选冶实验室的技术创新可能已停滞不前，但是市场和环境趋势将迫使实验室技术进步。

 BBA公司选矿技术主管Ben Steyn表示，“选冶实验室正面临越来越多的挑战。在温室气体排放方面，矿山受到了一些新的限制，我们的目标是，至2050年实现净零碳排放。在BBA公司，我们非常重视实现这项目标。我们知道，我们需要转型和实现采矿减碳化。应对排放挑战将是选矿领域新技术开发的主要推动因素。”

 BBA公司选矿工程师Julia Gartley表示，“为了实现减排目标，我们也不得不对选冶实验室的所有操作过程进行重新审视。我们正在转变思维方式，重新考虑如何利用已有的技术或工艺流程进行组合，从矿石中提取新的金属品种。”

 Steyn表示，“现在新的关注焦点是，需要从矿石中提取新的矿物和金属，这使得开发新的采矿方法变得更复杂。我们面临的挑战发生了变化。在加拿大，我们面临的特定挑战是，我们需要特定的金属以用于减碳，从而满足清洁能源技术的金属需求。我认为，在这个国家，我们仍然以开采金矿为主，对此我们已经拥有解决方案，我们金矿开采方面处于领先地位。”

 自动化机会

 在选矿方面，还有空间提高自动化程度。Steyn表示，“我们拥有的最重要资源是从矿山控制室获得的数据，包括样品测定数据，这些数据对选厂非常重要。目前获取数据的方式非常费时。工作人员进入选厂，采集一个标本样品，将样品破碎筛分，然后将粉碎的样品送至分析实验室，需要经过12小时才能获取分析结果，了解选矿厂的运行状况，因此不能实时进行决策。新的自动化系统将能够按照规定的时间间隔取样，然后很快给出分析结果。加快数据获取过程非常重要。我在智利注意到了这种状况。他们可以每隔10分钟进行一次检测并得到一个分析结果，在某些矿山，可以获得2~3个分析结果。”

 基础选冶实验室矿物学经理Sarah Prout表示，“在实现这个目标方面，一项非常有帮助的技术是用于矿物定量评价的扫描电镜（QEMSCAN）。定量评价矿物的扫描电子显微镜用于鉴定矿物和识别矿物的解离方式。该扫描电镜可以每天24小时、每周7天和每年365天不间断运行，该设备需要一名矿物学家进行操作，由其应用自动化技术从岩石样品和矿石样品中获得大量数据。矿物学家也可以通过观察样品估计卤水矿床的规模。QEMSCSAN也可以提供大样模拟分析、矿物化学分析和颗粒分布图，还也可以鉴别颗粒的类型、形状因子、晶粒和颗粒粒径以及样品中各种矿物组分所占比例。”

 SGS冶金与咨询资深总监Stephen Mackie表示，“除了QEMSCAN扫锚电镜，SGS实验室也在其现有设备中添加了Tescan综合矿物分析仪（TIMA-X）。”

 据SGS称，TIMA-X是一种自动化矿物分析系统，对原矿、精矿、岩石、尾矿、浸渣和冶炼产品提供快速定量分析。该系统了也能检测稀土元素，能检测出粒径小于１微米的包裹体。

 Mackie表示，“选冶实验室的自动化程度遇到了某些制约。在设计SGS进行的选冶试验时，如果实现了测试自动化，我们的测试人员就不再介入，然而，在进行某些测试时以及在见证和观察试验结果时，我们的测试人员的介入非常重要。这些观察常常是测试结果解释工作的组成部分，实验结果能为设计项目提供指引。SGS已经在其他领域实施自动化。从试验的视角来看，这方面有两个实例，即SGS的c-SPI试验（连续半自磨机功指数试验）和MFI试验（自动化浮选试验）。”

 有机会设计更多试验

 令选冶实验室技术人员感到沮丧的问题之一是，实验室没有为了更好地服务客户而对现在使用的测试技术进行改进。

 Gartley表示，“就磨矿而言，我们在细磨作业中使用的许多测试方法基于100年前开发的技术，邦德功指数试验方法尤其如此。但是，我们可以应用新技术，试图寻找新的试验方法，从而能让我们提供与设备无关的数据，我们可以设计标准化的试验，这些试验可以用于各种测试设备，不仅仅是特定设备供应商提供的试验设备。现在，有各种供应商销售细磨设备，但是在选择设备规格时，没有一种标准的磨矿试验可以方便地应用于所有设备。这正是试验技术需要改进之处。”

 Steyn表示，“但是，这也让实验室有机会进行技术创新。实验室面临的挑战是，我们一直在进行各种重复性工作，但是现在矿业行业不强求对矿石样品进行标准化试验，而是希望你进行测试创新。我们在安大略省的汉密尔顿拥有一个小型实验室，这基本上是我们进行非标准化测试的实验室，该实验室不与提供大批量测试结果的测试公司竞争。因此，如果你遇到了一个独特的问题，或者你要进行的测试没有已经存在的测试方法，那么请让我们为你进行测试和解决你的问题。其他的挑战包括矿石品位下降的问题。我们已经消耗了许多矿产资源，其结果是，现在开采的矿石品位在下降。”

 Gartley表示，“实验室面临的另一项主要挑战是，矿业企业试图开采的矿物种类发生了变化。加拿大的选冶实验室正在致力于开发和优化清洁能源产业所需的这些金属的选矿工艺。这些关键矿物和蓄电池使用的矿物的种类非常多，其选矿工艺都是新开发的，选冶实验室正在进行各种不同的浸出试验。这些新金属领域的许多公司正在开发各种专有技术，并对这些技术实施严格保密。例如，现在大家都知道如何对铜矿石或金矿石进行选矿。这是一种非常标准化的工艺，大家都对基本流程非常熟悉，这种流程也已广为传播。关键矿物的选矿则更棘手。选矿工艺更复杂，选矿药剂具有独特性，在碳排放和水资源消耗方面面临挑战。几乎所有这些矿物的选矿工艺都是专有技术，没有在不同的选冶实验室分享，因此了解这些工艺和识别可优化的方面更加困难。这些不是共享的信息，我们没有都通过合作开发这些技术。在今后的研究中面临的重要问题之一是，我们如何既共享信息又对专有技术实施保密？”

 SGS实验室的Mackie也认为，“为了满足关键矿物开采企业的新需求，必须改革现有的实验技术。例如，在蓄电池工业中，需要高纯产品，这种需求正在促使选厂必须改进最终工艺溶液的除杂和提纯方法。另外，为了定量测定这些化合物内的超痕量杂质并能满足检出限的要求，我们也需要新的和常规的分析方法。”

 海量数据为人工智能提供机会

 对总部设立于加拿大温哥华的Process Mineral咨询公司的资深矿物学家Thomas Chudy来说，从采矿项目获得的海量数据将导致新技术的开发。他表示，“自动电子系统和电子显微镜的应用能让我们收集与矿石相关的海量定量数据。我们可以利用这些数据建立各种预测模型，预测在某一次试验中矿石的表现，诊断在矿山中发生的问题，研究为什么回收率可能下降或者矿石组分是否存在细微的变化。通过自动化，我们可以大幅提高分析速度和精确度。

 海量数据收集也为开发更多的机器学习技术提供了机会，可以利用这些数据为一系列不同矿石组成、矿物学特征和选矿参数的矿石建立各种预测模型。

 Chudy表示，“我们可以先建立浮选预测方法，用于预测某些矿物在浮选过程中的起浮速度。对于任何选矿工序，我们可以试图为特定的矿业项目建立一个预测模型，该模型将让我们能够预测矿石在该工序中的表现，我们可以利用这些数据优化该工序。当矿业企业或客户准备好了这些数据集时，我主动提出开展这项工作。我帮助他们为选矿厂矿石处理能力或浮选回收率建立预测模型。巨型数据集在建立这些系统的过程中非常有用，但是这些数据集也存在一个具体的问题。这些大型数据集的缺点是，存在分析的不确定性，样品分析结果的误差相当大。通常，我花费50%~60%的时间清洗数据集、剔除错误的分析结果和删除值得怀疑的数据。人工智能还不能靠自己清除有问题的数据。我认为，我们现在距离人工智能的这种能力还相差甚远。现在，需要大量的人员进行干预，这些干预很难训练人工智能完成。人工智能和机器学习最可能的应用是预测矿石对选矿工艺的响应，预测影响浮选回收率和氰化浸出率的矿石性质。你必须训练这些模型。对于某种特定类型的矿石，你必须拥有一个由多个不同测试项目的数据构成的数据库。但是，如果必须将这些数据合并至一个统一的数据集，该数据集应能够训练算法，以识别决定最佳回收率的关键参数。另外，也应该有可能为一种新的矿石类型收集类似的数据，建立一种新的算法，该算法将指出该矿石类型的最佳选矿工艺流程。”

 （中国地质调查局地学文献中心编译，张炜审校，陈秀法审核。文章来源：https://www.miningmagazine.com/innovation/news/1434348/automation-enables-labs%E2%80%99-esg-evolution/）