Nicht nur die Energiewende rückt den heimischen Bergbau wieder stärker in den Fokus der Rohstoffindustrie. Allerdings sind die meisten der leicht zugänglichen Quellen bereits erschöpft. Der Fokus muss zukünftig darauf liegen, mineralische Rohstoffe effizient aus immer komplexeren und niedrigwertigeren Lagerstätten zu gewinnen und zu verarbeiten. Dafür sind zuverlässige und robuste Modellierungsverfahren nötig, die optimale Strategien ermitteln. Dr. Lucas Pereira vom Helmholtz-Institut Freiberg für Ressourcentechnologie hat in seiner Promotion genau solche Methoden für die mechanische Aufbereitung von komplexen Erzen entwickelt. Daür erhielt er den Helmholtz-Promotionspreis.

Die Energiewende, immer mehr Hightech-Produkte, aber auch Versorgungsengpässe rücken den heimischen Bergbau wieder stärker in den Fokus der Rohstoffindustrie. Allerdings sind die meisten der leicht zugänglichen Quellen bereits erschöpft. Der Fokus muss zukünftig darauf liegen, mineralische Rohstoffe effizient aus immer komplexeren und niedrigwertigeren Lagerstätten zu gewinnen und zu verarbeiten. Dafür sind zuverlässige und robuste Modellierungsverfahren nötig, die optimale Strategien ermitteln. Dr. Lucas Pereira vom Helmholtz-Institut Freiberg für Ressourcentechnologie (HIF), das zum Helmholtz-Zentrum Dresden-Rossendorf gehört, hat in seiner Promotion genau solche Methoden für die mechanische Aufbereitung von komplexen Erzen entwickelt. Die Helmholtz-Gemeinschaft zeichnete seine Arbeit mit dem Promotionspreis im Bereich Energie für ihre kreative Exzellenz aus.

Aktuell verfügbare Modellierungsverfahren berücksichtigen die Komplexität der Erze nicht in ausreichendem Maß. Es ist jedoch bekannt, dass die mineralogischen und mikrostrukturellen Eigenschaften einzelner Erzpartikel das Prozessverhalten steuern. Darüber hinaus beruhen viele Methoden nach wie vor auf der chemischen Zusammensetzung der Erze, was bestenfalls Näherungswerte für die mineralogische Zusammensetzung liefern kann. „Ein Modellierungsverfahren, das für die Abbildung mechanischer Trennprozesse von komplexen Erzen geeignet ist, sollte partikelbasiert sein, alle quantifizierbaren Partikeleigenschaften berücksichtigen und in der Lage sein, Unsicherheiten abzuschätzen. Mein neuartiges Modellierungsverfahren für mechanische Aufbereitungsprozesse erfüllt diese Anforderungen“, sagt Pereira.

„Der Kern der Methode bildet eine logistische Regression, also eine Modellierung der Verteilung von Partikeleigenschaften. Die erforderlichen Daten werden mit einem auf der Rasterelektronenmikroskopie basierenden automatisiertem Bilderkennungsverfahren erfasst. Letztlich kann die Methode die Wahrscheinlichkeiten quantifizieren, dass einzelne Partikel bei der Aufbereitung in bestimmten Produktströmen enden. Das Verfahren erfordert nur minimale menschliche Intervention und kann den relativen Einfluss von Partikelform und -größe sowie Modal- und Oberflächenzusammensetzung berücksichtigen“, erklärt der brasilianische Forscher seine Methodik. Prof. Jens Gutzmer, Direktor des HIF, fügt hinzu: „Der von Dr. Pereira verfolgte Ansatz birgt ein enormes Potential für die Verbesserung der Mineralienaufbereitung. Ich bin mir sicher, dass die Planung von Aufbereitungsanlagen in Zukunft weitgehend auf diesen – oder zumindest ähnlichen – Ansätzen beruhen wird, die die quantitative Partikelcharakterisierung mit maschinellem Lernen kombinieren.“

Am HIF leitet Pereira die interdisziplinäre Forschungsgruppe „Particle Fate Modelling“. Er und sein Team arbeiten kontinuierlich daran, das Verständnis der Rohstoffaufbereitung zu erweitern, um passende Werkzeuge dafür zu entwickeln. Der Fokus liegt dabei auf den komplexen Rohstoffen. „Unsere aktuellen Projekte umfassen partikelbasierte Vorhersagen von Zerkleinerungsprozessen, den Einfluss von Partikelformen auf den Flotationsprozess und die Optimierung von Flotationskreisläufen basierend auf den Eigenschaften einzelner Partikel“, beschreibt Pereira seine Forschung.


Den Artikel finden Sie unter:

https://www.hzdr.de/db/Cms?pNid=99&pOid=69764

Quelle: Helmholtz-Zentrum Dresden-Rossendorf (02/2023)


Publikation:
https://www.researchgate.net/publication/365780008...
DOI: 10.13140/RG.2.2.25002.29123