色金属(选矿部分), 2020(4): 13−16,33. doi: 10.3969/j.issn.1671-9492.2020.04.003 Ye X L, Xiao Y W. Role of process mineralogy in process optimization of concentrator[J]. Nonferrous Metals (Mineral Processing Section), 2020(4): 13−16,33. doi: 10.3969/j.issn.1671-9492.2020.04.003
[9] 温利刚, 贾木欣, 王清, 等. 基于扫描电子显微镜的自动矿物学新技术——BPMA及其应用前景[J]. 有色金属(选矿部分), 2021(2): 12−23. doi: 10.3969/j.issn.1671-9492.2021.02.003 Wen L G, Jia M X, Wang Q, et al. New automatic mineralogy technology based on scanning electron microscope—BPMA and its application prospect[J]. Nonferrous Metals (Mineral Processing), 2021(2): 12−23. doi: 10.3969/j.issn.1671-9492.2021.02.003
[10] 陈倩, 宋文磊, 杨金昆, 等. 矿物自动定量分析系统的基本原理及其在岩矿研究中的应用——以捷克泰思肯公司TIMA为例[J]. 矿床地质, 2021, 40(2): 345−368. doi: 10.16111/j.0258-7106.2021.02.010 Chen Q, Song W L, Yang J K, et al. Principle of automated mineral quantitative analysis system and its application in petrology and mineralogy:An example from TESCAN TIMA[J]. Mineral Deposits, 2021, 40(2): 345−368. doi: 10.16111/j.0258-7106.2021.02.010
[11] 温利刚, 贾木欣, 王清, 等. 自动矿物学新技术——BPMA技术及在煤中的应用[J]. 中国煤炭地质, 2019, 31(9): 8−17. doi: 10.3969/j.issn.1674-1803.2019.09.02 Wen L G, Jia M X, Wang Q, et al. A new technology for automated process mineralogy:BPMA technology and its application in coal research[J]. Coal Geology of China, 2019, 31(9): 8−17. doi: 10.3969/j.issn.1674-1803.2019.09.02
[12] 施明哲. 扫描电镜和能谱仪的原理与实用分析技术[M]. 北京: 电子工业出版社, 2015: 1-400. Shi M Z. Principles and practical analysis techniques of scanning electron microscopy and energy spectrometer[M]. Beijing: Electronic Industry Press, 2015: 1-400.
[13] 高歌, 王艳. MLA自动检测技术在工艺矿物学研究中的应用[J]. 黄金, 2015, 36(10): 4. Gao G, Wang Y. Application of MLA automatic detection technology in process mineralogy research[J]. Gold, 2015, 36(10): 4.
[14] 李建华, 孙小俊. MLA技术在某铜钼矿选矿工艺研究中的应用[J]. 有色金属(选矿部分), 2018(5): 1−5. Li J H, Sun X J. Application of MLA technology in process mineralogy research on copper-molybdenum ore[J]. Nonferrous Metals (Mineral Processing Section), 2018(5): 1−5.
[15] Al-Ali S, Wall F, Fitzpatrick R, et al. Key process mineralogy parameters for rare earth fluorcarbonate-bearing carbonatite deposits:The example of Songwe Hill, Malawi[J]. Minerals Engineering, 2020, 159: 106617. doi: 10.1016/j.mineng.2020.106617
[16] 李广, 肖琴, 胡海祥, 等. MLA在斑岩型锡石矿工艺矿物学研究中的应用[J]. 有色金属(选矿部分), 2019(6): 5−11. Li G, Xiao Q, Hu H X, et al. Application of MLA to study characteristics and occurrences of porphyry tin ore[J]. Nonferrous Metals (Mineral Processing Section), 2019(6): 5−11.
[17] 张文, 田承涛, 翁孝卿, 等. 矿物解离分析系统在磷石膏工艺矿物学研究中的应用[J]. 矿产综合利用, 2022(1): 205−210. doi: 10.3969/j.issn.1000-6532.2022.01.030 Zhang W, Tian C T, Weng X Q, et al. Research on the process mineralogy of phosphogypsum using mineral liberation analysis system[J]. Multipurpose Utilization of Mineral Resources, 2022(1): 205−210. doi: 10.3969/j.issn.1000-6532.2022.01.030
[18] 温利刚, 付强, 于志超, 等. 矿物自动定量分析系统在低品位微细粒钼矿工艺矿物学研究中的应用[J]. 有色金属(选矿部分), 2022(2): 31−38. doi: 10.3969/j.issn.1671-9492.2022.02.004 Wen L G, Fu Q, Yu Z C, et al. Application of automated quantitative mineralogy system in the process mineralogy study of low-grade fine-grained molybdenum ore[J]. Nonferrous Metals (Mineral Processing Section), 2022(2): 31−38. doi: 10.3969/j.issn.1671-9492.2022.02.004
[19] 曾广圣, 欧乐明. X射线衍射-扫描电镜等技术研究秘鲁铜硫矿石选矿工艺矿物学特征[J]. 岩矿测试, 2019, 38(2): 160−168. doi: 10.15898/j.cnki.11-2131/td.201804130042 Zeng G S, Ou L M. Study on mineralogical characteristics of Peru copper-sulphur ore dressing process by X-ray diffraction and scanning electron microscope[J]. Rock and Mineral Analysis, 2019, 38(2): 160−168. doi: 10.15898/j.cnki.11-2131/td.201804130042
[20] 邱显扬, 梁冬云, 洪秋阳, 等. 难处理金矿石的工艺矿物学及可选冶特性分析[J]. 贵金属, 2020, 41(2): 36−44. doi: 10.3969/j.issn.1004-0676.2020.02.008 Qiu X Y, Liang D Y, Hong Q Y, et al. Process mineralogy and process improvement analysis of a refractory gold ore[J]. Precious Metals, 2020, 41(2): 36−44. doi: 10.3969/j.issn.1004-0676.2020.02.008
[21] 胡欢, 王汝成, 车旭东, 等. 关键金属元素铍的原位分析技术研究进展[J]. 岩石学报, 2022, 38(7): 1890−1900. doi: 10.18654/1000-0569/2022.07.05 Hu H, Wang R C, Che X D, et al. Research progress of in situ analysis technology of key metal element beryllium[J]. Acta Petrologica Sinica, 2022, 38(7): 1890−1900. doi: 10.18654/1000-0569/2022.07.05
[22] 杨建文, 肖骏, 陈代雄, 等. 矿物解离分析仪在泥堡金尾矿金赋存状态分析中的应用[J]. 科学技术与工程, 2020, 20(7): 2619−2624. doi: 10.3969/j.issn.1671-1815.2020.07.014 Yang J W, Xiao J, Chen D X, et al. Application of mineral liberation analyzer in the analysis of occurrences of gold in Nibao gold tailings[J]. Science Technology and Engineering, 2020, 20(7): 2619−2624. doi: 10.3969/j.issn.1671-1815.2020.07.014
[23] 王俊萍, 武慧敏, 王玲. MLA在银的赋存状态研究中的应用[J]. 矿冶, 2015, 24(1): 77. doi: 10.3969/j.issn.1005-7854.2015.01.019 Wang J P, Wu H M, Wang L. Application of MLA in the study of silver occurrence status[J]. Mining and Metallurgy, 2015, 24(1): 77. doi: 10.3969/j.issn.1005-7854.2015.01.019
[24] 张然, 叶丽娟, 党飞鹏, 等. 自动矿物分析技术在鄂尔多斯盆地砂岩型铀矿矿物鉴定和赋存状态研究中的应用[J]. 岩矿测试, 2021, 40(1): 61−73. doi: 10.15898/j.cnki.11-2131/td.202005130071 Zhang R, Ye L J, Dang F P, et al. Application of automatic mineral analysis technology to identify minerals and occurrences of elements in sandstone-type uranium deposits in the Ordos Basin[J]. Rock and Mineral Analysis, 2021, 40(1): 61−73. doi: 10.15898/j.cnki.11-2131/td.202005130071
[25] 余彬, 王礼珊, 赵立恒, 等. 铜冶炼渣工艺矿物学研究与磨浮流程优化方向探讨[J]. 矿冶, 2020, 29(5): 119−126. doi: 10.3969/j.issn.1005-7854.2020.05.023 Yu B, Wang L S, Zhao L H, et al. Study on process mineralogy of copper smelting slag and optimization direction of grinding flotation process[J]. Mining and Metallurgy, 2020, 29(5): 119−126. doi: 10.3969/j.issn.1005-7854.2020.05.023
[26] 温利刚, 曾普胜, 詹秀春, 等. 矿物表征自动定量分析系统(AMICS)技术在稀土稀有矿物鉴定中的应用[J]. 岩矿测试, 2018, 37(2): 121−129. doi: 10.15898/j.cnki.11-2131/td.201708110129 Wen L G, Zeng P S, Zhan X C, et al. Application of the automated mineral identification and characterization system (AMICS) in the identification of rare earth and rare minerals[J]. Rock and Mineral Analysis, 2018, 37(2): 121−129. doi: 10.15898/j.cnki.11-2131/td.201708110129
[27] Yu J, Ke H Q, Pei C Z, et al. Process mineralogy of Dalucao rare earth ore and design of beneficiation process based on AMICS[J]. Rare Metals, 2020, 39(8): 959−966. doi: 10.1007/s12598-020-01446-w
[28] Luo L Q, Zhang H Q. Process mineralogy and characteristic associations of iron and phosphorus-based minerals on oolitic hematite[J]. Journal of Central South University, 2017, 24(9): 1959−1967. doi: 10.1007/s11771-017-3604-8
[29] Liu T, Song W, Kynicky J, et al. Automated quantitative characterization REE ore mineralogy from the giant Bayan Obo deposit, Inner Mongolia, China[J]. Minerals, 2022, 12(4): 426. doi: 10.3390/min12040426
[30] Gottlieb P, Wilkie G, Sutherland D, et al. Using quantitative electron microscopy for process mineralogy applications[J]. Journal of Metals, 2000, 52(4): 24−25.
[31] Grammatikopoulos T, Mercer W, Gunning C. Mineralogical characterisation using QEMSCAN® of the Nechalacho heavy rare earth metal deposit, Northwest Territories, Canada[J]. Canadian Metallurgical Quarterly, 2013, 52(3): 265−277. doi: 10.1179/1879139513Y.0000000090
[32] Rythoven A D V, Pfaff K, Clark J G. Use of QEMSCAN® to characterize oxidized REE ore from the Bear Lodge carbonatite, Wyoming, USA[J]. Ore and Energy Resource Geology, 2020, 2-3: 100005. doi: 10.1016/j.oreoa.2020.100005
[33] Hrstka T, Gottlieb P, Skála R, et al. Automated mineralogy and petrology—Applications of TESCAN integrated mineral analyzer (TIMA)[J]. Journal of Geosciences, 2018, 63(1): 47−63.
[34] Aylmore M G, Eksteen J J, Jones M G, et al. The mineralogy and processing potential of the commonwealth project in the Molong volcanic belt, central Eastern New South Wales, Australia[J]. Ore Geology Reviews, 2019, 111: 102976. doi: 10.1016/j.oregeorev.2019.102976
[35] Smythe D M, Lombard A, Coetzee L L. Rare earth element deportment studies utilising QEMSCAN technology[J]. Minerals Engineering, 2013, 52: 52−61. doi: 10.1016/j.mineng.2013.03.010
[36] Gilligan R, Nikoloski A N. Alkaline leaching of brannerite. Part 2:Leaching of a high-carbonate refractory uranium ore[J]. Hydrometallurgy, 2017, 173: 224−231. doi: 10.1016/j.hydromet.2017.08.019
[37] Aylmore M G, Merigot K, Quadir Z, et al. Applications of advanced analytical and mass spectrometry techniques to the characterisation of micaceous lithium-bearing ores[J]. Minerals Engineering, 2018, 116: 182−195. doi: 10.1016/j.mineng.2017.08.004
[38] Aylmore M G, Merigot K, Rickard W, et al. Assessment of a spodumene ore by advanced analytical and mass spectrometry techniques to determine its amenability to processing for the extraction of lithium[J]. Minerals Engineering, 2018, 119: 137−148. doi: 10.1016/j.mineng.2018.01.010
[39] Breiter K, Badanina E, Uriová J, et al. Chemistry of quartz—A new insight into the origin of the Orlovka Ta-Li deposit, Eastern Transbaikalia, Russia[J]. Lithos, 2019, 348-349: 105206. doi: 10.1016/j.lithos.2019.105206
[40] Ward I, Merigot K, Mcinnes B I A. Application of quantitative mineralogical analysis in archaeological micromorphology:A case study from Barrow Is. Western Australia[J]. Journal of Archaeological Method and Theory, 2017, 25(19-20): 1−24.
[41] Honeyands T, Manuel J, Matthews L, et al. Comparison of the mineralogy of iron ore sinters using a range of techniques[J]. Minerals, 2019, 9(6): 333. doi: 10.3390/min9060333
[42] Juránek R, Výravský J, Kolář M, et al. Graph-based deep learning segmentation of EDS spectral images for automated mineral phase analysis[J]. Computers & Geosciences, 2022: 105109.
[43] 谢小敏, 李利, 袁秋云, 等. 应用TIMA分析技术研究Alum页岩有机质和黄铁矿粒度分布及沉积环境特征[J]. 岩矿测试, 2021, 40(1): 50−60. doi: 10.15898/j.cnki.11-2131/td.202007120103 Xie X M, Li L, Yuan Q Y, et al. Grain size distribution of organic matter and pyrite in Alum shales characterized by TIMA and its paleo-environmental significance[J]. Rock and Mineral Analysis, 2021, 40(1): 50−60. doi: 10.15898/j.cnki.11-2131/td.202007120103
[44] 钟祥, 陈福林, 史志新, 等. 矿物自动分析系统在攀西某矿区钒钛磁铁矿工艺矿物学上的应用[J]. 冶金分析, 2022, 42(7): 62−70. Zhong X, Chen F L, Shi Z X, et al. Application of advanced mineral identification and characterization system in process mineralogy of vanadium-titanium magnetite in a mining area of Panxi[J]. Metallurgical Analysis, 2022, 42(7): 62−70.
[45] 温利刚, 贾木欣, 付强, 等. 矿物自动定量分析系统在金的赋存状态研究中的应用[J]. 有色金属(选矿部分), 2022(4): 1−8. doi: 10.3969/j.issn.1671-9492.2022.04.001 Wen L G, Jia M X, Fu Q, et al. Application of automated quantitative mineralogy system in the deportment study of low-grade and fine-grained gold[J]. Nonferrous Metals (Mineral Processing Section), 2022(4): 1−8. doi: 10.3969/j.issn.1671-9492.2022.04.001
[46] 高倩倩, 刘杨, 杨艳芳, 等. MLA与偏光显微镜在工艺矿物学研究中的应用对比[J]. 矿业工程, 2018, 16(4): 39−40. doi: 10.16672/j.cnki.kygc.2018.04.013 Gao Q Q, Liu Y, Yang Y F, et al. The application comparison between MLA and polarizing microscope in process mineralogy study[J]. Mining Engineering, 2018, 16(4): 39−40. doi: 10.16672/j.cnki.kygc.2018.04.013
[47] 刘榕鑫, 朱坤, 谢海云, 等. 云南斑岩型多金属金矿的嵌布特征及赋存状态研究[J]. 岩矿测试, 2018, 37(4): 404−410. doi: 10.15898/j.cnki.11-2131/td.201710200169 Liu R X, Zhu K, Xie H Y, et al. Study on the inlay characteristics and occurrences of Yunnan porphyry polymetallic gold deposits[J]. Rock and Mineral Analysis, 2018, 37(4): 404−410. doi: 10.15898/j.cnki.11-2131/td.201710200169
[48] 朱丹, 桂博艺, 王芳, 等. AMICS测试技术在铌矿中的应用——以竹溪铌矿为例[J]. 有色金属(选矿部分), 2021(3): 1−7. Zhu D, Gui B Y, Wang F, et al. Application of AMICS test technology in Niobium ore—A case study of Zhuxi niobium ore[J]. Nonferrous Metals (Mineral Processing Section), 2021(3): 1−7.
[49] 庞建涛, 肖喆, 王灿霞, 等. MLA系统在磷块岩工艺矿物学研究中的应用[J]. 化工矿物与加工, 2015, 44(10): 19−21. Pang J T, Xiao Z, Wang C X, et al. Application of MLA system in process mineralogy research of phosphorite block[J]. Chemical Minerals and Processing, 2015, 44(10): 19−21.
[50] 方明山, 王明燕. AMICS 在铜矿伴生金银综合回收中的应用[J]. 矿冶, 2018, 27(3): 104−108. Fang M S, Wang M Y. Application of AMICS in comprehensive recovery of associated gold and silver in a copper ore[J]. Mining and Metallurgy, 2018, 27(3): 104−108.
[51] 李波, 梁冬云, 张莉莉, 等. 自动矿物分析系统的统计误差分析[J]. 矿冶, 2018, 27(4): 120−123. doi: 10.3969/j.issn.1005-7854.2018.04.025 Li B, Liang D Y, Zhang L L, et al. The statistical deviation analysis of automatic process mineralogy analysis system[J]. Mining and Metallurgy, 2018, 27(4): 120−123. doi: 10.3969/j.issn.1005-7854.2018.04.025
[52] 付艳红, 李振, 周安宁, 等. 煤中矿物及显微组分解离特性的MLA研究[J]. 中国矿业大学学报, 2017, 46(6): 1357−1363. Fu Y H, Li Z, Zhou A N, et al. Liberation characterization of minerals and macerals in coal by using MLA[J]. Journal of China University of Mining and Technology, 2017, 46(6): 1357−1363.
[53] Xu C L, Zhong C B, Lu R L, et al. Process mineralogy of Weishan rare earth ore by MLA[J]. Journal of Rare Earth, 2019, 37(3): 334−338. doi: 10.1016/j.jre.2018.06.008
[54] Sampaio N P, Araújo F G, von Kruger F L. The formation of Brazilian minerals database for integrated SEM-EDS system applied to the gold ore characterization[J]. Holos, 2018, 3: 2−22. doi: 10.15628/holos.2018.6938
[55] Goodall W R, Scales P J, Butcher A R. The use of QEMSCAN and diagnostic leaching in the characterisation of visible gold in complex ores[J]. Minerals Engineering, 2005, 18(8): 877−886. doi: 10.1016/j.mineng.2005.01.018
[56] Benvie B, Chapman N M, Robinson D J, et al. A robust statistical method for mineralogical analysis in geometallurgical diagnostic leaching[J]. Minerals Engineering, 2013, 52: 178−183. doi: 10.1016/j.mineng.2013.06.010
[57] Schulz B, Merker G, Gutzmer J. Automated SEM mineral liberation analysis (MLA) with generically labelled EDX spectra in the mineral processing of rare earth element ores[J]. Minerals, 2019, 9(9): 527. doi: 10.3390/min9090527
[58] 王运, 胡宝群, 李佑国, 等. 邹家山铀矿石伴生稀土的EMPA和MLA研究[J]. 稀土, 2018, 39(3): 17−26. Wang Y, Hu B Q, Li Y G, et al. Study of EMPA and MLA of associated rare earth in Zoujiashan uranium ore[J]. Chinese Rare Earths, 2018, 39(3): 17−26.
[59] Gaudin A M. Principles of mineral dressing[R]. New York: McGraw Hill, 1939: 1-554.
[60] McIvor R E, Finch J A. A guide to interfacing of plant grinding and flotation operations[J]. Minerals Engineering, 1991, 4(1): 9−23. doi: 10.1016/0892-6875(91)90114-B
下载:
计量
- 文章访问数: 177
- HTML全文浏览量: 37
- PDF下载量: 121
京公网安备 11010202008159号