Erzsortierung neu gedacht

Die Suche nach dem optimalen Sensor

Zusammenfassung: Sensorgestützte Sortierung ist eine Technologie, die in zunehmendem Maße zur Aufbereitung von Primärrohstoffen verwendet wird. Mit dem hier vorgestellten simulations-basierten Ansatz ist es möglich, den optimalen Sensor durch quantitative Analysen der Mineralogie und Datenverwertung in Kombination mit Maschinellem Lernen (ML) gezielt zu bestimmen. Dieses Vorgehen ist generisch und kann auf viele Rohstoff-typen angepasst werden. Darüber hinaus birgt das Vorgehen das Potenzial, eine Schlüsseltechnologie zur Optimierung von Aufbereitungsprozessen zu werden.

1‌ Sensorgestützte Sortierung – der Stand der Technik

Sensorgestützte Sortierung wird in der Bergbauindustrie eingesetzt, um 10 bis 100 mm große Gesteinspartikel eines heterogenen Erzes in eine wertstoffreiche und eine wertstoffarme Fraktion zu trennen [6]. Der Sortierprozess lässt sich in vier grundlegende Schritte unterteilen, wie in Bild 1 am Beispiel eines Bandsortierers dargestellt wird.

Bevor sensorgestützte Sortierung als Teil des Aufbereitungsprozesses implementiert werden kann, muss ein Sensor gefunden werden, der in der Lage ist, eine bestimmte Eigenschaft des Materials zu erkennen oder sogar zu quantifizieren. Die detektierte Materialeigenschaft muss sich dafür eignen, das Erz in ein wertstoffreiches und wertstoffarmes Produkt zu trennen. Oftmals ist es nicht möglich, das Wertmineral selbst zu identifizieren, da keine geeigneten Sensoren zur Verfügung stehen. Sollte dies der Fall sein, muss eine messbare Eigenschaft des Erzes gefunden werden, welche mit dem Wertmineral/-element korreliert – eine Hilfsgröße, auch oft Proxy genannt. Beispiele für häufig verwendete Hilfsgrößen sind die Atomdichte gemessen mit einem Dual-Energie-Röntgentransmissionsdetekor (DE-XRT), Farbe, Fluoreszenz oder Transparenz (optischer Sensor) oder auch die Emission oder Absorption kurzwelliger Infrarot- oder Nahinfrarotstrahlung (SWIR/NIR).

Um einen geeigneten Sensor zu finden, wird nach derzeitigem Stand der Technik ein mehrstufiges Verfahren mit Trial-and-Error-Versuchen eingesetzt (Bild 2, klassischer Ansatz). Zunächst wird ein Sortierparameter (z.B. Farbe) und ein passender Sensor (→ optischer Sensor) ausgewählt. Diesem Schritt folgen Versuche im Labormaßstab mit etwa 10 bis 100 Einzelpartikeln. Basierend auf den Ergebnissen werden ein geeigneter Sensor identifiziert und die Testarbeiten im Pilotmaßstab fortgesetzt. Geochemische Analysen der Sortierprodukte werden verwendet, um die Sortierleistung in Bezug auf Ausbringen, Gehalte und Massenströme zu beurteilen. Auf Grundlage dieser Werte wird nach Abwägung der Kosten und Nutzen bewertet, ob es sich lohnt, sensorgestützte Sortierung einzusetzen.

Dieser iterative und empirische Ansatz hat den wichtigen Vorteil, dass er ohne jede Vorkenntnis der Zusammensetzung des Rohstoffs angewendet werden kann. Er hat aber auch eine Reihe von Nachteilen:

Es nicht klar, warum eine Gruppe von Erzpartikeln aussortiert wird und umgekehrt, warum die andere Gruppe in das Konzentrat ausgebracht wird.

Ebenfalls unklar ist, ob der getestete Sortiermechanismus sein volles Potenzial entfaltet hat, oder ob Potential zur Optimierung des Sortierers unentdeckt geblieben ist.

Es keine Hinweise darauf, ob andere als die für empirische Testarbeiten ausgewählten Parameter verwendet werden könnten, um das Werteelement bzw. -mineral effizienter anzureichern.

Es ist zu erwarten, dass ein umfassenderes Verständnis der mineralogischen und strukturellen Eigenschaften des zu sortierenden Rohstoffs eine Abschätzung über die Effizienz eines Sortierprozesses ermöglicht. Die benötigten Daten können beispielsweise durch Automatisierte Mineralogie (AM) bereitgestellt werden. Es sind eben diese, mit AM generierten Daten, in Kombination mit ML, die in einem völlig neuartigen Ansatz zur Simulation des Sortiererfolgs verwendet werden.

Dieser neue Ansatz ist am Helmholtz Institut Freiberg für Ressourcentechnologie (HIF) im Rahmen des vom BMBF geförderten r4-Programms in den Projekten AFK (Kennzeichen 033R128) und ResErVar (Kennzeichen 033R129) entwickelt worden. Quantitative mineralogische und mikrostrukturelle Daten, die auf einer Reihe von polierten Dünnschliffen aufgenommen werden, bieten die geeignete Grundlage, um die Leistung der sensorgestützten Sortierung anhand verschiedener Trennparameter zu simulieren. Empirische Tests mit handelsüblichen Sensorsystemen wurden genutzt, um die Vorhersagen der Simulationen experimentell zu validieren. Ein Fließbild dieses simulations-basierten Vorgehens wird in Bild 2 (rechts) dargestellt. In diesem Beitrag wird das Vorgehen anhand eines komplexen Skarnerzes aus Hämmerlein (Erzgebirge) gezeigt. Weitere Beispiele wurden bereits in internationalen Fachzeitschriften veröffentlicht [3; 9].

2 Methoden

In Vorbereitung auf AM-Analysen werden polierte Dünnschliffe von einer geeigneten Auswahl von Proben des sortierenden Rohstoffs hergestellt. Die Auswahl der Proben und die Anzahl der herzustellenden Schliffe leitet sich dabei von der inhärenten Komplexität des Rohstoffes ab. Je komplexer und variabler der Rohstoff in seiner Zusammensetzung, desto mehr Schliffe werden benötigt. Bei der Schliffherstellung verbleibt immer ein abgesägtes Reststück, welches in seiner Zusammensetzung dem Schliff sehr ähnlich ist. Diese Reststücke können für Sortierversuche eingesetzt werden.

An den polierten Dünnschliffen werden hochauflösende quantitative mineralogische Analysen mit AM (z.B. mit einem Mineral Liberation Analyzer, kurz MLA) mit einer räumlichen Auflösung von wenigen Mikrometern durchgeführt. Allgemeine Erläuterungen zum Messinstrument sowie der Methodik können [2] entnommen werden. Das Ergebnis eines AM-Datensatzes ist ein hochauflösendes Falschfarbenbild, woraus sich u.a. Mineralgehalt, Korngrößenverteilung und Mineralassoziationen errechnen lassen. Die oben genannten Reststücke der Schliffpräparation werden mit Sensoren (z.B. SWIR, DE-XRT, RFA) vermessen, welche bei der sensorgestützten Sortierung zum Einsatz kommen können. Die räumliche Auflösung der Validierungsmessungen liegt typischerweise im Bereich von wenigen Millimetern.

Bei der Anwendung von ML werden in einem ersten Schritt die hochauflösenden AM-Falschfarbenbilder auf die gröbere räumliche Auflösung der Sensoren angepasst. Bild 3 zeigt dazu ein Beispiel mit drei Phasen (Chlorit, Quarz und Kassiterit) und Informationen aus SWIR und AM. Das AM-Bild wird in der Größe verändert, und in jedem groben Pixel werden der Oberflächenanteil jedes Minerals und daraus der Anteil des Wertminerals berechnet. Im zweiten Schritt wird ein Schwellenwert für das Wertmineral ermittelt und daraus ein 2-Klassen-Bild (wertstoffarm oder wertstoffreich) erstellt. Die vereinfachten 2-Klassen-Bilder werden zum Trainieren und Testen eines geeigneten Klassifikationsverfahrens aus dem ML (z.B. Random Forest) verwendet. Das Klassifikationsverfahren wird dahingehend trainiert, aus den mit AM-Daten ko-registrierten SWIR-Daten die Wahrscheinlichkeit vorherzusagen, dass eine einzelne Probe den Schwellenwert überschreitet und damit bei der Sortierung in das Wertstoffkonzentrat überführt werden sollte. Durch dieses Vorgehen, welches in Bild 4 schematisch erklärt wird, entsteht eine ML-optimierte Vorhersage zum Wertstoffgehalt der Probe.

3 Fallbeispiel: Komplexes Skarnerz aus Hämmerlein

Die polymetallische Sn-Zn-In-Lagerstätte Hämmerlein befindet sich im zentralen Teil des sächsischen Erzgebirges nahe der Grenze zu Tschechien (Bild 5). Seit 2012 ist die Saxore Bergbau GmbH der Eigner der Erkundungslizenz für Hämmerlein und die benachbarten Erzkörper im Lagerstättenbereich Tellerhäuser. Hämmerlein besteht aus zwei lithologisch unterschiedlichen Teilen: einem Skarn mit Sn-In-Zn-Vererzung (Skarnerz) und einem vergreisten Glimmerschiefer, welcher als Schiefererz bezeichnet wird [7]. Von primärem wirtschaftlichem Interesse ist Zinn, welches in Hämmerlein in abbauwürdigen Konzentrationen in Kassiterit (SnO2) enthalten ist. Durch eine späte metasomatische Überprägung der Lagerstätte wurde Kassiterit zusammen mit Chlorit, Fluorit, diversen Sulfiden und oftmals auch Quarz in Äderchen und Linsen ausgefällt (Bild 6). Die in dieser Studie verwendeten Proben stammen aus dem Hämmerleiner Skarnlager (+ 590 m Sohle), welches über das Besucherbergwerk Zinnkammern Pöhla zugänglich ist.

3.1 Rohstoffcharakterisierung

Das Skarnerz besteht überwiegend aus Eisenoxiden (Magnetit, Hämatit), Silikaten (Amphibol, Granat, Epidot und Chlorit) und Sulfidmineralien. Die Kassiteritkonzentrationen variieren zwischen 0,0 und 19,2 Gew.-% (Durchschnittsgehalt: 0,6 Gew.-%). Die Probenvariabilität wird durch acht ausgewählte Proben aus verschiedenen Lithoeinheiten mit Falschfarbenbildern visualisiert (Bild 7). Tabelle 1 fasst eine Auflistung aller analysierten Proben aus den verschiedenen Proben zusammen. Zur Unterscheidung von Erz und Nebengestein wurde ein Schwellenwert von 0,1 Gew.-% Sn in Kassiterit pro Probe gewählt. Dieser Wert wird von 35 % der Proben (28 von 81) überschritten. Der Schwellenwert liegt unter dem wirtschaftlichen Mindestgehalt für den Bergbau (0,5 Gew.-% Sn; s. [8]), gilt aber in der Sortierphase, in der das Erz bereits gesprengt, transportiert und zerkleinert wurde, als angemessen (persönliche Mitteilung Dr. Marco Roscher, Saxore Bergbau GmbH).

3.2 Simulationen

AM-Daten ermöglichen es, eine theoretisch unbegrenzte Anzahl von Sortierversuchen zu simulieren. Im folgenden Abschnitt werden Verwachsungs- und Sortierkurven auf der Basis des Kassiteritgehaltes, des Chloritgehaltes und einer ML-optimierten Wertstoffvorhersage diskutiert. Die Ergebnisse der Simulationen werden verglichen mit Daten eines SWIR-Sensors, wie er auch in Sortieranlagen eingesetzt werden kann.

Bild 8 A zeigt eine Trennkurve im Fürstenau-II-Diagramm [4] mit Wertstoffausbringen (Kassiterit, y-Achse) gegen Bergeausbringen (x-Achse) für den Fall, dass die Proben nach der Eigenschaft Kassiteritgehalt (AM) sortiert werden. Aus dem Diagramm kann man erkennen, dass man ein wertstoffreiches Produkt bestehend aus 80 % des Kassiterits und 15 % der Berge herstellen könnte. Es wäre ebenfalls möglich, ein Produkt aus 95 % des Kassiterits und 30 % der Berge herzustellen. Bild 8 B zeigt eine Trennungsgradkurve mit Effizienz der Trennung (Differenz von Wertstoffausbringen und Bergeausbringen, y-Achse) über Wertstoffausbringen (x-Achse) [4]. Die Effizienz der Trennung ist ein Parameter zur Beurteilung der Trennleistung. Um ein Ausbringen von mehr als 80 % Kassiterit zu erreichen, wäre ein Sensor notwendig, der Kassiterit (bzw. Zinn) in Konzen-trationen zwischen 1 und 2 Gew.-% schnell und präzise identifiziert. Nach unserer Kenntnis ist dies auch mit modernster Sensortechnik nicht möglich. Dennoch liefert diese Trennkurve wichtige Informationen, da sie das bestmögliche Sortierresultat bei der bestehenden Korngröße zeigt. Dieses Resultat kann nur durch weitere Zerkleinerung des Materials übertroffen werden. Zur Orientierung ist in Bild 8 C und Bild 8 D dieses bestmögliche Sortierresultat weiterhin dargestellt. Eine effiziente und optimierte Trennungskurve nähert sich der dem bestmöglichen Resultat an.

Bild 8 C und Bild 8 D vergleicht die gemessene Fläche des Minerals Chlorit aus dem AM- und dem SWIR-Datensatz. Aus den Trennkurven wird eine gute Übereinstimmung ersichtlich. Die Trennung anhand von Chlorit ermöglicht einen Trenneffizienz von 45 % bei einem Kassiteritausbringen von 70 % – während 75 % der Berge abgeschieden werden. Mit SWIR kann man problemlos Chloritgehalte von 1 vol.% – und weniger – identifizieren. Daher eignet sich der Sensor, um zuverlässig mehr als 90 % Kassiteritausbringen zu erreichen. Die ML-optimierte Wertstoffvorhersage eignet sich für eine weitaus effizientere Trennung. So ist es möglich, etwa 90 % des Kassiterits zusammen mit weniger als 30 % der Berge anzureichern. Auch dieses Ergebnis ist in der Praxis unter Verwendung des passenden Sensors umsetzbar.

3.3 Die Eigenschaften der Sortierprodukte

Bevor die Entscheidung für oder gegen eine sensor­gestüt­zte Sortieranlage in einem Aufbereitungsbetrieb gefällt wird, muss eine Wirtschaftlichkeitsprü­fung durch­geführt werden. Darin berücksichtigt werden primär das Ausbringen des Wertminerals und der Trennungsgrad – Informationen, die von AM-Daten zur Verfügung gestellt werden. Durch die Abtrennung von wertstoffarmen Material ändern sich allerdings auch wichtige Parameter des vorangereicherten Produktes (z.B. modale Mineralogie, Massenstrom, Partikelgrößen), welche die nachfolgenden Aufbe­reitungsprozesse (z.B. Zerkleinerung, Flotation, Dichtetrennung und Magnetabscheidung) beeinflussen. Die verfügbaren Daten ermög­lichen auch hier vielfältige Aus­wertemöglichkeiten, welche die Wirtschaftlichkeitsprüfung der Sortieranlage beeinflussen.

Dies wird im Folgenden anhand des Beispiels der mit ML-opti­mierten Wertstoffvorher­sage verdeutlicht. Anhand des ML-optimierten Trennmerkmals werden mineralogische Zu­sammensetzung, Kassiteritgehalt und die durchschnittliche Kassiterit­korngröße von wertstoffarmen und wertstoffreichem Produkt für 60 %, 70 %, 80 %, 90 %, 95 % und 100 % Kassiterit-ausbringen modelliert (Bild 9). Die Eigenschaften der Sortierprodukte werden mit einem Fokus auf ein Kassiteritausbringen von 90 % und 95 % verglichen.

Mit steigendem Kassiteritausbringen bis 90 % wird der Mineralgehalt des wertstoffreichen Produkts von Quarz-, Chlorit- und Eisenoxidmineralien dominiert. Auch Fluorit- und Sulfidminerale reichern sich bevorzugt im Konzentrat an (Bild 9 A). Granat, Epidot und Amphibol fallen überwiegend in den Bergen der Sortierung an (Bild 9 B). Bei diesem Zielwert liegt der Kassiteritgehalt bei 1,9 Gew.-% und die durchschnittliche Korngröße beträgt nahezu 300 µm (Bild 9 C und Bild 9 D).

Die Masse der Berge im wertstoffarmen Produkt bei 90 % Kassiterit-ausbringen beträgt 73 Gew.-% und die durchschnittliche Größe der Kassiteritkörner liegt unter 25 µm. Um bei solch kleinen Korngrößen einen hohen Aufschlussgrad zu erreichen, wäre es erforderlich, das Material unter hohem Energieaufwand sehr fein aufzumahlen. Bei einem Ausbringen von 95 % Kassiterit wird das wertstoffreiche Produkt zunehmend mit Berge verdünnt, wodurch das Massenausbringen auf 86 Gew.-% steigt. Um 5 % mehr Kassiteritausbringen zu erreichen, wäre also eine Aufbereitungsanlage erforderlich, die einen drei Mal höheren Durchsatz bewäl­tigen kann. Der niedrigere Kassiteritgehalt (0,7 Gew.-%) und die geringere durchschnittliche Kassiteritkorngröße (< 250 µm) sind weitere Eigenschaften des Konzentrats, die sich auf Kosten eines höheren Kassiteritausbringens verschlechtern würden. Unter Berücksichtigung aller dargestellten Parameter liegt der Zielwert für eine möglichst effiziente Trennung des Skarnerzes anhand der mit ML-optimierten Wertstoffvorhersage bei etwa 90 % Kassiteritausbringen.

4 Experimentelle Validierung

Die Ergebnisse zeigen eine her­vorragende Übereinstimmung zwischen empirischen Test­ergebnissen und Simulationen der Trennleistung auf der Basis von AM-Daten. Der mit AM gemessene Chloritgehalt konnte zur Vorher­sage des Separationserfolgs des Skarnerzes verwendet werden. Da Chlorit charakteristische Absorptionseigenschaften im kurzwelligen Infrarot hat, fiel die Wahl auf einen SWIR-Sensor. Die gewonnenen Daten könnten weiterhin zur Optimierung des Sortierprozesses mittels ML genutzt werden. Die Eigenschaften der Minerale im simulierten wertstoffreichen Produkt können zur Planung und Vorhersage der Funktionalität nachfolgender Prozesse wie Flotation, Dichtetrennung und Magnetabscheidung verwendet werden.

Die Sortierung von Skarnerz mit ML-optimierter Vorhersage ist ein gutes Beispiel, um die Wechselwirkungen zwischen sensorgestützter Sortierung und nachfolgenden Verarbeitungsschritten zu verdeutlichen: Der unvermeidlich hohe Anteil an Chlorit im wertstoffreichen Produkt ist für die weitere Verarbeitung nachteilig, da Chlorit auf Reagenzien anspricht, die typischerweise zur Flotation von Kassiterit verwendet werden. Dadurch wird die Trennung dieser beiden Minerale erschwert. Darüber hinaus wirkt sich die veränderte Zusammensetzung des Erzes auf die anschließende Dichte-trennung und die magnetische Trennung aus, was in Modellen, die das Trennverhalten des Erzes vorhersagen, berücksichtigt werden muss.

Die in dieser Studie vorgestellten Simulationsdaten basieren auf der Analyse mit MLA, aber es können mit ähnlichen instrumentellen Plattformen wie TIMA-X (TESCAN, Brno/Tschechische Republik), Mineralogic (Zeiss, Oberkochen/Deutschland) und QEMSCAN (FEI Company, Hillsboro, OR/USA) durchaus Datensätze von gleicher Qualität erstellt werden. All diesen Systemen ist gemeinsam, dass die Analysen zeit- und kostenintensiv sind, insbesondere bei der hohen räumlichen Auflösung, die für diese Studie verwendet wurde. In aktuellen Forschungsvorhaben werden in Freiberg mehrere Möglichkeiten untersucht, sowohl Kosten als auch Zeit für die notwendigen mineralogischen Untersuchungen drastisch zu reduzieren. Dies geschieht, um den simulationsbasierten Ansatz für industrielle Anwender noch interessanter zu gestalten.

5 Fazit

Daten der Automatisierten Mineralogie (AM) können in einem am HIF neu entwickelten Ansatz zur Auswahl von Sensoren für die Sortierung komplexer Rohstoffe eingesetzt werden, um eine unbegrenzte Anzahl von Sortier-Simulationen durchzuführen. Dadurch können geeignete Hilfsgrößen gefunden werden, welche eine effiziente Trennung von grobkörnigen Partikeln zulassen und somit die Auswahl eines geeigneten Sensors ermöglichen. Am Beispiel des Skarnerzes aus Hämmerlein konnte eindrücklich gezeigt werden, dass sich SWIR-Daten dazu eignen, die Sensoreinstellungen mit ML zu optimieren, um die Sortieraufgabe optimal zu lösen. Darüber hinaus können aus AM-Daten Parameter wie modale Mineralogie, Mineralassoziationen und Korngrößenverteilungen in den simulierten Produkten (wertstoffreich und wertstoffarm) abgeleitet werden. Diese Informationen sind für nachfolgende Aufbereitungsprozesse von großer Bedeutung. Der neuartige Ansatz kann auf viele andere Rohstofftypen angepasst werden; er hat damit das Potenzial, eine Schlüsseltechnologie zur Optimierung von Sortierprozessen zu werden.

Dr. Marius Kern

Helmholtz-Zentrum Dresden-Rossendorf, Helmholtz-Institut Freiberg für Ressourcentechnologie, www.hzdr.de

Marius Kern studierte Geographie (B.Sc.) in Würzburg und Geowissenschaften mit Vertiefung Lagerstättenlehre (M.Sc.) in Freiberg. Von 2014 bis 2015 arbeitete er als Mineraloge bei Hazen Research (Colorado/USA) und ist seit August 2015 am Helmholtz-Institut Freiberg für Ressourcentechnologie tätig. Im Jahr 2019 schloss er seine Promotion ab, welche im Rahmen eines Projekts zur Aufbereitung feinkörniger Komplexerze entstand. Dabei befasst er sich auch mit der Frage, wie man Erze aus der Lagerstätte Hämmerlein (Erzgebirge) optimal sortieren kann.

Weitere Autoren:

M.Sc. Laura Tus¸a, Wissenschaftliche Mitarbeiterin 1

Dr. Mahdi Khodadazadeh, Wissenschaftlicher Mitarbeiter 1

Dr.-Ing. Thomas Leißner, Wissenschaftlicher Mitarbeiter 2

Dr. Richard Gloaguen, Leiter Abteilung Exploration 1

Prof. Dr. K. Gerald van den Boogaart, Leiter Abteilung Modellierung 1

Dr. Jens Gutzmer, Institutsdirektor 1

1 Helmholtz-Zentrum Dresden-Rossendorf, Helmholtz Institut Freiberg

für Ressourcentechnologie

2 Institut für Mechanische Verfahrenstechnik und Aufbereitungstechnik,

TU Bergakademie Freiberg

Literatur

[1] Kern, M.; Kästner, J.; Tolosana-Delgado, R.; Jeske, T.; Gutzmer, J.: The inherent link between ore formation and geometallurgy as documented by complex tin mineralization at the Hämmerlein deposit (Erzgebirge/Germany). Mineralium Deposita 54(5), 2018 (a), pp. 683–698

[2] Kern, M.; Möckel, R.; Krause, J.; Teichmann, J.; Gutzmer, J.: Calculating the deportment of a fine-grained and compositionally complex Sn skarn with a modified approach for automated mineralogy. Minerals Engineering 116, 2018 (b), pp. 213–225

[3] Kern, M.; Tus¸a, L.; Leißner, T.; van den Boogaart, K.G.; Gutzmer, J.: Optimal sensor selection for sensor-based sorting based on automated mineralogy data. Journal of Cleaner Production 234, 2019, pp. 1144–1152

[4] Leißner, T.: Beitrag zur Kennzeichnung von Aufschluss- und Trennerfolg am Beispiel der Magnetscheidung. Technische Universität Bergakademie Freiberg/Germany, 2015, p. 252

[5] Nienhaus, K.; Pretz, T.; Wotruba, H. (eds.): Sensor Technologies: Impulses for the raw materials industry, RWTH Aachen, Schriftenreihe zur Aufbereitung und Veredelung Nr. 50, Shaker Verlag, Aachen, 2014

[6] Robben, C.; Wotruba, H.: Sensor-Based Ore Sorting Technology in Mining – Past, Present and Future. Minerals 9(9), 2019, p. 523

[7] Schuppan, W.; Hiller, A.: Die Komplexlagerstätten Tellerhäuser und Hämmerlein. Bergbaumonographie. Bergbau in Sachsen (Band 17). Sächsisches Landesamt für Umwelt und Geologie, Sächsisches Oberbergamt, Freiberg, 2012

[8] Treliver Minerals Limited. Tellerhäuser Project Resource Statement, 2015

[9] Tus¸a, L.; Kern, M.; Khodadadzadeh, M.; Blannin, R.; Gloaguen, R.; Gutzmer, J.: Evaluating the performance of hyperspectral short-wave infrared sensors for the pre-sorting of complex ores using machine learning methods. Minerals Engineering 146, 2020, pp. 106–150

x

Thematisch passende Artikel:

Ausgabe 2010-03

Sensorgestützte Sortierung 2010

Fachtagung in Aachen/Deutschland, 09.-11.03.2010

Fachtagung in Aachen/Deutschland, 09.–11.03.2010 Vom 09. bis 11. März 2010 wird im Eurogress Aachen die vierte Fachtagung „Sensorgestützte Sortierung“ stattfinden, die Neuentwicklungen und...

mehr

Sensorgestützte Sortierung 2010

Fachtagung in Aachen/Deutschland, 09.–11.03.2010 Vom 09. bis 11. März 2010 wird im Eurogress Aachen die vierte Fachtagung „Sensorgestützte Sortierung“ stattfinden, die Neuentwicklungen und...

mehr
Ausgabe 2011-06

Call for Paper Sensorgestützte Sortierung 2012, Aachen/Deutschland (17.-19.04.2012)

Vom 17.-19.04.2012 wird im Eurogress Aachen die fünfte Fachtagung „Sensorgestützte Sortierung“ stattfinden, die Neuentwicklungen und Anwendungen im Bereich der automatischen Sortiertechnik bei der...

mehr
Ausgabe 2012-1-2

5. “Sensor based Sorting” Conference 2012

Die Entwicklung der Aufbereitungstechnik wurde in der Vergangenheit durch die Fokussierung auf mineralische Rohstoffe geprägt. Die Abfallaufbereitung hat sich dagegen erst als eigenständige...

mehr

Sensor-Based Sorting and Control 2020

Die 9. Fachtagung Sensor-Based Sorting & Control findet vom 17. bis 18. März 2020 in Aachen statt. Wie in den Vorjahren befasst sich die SBSC 2020 mit neuen Entwicklungen und Anwendungen im...

mehr