REWO-SORT

Das übergeordnete Ziel des Gesamtvorhabens »Reduction of Energy and Water consumption of mining Operations by fusion of sorting technologies LIBS and ME-XRT« ist die Entwicklung und die Bewertung der technischen Machbarkeit einer verbesserten Sortiertechnologie für Rohstoffe mittels multimodalen Sensordatenfusion von Laserinduzierte Plasmaspektroskopie (LIBS) und Multienergie-Röntgenbildgebung (ME-XRT). Durch die in der Prozesskette frühe Abtrennung des Materials von geringem Wert soll nicht nur die Effizienz der Aufbereitung gesteigert werden, sondern auch der Verbrauch an Wasser und Energie in den folgenden Prozessstritten reduziert werden.

Dazu muss im Teilvorhaben »ME-XRT optimization, measurements and fusion with LIBS data using deep neural networks« die ME-XRT angepasst und für die Fusion mit der zweiten, komplementären Sensortechnologie LIBS vorbereitet werden. Die Sensordatenfusion erfolgt auf Basis tiefer neuronaler Netze (DNNs). Das Projekt wird nicht nur die Robustheit der Methodik unter variablen geologischen Bedingungen untersuchen, sondern auch Strategien zur Verbesserung der Sortiereffizienz mithilfe tiefer neuronaler Netze evaluieren.

Zunächst wurden im Konsortium geeignete Proben ausgewählt. Die Wahl fiel hier auf zwei unterschiedliche Kupfererzproben aus der Mine Rafaela in Chile. Der erste Typ enthält vorwiegend Kupferoxide als werthaltiges Mineral, während der zweite Typ vorwiegend Kupfersulfide als werthaltige Minerale enthält. Diese Proben wurden vom schwedischen Projektpartner geologisch charakterisiert. Im weiteren Verlauf wurden zusätzlich Eisenerzproben aus den Minen La Esterella und Mariposa (beide in Chile) ausgewählt.

Sowohl für ME-XRT als auch für LIBS war zunächst ein Kalibrierungsschritt notwendig. Für ME-XRT besteht dieser in der Messung einer Vielzahl von hochreinen Proben unterschiedlicher Dicke. Diese hochreinen Kalibrierproben bestehen sowohl aus chemischen Verbindungen wie beispielsweise Polyoxymethylen (POM) oder reinem Quarzglas, als auch aus reinen Elementen wie beispielsweise Kohlenstoff (Graphit), Aluminium, Titan, Eisen, Kupfer oder Blei. Für die Kalibrierung des LIBS-Systems wurden die Gesteinsproben in ihrer Ursprungsform sowie als feingemahlenes Pulver gemessen. Mithilfe der im Labor erfolgten Referenzanalyse konnte das LIBS-System anschließend kalibriert werden. Bei einem Teil der Kupfererzproben (Trainingsset zur Erstellung des Kalibriermodells) wurde eine breite Laboranalyse auf nahezu alle relevanten Elemente vorgenommen. Bei einem zweiten Teil (Testset zur Validierung des Kalibriermodells) wurde nur der Kupfergehalt bestimmt. Bei den Eisenerzproben wurde analog nur der Eisengehalt bestimmt. Die Werte dieser Analysen dienten im Weiteren als Grundwahrheit für die Evaluation der Vorhersagegenauigkeit der Kupferkonzentration.

Die LIBS-Spektren zeigten eine starke Matrixabhängigkeit, weshalb sowohl für die vorwiegend kupferoxidhaltigen und die vorwiegend kupfersulfidhaltigen als auch für die Eisenerzproben eigenständige Kalibriermodelle erstellt werden mussten. Für ME-XRT und auch LIBS erfolgte eine Validierung des jeweiligen Kalibriermodells mit einem unabhängigen Testset der jeweiligen Erzgruppe.

Zusätzlich wurden vom schwedischen Projektpartner, der Technischen Universität in Luleå, elf mineralisch verschiedene Gesteinsproben als repräsentative Proben ausgewählt, um die Eignung von ME-XRT und LIBS für das Elementmapping auf der Mikrometerskala zu untersuchen, um so schnell geologische Grundinformationen über die Lagerstätten zu erhalten. Die Messdaten der Erze wurden sowohl mit den konventionellen Methoden als auch mit tiefen neuronalen Netzen ausgewertet. Aufgrund der bisher noch nicht in der Literatur beschriebenen Datenfusion von ME-XRT und LIBS mit solchen neuronalen Netzen wurden zunächst verschiedene Datenvorverarbeitungsschritte und Netzwerkarchitekturen entworfen und getestet.

Auf Basis der Vorhersagegenauigkeit für den Kupfergehalt wurde vom chilenischen Projektpartner, der Universität Chile in Santiago, die potenziellen Einsparungen an Ressourcen modelliert und auf die gewonnenen Daten angewendet.

Die Proben aus der Mine Rafaela zeigten in der geologischen Untersuchung der Technischen Universität in Luleå eine sehr feine Struktur mit Korngrößen im Bereich einiger µm bis einige 10 µm. Daher werden weder mit ME-XRT (Pixelgröße 800 µm) noch mit LIBS (Größe des Laser-Spots ca. 100 µm) die einzelnen zugrundeliegenden Mineralien detektiert und analysiert. In Kombination mit dem Mitteln vieler Messpunkten über die gesamte Probe hinweg, werden insgesamt sehr homogene Ergebnisse erreicht, was einen großen Vorteil für die anschließende Sortierung mit sich bringt.

Die Untersuchungen der 11 mineralisch verschiedenen Gesteinsproben haben gezeigt, dass LIBS für das schnelle Elementmapping genutzt werden kann und so wichtige Grundinformationen für neue Lagerstätten gewonnen werden können. Des Weiteren konnte mittels LIBS aufgrund des spezifischen spektralen Fingerprints jeder Lagerstätte eine Klassifizierung der Gesteinsproben hinsichtlich ihrer Lagerstätte gemacht werden.ME-XRT liefert schnell den Anteil der Elemente eines gewissen Ordnungszahlbereichs, hier vor allem Eisen und Kupfer.

Aufgrund der begrenzten Durchstrahlbarkeit mit Röntgenstrahlung liegen die realistischen Korngrößen im Bereich einiger Zentimeter. Je nach Zusammensetzung, d.h. im wesentlichen Dichte und Ordnungszahl der beteiligten Elemente, lag die mit 160 kV Beschleunigungsspannung der Röntgenröhre noch gut durchstrahlbare Dicke bei zwischen ca. 30 mm für die Eisenerze von La Estrella und Mariposa mit Eisengehalt > 60 % und entsprechend hoher Dichte, und ca. 50 mm für die Kupfererze von Rafaela.

Bei der Auswertung der Vorhersage des Kupfergehalts wurde das Bestimmtheitsmaß R² als Vergleichsgröße verwendet. Für die LIBS-Messungen wurden für die Kupfererzproben Werte zwischen 85 % und 99 % erreicht, während für die ME-XRT-Messungen hier R²-Werte zwischen 36 % und 74 % gezeigt werden konnten. LIBS erreicht eine höhere Genauigkeit bei der Vorhersage, ist aber bei inhomogenen Proben und wenigen Messpunkte an der Oberfläche statistischen Schwankungen unterworfen, während ME-XRT nicht diese lokale Genauigkeit erreicht, aber das gesamte Volumen der Probe einbezieht und in der Sortierung höhere Durchsätze ermöglicht.

Drei verschiedene Architekturen tiefer neuronaler Netze wurden für die Auswertung und Vorhersage der Konzentration entworfen, die mit drei verschiedenen Vorverarbeitungsschritten kombiniert wurden. Es wurden jeweils die Daten der Sensortechnologien einzeln, als auch die Fusion der Daten untersucht. Durch die Datenfusion konnte R² in der Kreuzvalidierung von 12 % (ME-XRT) bzw. 28 % (LIBS) auf 46 % (ME-XRT+LIBS) gesteigert werden, bei der Überprüfung mit dem zuvor ungesehenen Testdatensatz von 21 % (ME-XRT) bzw. 31 % (LIBS) auf 34 % (ME-XRT+LIBS). Durch die Fusion der beiden Sensormodalitäten konnte also eine Steigerung im Vergleich zu den mit den selben Methoden ausgewerteten Einzeldaten gezeigt werden. Die Genauigkeit der Vorhersage mit ML-Methoden ist jedoch geringer als für die konventionelle Auswertung der Daten. Der Grund dafür liegt vermutlich in der für Methoden des maschinellen Lernens geringen Anzahl an Trainingsdaten, die im Rahmen dieses Projekts verfügbar waren.

Durch den Einsatz einer solchen Sortiertechnik in der Übertragung der Ergebnisse auf den Betrieb von Minen unterschiedlicher Größe konnte in der Modellierung der chilenischen Projektpartner eine Verringerung des Energieverbrauchs pro Tonne Endprodukt um ca. 33 % für große und mittlere/kleine Minenbetriebe gezeigt werden. In großen Minenbetrieben beträgt das Potential der Wassereinsparung mehr als 23 %, für mittlere/kleine Minen wurde diese Größe nicht erhoben, da die wasseraufwändigen Konzentrationsschritte dort nicht implementiert sind.

In weiteren Studien muss nun gezeigt werden, welche Verbesserung eine deutliche Vergrößerung der Trainingsdaten für die ML-Methoden mit sich bringt und ob eine Fusion der konventionell ausgewerteten Daten möglich ist.