Affordable Access

Development of an Artificial Neural Network (ANN) Model for Estimating Cemented Paste Backfill Performance

Authors
Publisher
Université du Québec en Abitibi-Témiscamingue
Publication Date
Disciplines
  • Computer Science
  • Economics
  • Physics

Abstract

L'utilisation de la technologie des remblais numers en pâte cimenté est devenue une pratique courante dans les opérations minières modernes. Cependant, l'optimisation de la recette est capitale pour satisfaire les contraintes techniques d'exploitation (propriétés mécaniques) et en même temps pour garantir une utilisation économique et sécuritaire de tels matériaux. Par ailleurs, cette optimisation de recette se fait souvent sur la base de batteries de tests expérimentaux en laboratoire qui sont couteux, demandent du temps et quelque fois difficiles à mettre en oeuvre. Dans ce travail, les réseaux de neurones artificiels (RN As) sont testés afin de développer un modèle prédictif pour l'estimation des résistances ciblées. Les RN As se basent sur des paramètres d'entrée qui sont dans notre cas la granulométrie, le teneur en sulphate dans l'eau de mélange, la recette de liant et le temps de cure. Plus de 600 échantillons ont été nécessaire pour mener a bien une batterie de tests laboratoire utilisant la silice broyée comme rejet minier. Ceci dans le but de bien contrôler les principaux paramètres affectant la résistance mécanique. Le travail a permis d'obtenir un modèle global et l'approche développée et testée montre que la corrélation entre les valeurs prédites et celles obtenues est excellente. Paste backfilling becomes a world wide attractive technology used by most modern underground mining industries. However, optimizing the recipe of paste backfill is of utmost importance to reach the technical requirements (the needed mechanical properties) and at the same time it ensures that the safeness and economical purposes are satisfied. Moreover, achieving this optimization on the basis of the only experimental laboratory testing could be expensive, time consuming and in some cases difficult to succeed. In addition, these studies are often affected by subjectivity. In this work, Artificial Neural Networks (ANNs) are tentatively applied for developing predictive models to estimate needed strength values. The ANN s are based on the input parameters of grain size distribution, sulphate content, binder recipe and curing time. In this work, to provide the input data for the neural networks, more than 600 samples were carried out by using silica as artificial tailings. Silica was used in this work to control the main tailings properties effects on the UCS well and to obtain a global model. The approach developed and tested in this study shows that the correlation between the predicated and achieved strength of the paste backfill is excellent.

There are no comments yet on this publication. Be the first to share your thoughts.