SIMULATION ET OPTIMISATION DES …...de l étape de lixiviation, l accessibilité des surfaces...
Transcript of SIMULATION ET OPTIMISATION DES …...de l étape de lixiviation, l accessibilité des surfaces...
STEVE BELLEC
SIMULATION ET OPTIMISATION DES
RHÉOGRAMMES D’USINES D’EXTRACTION DE
L’OR PAR CYANURATION
Thèse présentée à la Faculté des études supérieures et postdoctorales de l’Université Laval
dans le cadre du programme de doctorat en génie des matériaux et de la métallurgique
pour l’obtention du grade de Philosophiae Doctor (Ph.D.)
DÉPARTEMENT DE GÉNIE DES MINES, DE LA MÉTALLURGIE ET DES MATÉRIAUX
FACULTÉ DES SCIENCES ET DE GÉNIE
UNIVERSITÉ LAVAL QUÉBEC
2012
© Steve Bellec, 2012
Résumé
L’or, en raison de sa rareté et de ses nombreuses applications, est l’un des métaux les plus
convoités. Il est principalement recherché pour sa valeur monétaire élevée qui a d’autant
plus subi une hausse importante au cours des dernières années. Cette hausse de la valeur de
l’or a grandement contribué à modifier le visage des nouveaux projets aurifères mis de
l’avant en permettant à plusieurs compagnies d’exploiter des gisements à faibles teneurs ou
contenant des minerais difficiles à traiter. Une chute drastique du prix de l’or aurait un
impact important sur la rentabilité de ces nouveaux projets. L’une des façons de minimiser
ce risque est de cibler une optimisation économique des circuits de cyanuration.
Ce projet propose d’optimiser les circuits de cyanuration de l’or par simulation en basant
son raisonnement sur la caractérisation de l’accessibilité des surfaces d’or. Pour ce faire, on
caractérise cette accessibilité et on exploite ensuite l’information obtenue pour modéliser
les différentes étapes d’un circuit conventionnel d’extraction de l’or par cyanuration. Lors
de l’étape de broyage, les particules aurifères sont fragmentées pour libérer les surfaces
d’or. Étant donné la grande différence de densité entre l’or et la gangue, cette libération a
un impact considérable sur la classification gravimétrique des particules. Finalement, lors
de l’étape de lixiviation, l’accessibilité des surfaces facilite l’attaque de l’or par le cyanure
en présence d’oxygène et joue un rôle primordial sur l’optimisation du circuit.
Pour créer des modèles représentatifs, il est essentiel d’avoir en main des données
cohérentes et justes. Sans une bonne qualité de données, la calibration et même
l’identification de la structure d’un modèle peuvent être faussées. Dans le cas des minerais
aurifères, la nature intrinsèque du minerai et les difficultés associées à l’analyse des
concentrations en or dans les phases liquides et solides peuvent entraîner des mesures non
représentatives de la population globale à caractériser. La première étape de ce projet de
recherche consiste donc à explorer l’application de la réconciliation de données aux
procédés d’extraction de l’or. Ceci permet de rendre cohérentes les données issues de
campagnes industrielles d’échantillonnage et de créer des modèles représentatifs de
fragmentation, de classification et de lixiviation.
ii
La vitesse de cyanuration est fortement dépendante du degré de libération de l’or et par
conséquent de la taille des particules aurifères. Il est donc important d’identifier dans quelle
classe granulométrique se trouvent les grains d’or dans le minerai. Le premier modèle
proposé dans ce projet permet de caractériser la distribution de l’or dans les différentes
classes granulométriques ainsi que son accessibilité. Ceci est effectué en combinant un
modèle de libération cubique et un modèle de broyage qui fait intervenir des fonctions de
broyage et de sélection différentes pour les particules porteuses d’or et celles de gangue.
Le modèle proposé est calibré et validé sur une série d’essais de broyage effectués en
laboratoire.
La classification gravimétrique influence différemment le partage des particules mixtes,
d’or libre et de gangue entre la surverse et la sousverse d’hydrocyclones. Étant donné que
les particules mixtes et d’or libre ont des degrés d’accessibilité différents et, par
conséquent, des cinétiques de lixiviation différentes, la classification influence la
performance des circuits de cyanuration positionnés en aval d’hydrocyclones. On propose
donc de coupler le degré d’accessibilité, obtenu par le modèle de broyage, au modèle de
Plitt à l’aide de la densité des particules. En bref, selon que l’or est totalement libéré ou
attaché à une particule de minerai, son comportement en classification est différent
puisqu’il est influencé par la densité de la particule. Le modèle développé est ensuite
appliqué à des données industrielles. Pour ce faire, il est cependant nécessaire de faire
intervenir un second modèle puisqu’une cyanuration a lieu à l’intérieur des broyeurs de ce
circuit. Un modèle simplifié permettant de caractériser la lixiviation de l’or simultanément
à la fragmentation du minerai est donc proposé.
L’information relative au degré d’exposition des surfaces d’or alimente un modèle
phénoménologique de cyanuration. Le modèle intègre les concepts d’exposition et de
diffusion tout en tenant compte de la stœchiométrie de la réaction de dissolution de l’or et
de la consommation du cyanure par les cyanicides. Des essais en laboratoire sont utilisés
pour confirmer la prédominance de la réaction diffusionnelle dans le processus de
iii
cyanuration industriel. Ces essais sont également utilisés pour calibrer et valider le modèle
proposé.
L’ensemble des modèles développés est regroupé dans un simulateur d’usine couplant
l’accessibilité des surfaces d’or à sa dissolution. À cette fin, les modèles développés pour
des conditions discontinues sont adaptés à une application continue. Finalement, le
simulateur est utilisé pour étudier différents scénarios d’optimisation économique de
circuits de cyanuration. Les modèles développés et les résultats obtenus sont encourageants
et permettent de jeter les bases d’une approche reliant l’accessibilité des surfaces au
broyage, à la classification gravimétrique et à la cyanuration de l’or.
iv
Abstract
Gold, because of its rarity and its various applications is one of the most coveted metals. It
is mainly known for its high value that has significantly increased recently. This increase in
the value of gold contributed to change the face of new gold projects by allowing
companies to exploit low grade deposits or difficult ore to process. A drastic fall in the
price of gold would have a significant impact on the profitability of these new projects. One
way to minimize this risk is to focus on economic optimization of cyanidation circuits.
This project proposes to optimize gold cyanidation circuits with simulation based on the
characterization of gold surfaces accessibility. To do so, gold accessibility is characterized.
The information is then use to model the different stages of a conventional cyanidation gold
extraction circuit. During the grinding step, the gold particles are broken to liberate gold
surfaces. Given the high density difference between gold and the non-value minerals,
liberation has a significant impact on the gravimetric classification. Finally, during
leaching, the accessibility of surfaces facilitates the attack of gold by cyanide in presence of
oxygen. This latest link is used to optimize leaching circuits.
To create representative models, it is essential to have consistent data. With poor data
quality, calibration, and even model structure may be distorted. In the case of gold ores, the
intrinsic nature of the ore and the difficulties associated with gold concentration
measurements in the liquid and solid phases can lead to non-representative data sets of the
ore to characterize. Therefore, the first step of this research project is to explore the data
reconciliation application to gold extraction processes measurements. This corrects data
from industrial sampling campaigns and allows creating representative models of
fragmentation, classification and leaching.
Cyanidation kinetic is highly dependent of the degree of gold liberation and consequently is
dependant on ore particle size. It is therefore important to identify in which ore size class
the gold grains are. The first model proposed in this project characterizes the distribution of
gold in different size classes as well as its accessibility. This is done by combining a cubic
liberation model and a grinding model that uses different breakage and selection functions
v
for mixed and non-value particles. The proposed model is calibrated and validated on a
series of laboratory grinding tests.
The gravimetric classification influences differently mixed particles, free gold and free non-
value particles partition to the overflow and underflow of hydrocyclones. Liberated gold
grains and gold attached to mixed particle have different classification behavior because
they are influenced by the density of the particle. Furthermore, mixed particles and
liberated gold grains have different degrees of accessibility and different leaching kinetics.
Consequently, classification as an influence on cyanidation circuits performances
positioned downstream of hydrocyclones. It is therefore proposed to link the information on
the degree of gold accessibility obtained by the grinding model to Plitt’s classification
model by using particle density. The model is then applied to industrial data. To do so, it is
however necessary to introduce a second model since cyanidation takes place inside the
mills of this grinding circuit. A simplified model for characterizing the gold leaching
simultaneously with the fragmentation of the ore is proposed.
Information on the exposure of gold surfaces feed a phenomenological model of
cyanidation. The model incorporates the concepts of exposure and diffusion while taking
into account the stoichiometry of gold dissolution reaction and cyanide consumption by
cyanicides. Laboratory tests are used to confirm that the reaction rate is limited by diffusion
in the industrial cyanidation process. These tests are also used to calibrate and validate the
proposed model.
All the models developed are grouped in a simulator combining the degree of gold surface
accessibility to gold dissolution. To this end, the models developed for batch conditions are
adapted for continuous application. Finally, the simulator is used to study different
scenarios of cyanidation circuit economic optimization. The models developed and the
results obtained lay the foundations to integrate liberation to grinding, gravity classification
and cyanidation of gold.
À Catherine sans qui je n’y aurais plus cru. Merci de m’avoir permis d’y mettre le temps et l’énergie nécessaire.
À Élizabeth qui, sans le savoir, est une inspiration. Merci d’être!
Table des matières
Résumé..................................................................................................................................... i
Abstract .................................................................................................................................. iv Table des matières................................................................................................................. vii Liste des sigles et des abréviations ........................................................................................ xi
Liste des tableaux................................................................................................................xxiii Liste des figures ..................................................................................................................xxvi
Chapitre 1 : Introduction .........................................................................................................1 1.1 Étapes permettant l’extraction de l’or d’un minerai par cyanuration ...........................2 1.2 Objectifs du projet de recherche ...................................................................................3
1.3 Contribution scientifique de la thèse.............................................................................6 1.4 Contenu de la thèse .......................................................................................................7
Chapitre 2 : Revue de la littérature .........................................................................................9 2.1 Libération et fragmentation...........................................................................................9
2.1.1 Modèles de fragmentation.................................................................................10
2.1.2 Modèles de libération........................................................................................14 2.2 Cyanuration de l’or .....................................................................................................19
2.2.1 Étapes d’une réaction hétérogène .....................................................................20 2.2.2 Modèles électrochimiques et empiriques de cyanuration .................................22 2.2.3 Modèles de cyanuration basés sur l’accessibilité des surfaces d’or .................27
2.3 Réconciliation de données en régime permanent........................................................28 Chapitre 3 : Réconciliation multilinéaire - Application à un circuit de fragmentation ........33
3.1 Caractérisation multilinéaire d’un flux de matière .....................................................34
3.2 Description du procédé et des données recueillies......................................................35 3.3 Formulation des contraintes et des équations d’observation ......................................40
3.3.1 Conservation massique de la phase liquide ......................................................41 3.3.2 Conservation massique des classes granulométriques ......................................42 3.3.3 Conservation massique du minerai ...................................................................42
3.3.4 Conservation massique des espèces non lixiviables .........................................43 3.3.5 Conservation massique des espèces lixiviables ................................................43
3.3.6 Conservation massique des réactifs en phase liquide .......................................45 3.3.7 Contraintes additionnelles.................................................................................45 3.3.8 Équations d’observation....................................................................................46
3.3.9 Observabilité des états et redondance des données...........................................47 3.4 Résultats et discussions ...............................................................................................48
3.4.1 Étude du comportement des hydrocyclones .....................................................49 3.4.2 Étude du comportement des broyeurs ...............................................................57 3.4.3 Validation des résultats et fiabilité des mesures ...............................................60
3.5 Conclusions .................................................................................................................68 Chapitre 4 : Modélisation de la fragmentation d’un minerai et de la libération des surfaces -
Application au broyage discontinu d’un minerai d’or ..........................................................69 4.1 Rôle des surfaces accessibles sur la cyanuration de l’or.............................................70 4.2 Hypothèses des modèles de libération et de fragmentation ........................................71
4.3 Modèle de libération cubique......................................................................................73
viii
4.3.1 Proportion d’or inaccessible..............................................................................74 4.3.2 Proportion d’or accessible par les pores ...........................................................75 4.3.3 Proportion d’or émergeant d’une particule mixte .............................................76
4.3.4 Proportion d’or libre..........................................................................................78 4.3.5 Effets de la dimension des particules de minerai et des grains d’or sur la
libération des surfaces ...................................................................................................79 4.3.6 Étude de l’applicabilité du modèle de libération cubique et comparaison avec un modèle basé sur une tesselation de Voronoï ............................................................82
4.4 Modèle de fragmentation ............................................................................................84 4.4.1 Fonctions de broyage et de sélection ................................................................85
4.4.2 Équations de bilans massiques ..........................................................................89 4.5 Caractérisation des surfaces d’or d’un échantillon .....................................................97 4.6 Application du modèle à des essais de broyage discontinu ......................................103
4.6.1 Paramètres du modèle .....................................................................................105 4.6.2 Utilisation du modèle paramétré en prédiction ...............................................110
4.7 Comparaison de la caractérisation d’un échantillon à l’aide de la méthode décrite à la section 4.5 et la caractérisation obtenue par simulations ................................................112 4.8 Conclusions ...............................................................................................................115
Chapitre 5 : Identification de l’étape limitant la réaction de cyanuration en milieu hétérogène agité ..................................................................................................................117
5.1 Connaissances théoriques permettant d’identifier l’étape limitant la réaction .........117 5.2 Description des essais de cyanuration en milieu hétérogène agité ...........................120
5.2.1 Conditions expérimentales recherchées ..........................................................120
5.2.2 Mise à l’échelle des conditions expérimentales ..............................................122 5.2.3 Plan d’expériences des essais de cyanuration .................................................127
5.3 Résultats des essais de cyanuration et analyse préliminaire .....................................129
5.3.1 Résultats expérimentaux des essais de cyanuration ........................................129 5.3.2 Modélisation empirique de la cyanuration......................................................140
5.3.3 Analyse préliminaire des tests de cyanuration ................................................148 Chapitre 6 : Modélisation de la cinétique de dissolution de l’or - Application à la cyanuration discontinue d’un minerai d’or .........................................................................155
6.1 Modèle cinétique diffusionnel ..................................................................................156 6.1.1 Modèle diffusionnel appliqué aux grains d’or totalement libérés ..................160
6.1.2 Modèle diffusionnel appliqué aux grains d’or partiellement libéré ................161 6.1.3 Modèle diffusionnel appliqué aux grains d’or accessibles par les pores du minerai ........................................................................................................................164
6.1.4 Grains d’or inaccessibles ................................................................................168 6.2 Modèle empirique de consommation du cyanure .....................................................168
6.3 Application à des essais discontinus de cyanuration ................................................170 6.3.1 Calibration à partir des concentrations d’entrée estimées à l’aide du modèle empirique et validation du modèle..............................................................................171
6.3.2 Calibration simultanée du modèle et des granulochimies d’entrée ................178 6.3.3 Comparaison des résultats obtenus par les différentes méthodes ...................181
6.3.4 Relation entre l’épaisseur de la couche de Nernst et la vitesse d’agitation du milieu hétérogène ........................................................................................................183
ix
Chapitre 7 : Modélisation de la classification des particules – Application à un circuit de broyage avec cyanuration....................................................................................................185
7.1 Modélisation en boucle ouverte ................................................................................186
7.2 Modélisation en boucle fermée .................................................................................190 7.3 Calibration du modèle de classification à l’aide de données industrielles ................192
7.3.1 Hypothèses et algorithme................................................................................193 7.3.2 Résultats et discussion ....................................................................................198
Chapitre 8 : Conception d’un simulateur statique d’usine d’extraction de l’or par
cyanuration..........................................................................................................................206 8.1 Traitement de l’information nécessaire à la simulation statique ..............................206
8.1.1 Vecteur d’informations ...................................................................................207 8.1.2 Création du vecteur d’informations à l’aide des données relatives à un flux d’entrée........................................................................................................................209
8.2 Équations continues de fonctionnement ...................................................................213 8.2.1 Point de jonction .............................................................................................214
8.2.2 Diviseur ...........................................................................................................214 8.2.3 Hydrocyclones ................................................................................................216 8.2.4 Broyeur............................................................................................................219
8.2.5 Épaississeur .....................................................................................................223 8.2.6 Cuve de lixiviation ..........................................................................................225
8.3 Fenêtres de saisie de l’information et interactions entre-elles ..................................235 Chapitre 9 : Impact de différents rhéogrammes sur la cyanuration de l’or ........................244
9.1 Caractéristiques communes à l’ensemble des simulations .......................................245
9.2 Cas de base................................................................................................................246 9.2.1 Résultats de la simulation ...............................................................................248 9.2.2 Comparaison entre les résultats de la simulation et les mesures du circuit de
cyanuration de Géant Dormant ...................................................................................249 9.3 Partage optimal du cyanure entre les cuves d’un circuit de cyanuration en série .....250
9.3.1 Définition du problème d’optimisation...........................................................251 9.3.2 Algorithme utilisé pour optimiser les scénarios..............................................252 9.3.3 Résultats et discussion ....................................................................................254
9.4 Effet d’une recirculation du cyanure sur la dissolution de l’or .................................256 9.4.1 Contraintes du problème et variables manipulables .......................................257
9.4.2 Algorithme ......................................................................................................258 9.4.3 Résultats et discussion ....................................................................................260
9.5 Optimisation de la dissolution de l’or dans un circuit de cyanuration à deux
branches parallèles ..........................................................................................................263 9.5.1 Définition du problème d’optimisation...........................................................264
9.5.2 Algorithme d’optimisation ..............................................................................265 9.5.3 Résultats et discussions ...................................................................................267
9.6 Optimisation de la dissolution de l’or dans un circuit de cyanuration pour des cuves
en parallèle ......................................................................................................................270 9.6.1 Définition du problème d’optimisation...........................................................270
9.6.2 Algorithme d’optimisation ..............................................................................272 9.6.3 Résultats et discussions ...................................................................................274
x
9.7 Effet de la distribution de la taille des grains d’or sur l’optimisation des rhéogrammes de cyanuration .................................................................................................................277
9.7.1 Distributions de grain d’or ..............................................................................278
9.7.2 Résultats et discussions ...................................................................................279 Chapitre 10 : Conclusions et recommandations..................................................................289
10.1 Conclusions .............................................................................................................289 10.1.1 Contributions scientifiques .........................................................................289 10.1.2 Limites des modèles et méthodes proposés ................................................291
10.2 Recommandations ...................................................................................................293 10.2.1 Amélioration de la méthode de réconciliation ............................................293
10.2.2 Améliorations potentielles aux modèles proposés ......................................294 10.2.3 Améliorations potentielles aux expériences................................................296
Bibliographie.......................................................................................................................299
Annexe I : Rhéogramme de l’usine de traitement du minerai de Géant Dormant ..............308 Annexe II : Mesures brutes et réconciliées au circuit de broyage de Géant Dormant ........309
Annexe III : Analyses du degré de libération des grains d’or .............................................315 Annexe IV : Résultats bruts des tests de broyage discontinu .............................................321 Annexe V : Plan d’expériences présenté à COREM ..........................................................322
Annexe VI : Résultats des essais discontinus de cyanuration.............................................324 Annexe VII : Résultats des simulations discontinus de lixiviation à l’aide d’un modèle
empirique d’ordre α.............................................................................................................335 Annexe VIII : Résultats des essais de traceurs au lithium ..................................................336 Annexe IX : Classes granulométriques du simulateur ........................................................337
Liste des sigles et des abréviations
,
LAu
Concentration en or dans la phase liquide pour l’expérience de cyanuration
effectuée à une vitesse d’agitation de ω et sur une durée θ
,
,( )
L mAu t
Mesure de la concentration en or dans la phase liquide, au temps t pour
l’expérience de cyanuration effectuée à une vitesse d’agitation de ω et sur
une durée θ
[Au]S: Concentration en or de la phase solide
[Au]S,: Concentration en or de la phase solide après un temps de lixiviation infini
pd
sAu : Concentration en or de la classe granulométrique dp pour l’échantillon mère
des essais de cyanuration
,
pd
S mAu Mesure de la concentration en or de la classe granulométrique dp pour
l’échantillon mère des essais de cyanuration
,
pd
sAu
: Concentration en or de la classe granulométrique dp après un temps de
lixiviation infini
, ,pd
sAu
: Concentration en or dans la classe granulométrique dp lors des expériences
de cyanuration effectuées à une vitesse d’agitation ω et d’une durée θ
, ,
,
pd
S mAu
Mesure de la concentration en or dans la classe granulométrique dp lors des
expériences de cyanuration effectuées à une vitesse d’agitation ω et d’une
durée θ
,s
Au
: Concentration en or maximale atteinte dans une classe granulométrique
après un temps de lixiviation infini
A : Constante associée à la géométrie d’un montage expérimental
AA : Surface associée à la réaction anodique
AAu : Surface d’or disponible pour une réaction de dissolution
( )LAuA t : Surface totale d’or entièrement libéré à l’instant t
xii
AC : Surface associée à la réaction cathodique
,
G
i jb : Fonction de broyage associée à la fragmentation d’une particule de gangue
appartenant à la classe granulométrique j et réduite à la taille i
,
M
i jb : Fonction de broyage associée à la fragmentation d’une particule mixte
appartenant à la classe granulométrique j et réduite à la taille i
,
G
i jB : Fonction de broyage cumulée associée à la fragmentation d’une particule de
gangue appartenant à la classe granulométrique j et réduite à la taille i
,
M
i jB : Fonction de broyage cumulée associée à la fragmentation d’une particule
mixte appartenant à la classe granulométrique j et réduite à la taille i
[CN] : Concentration massique de cyanure libre dans la phase liquide
[CN]M : Concentration molaire de cyanure libre dans la phase liquide
,
( )CN t
: Concentration en cyanure libre présente au temps t pour l’expérience se
déroulant à la vitesse d’agitation ω sur une durée θ
,
( )m
CN t
: Mesure de la concentration en cyanure libre présente au temps t pour
l’expérience se déroulant à la vitesse d’agitation ω sur une durée θ
[Cu]S: Concentration en cuivre de la phase solide
ci,j : Composition de matière j appartenant au flux i
^
,i jc : Valeurs filtrées ou estimées de la composition matérielle j appartenant au
flux i
C : Matrice générique reliant les variables d’état aux mesures
CF : Matrice reliant les débits mesurés aux variables d’état
C% : Matrice reliant les proportions de solide mesurées dans la pulpe aux
variables d’état
l
iC : Matrice reliant la composition chimique liquide i mesurée aux variables
d’état
,
o
j iC : Matrice reliant la composition chimique solide i mesurée dans la classe
granulométrique j aux variables d’état
xiii
o
jC : Matrice reliant la granulométrie du minerai de dimension j aux variables
d’état
d : Diamètre d’une conduite
d’50 : Diamètre d’équicoupure corrigé
50'Aud : Diamètre d’équicoupure d’une particule d’or libre
50'Gd : Diamètre d’équicoupure d’une particule de gangue libre
,
50' i kMd : Diamètre d’équicoupure d’une particule mixte de taille granulométrique i et
portant un grain d’or de dimension k
dg : Dimension d’un côté d’une particule cubique d’or
dopt : Dimension de particules pour laquelle la fonction de sélection atteint sa
valeur maximale
dp : Dimension d’un côté d’une particule cubique de minerai
ds : Diamètre d’une particule que l’on veut garder en suspension
D : Diamètre d’un agitateur
Da : Diamètre de la buse d’alimentation d’un hydrocyclone
Dc : Diamètre d’un hydrocyclone
Di : Débit massique du flux i
^
iD : Valeurs filtrées et estimées pour le débit massique du flux i
l
AuD : Débit massique d’or en phase liquide
l
CND : Débit massique de cyanure libre en phase liquide
2
l
OD : Débit massique d’oxygène dissout en phase liquide
Do : Diamètre de la buse de surverse d’un hydrocyclone
,
o
Au iD : Débit d’or dans chaque classe granulométrique i
, ,L
o
Au i jD : Débit d’or libre de dimension j appartenant à la classe granulométrique i
,L
N
Au kD : Débit de grains d’or libre de dimension k
, ,M
o
Au i jD : Débit d’or de dimension j associé aux particules mixtes de dimension i
xiv
1 , ,P
o
Au i jD : Débit d’or de dimension j associé à une particule mixte de dimension i qui
est accessible à une attaque chimique par les pores du minerai sur une
distance inférieure à 1 micron
2 , ,P
o
Au i jD : Débit d’or de dimension j associé à une particule mixte de dimension i qui
est accessible à une attaque chimique par les pores du minerai sur une
distance comprise entre 1 et 5 microns
3 , ,P
o
Au i jD : Débit d’or de dimension j associé à une particule mixte de dimension i qui
est accessible à une attaque chimique par les pores du minerai sur une
distance comprise entre 5 et 10 microns
, ,S
o
Au i jD : Débit d’or de dimension j associé à une particule mixte de dimension i qui
est situé à la surface de la particule de minerai
, ,
o
Au i jD
: Débit d’or de dimension j associé à une particule mixte de dimension i qui
est inaccessible à une attaque chimique
o
iD : Débit de minerai appartenant à la classe granulométrique i
,L
o
G iD : Débit de gangue libre dans chaque classe granulométrique i
, ,M
o
G i jD : Débit de gangue associée aux particules mixtes de dimension i contenant
une particule d’or de dimension j
,i j
o
MD : Débit de particules mixtes de dimension i contenant une particule d’or de
dimension j
Du : Diamètre de la buse de sousverse d’un hydrocyclone
DVP : Débit volumique de pulpe
e : Erreur de mesure
f : Système d’équations de conservation de la matière
g : Constante gravitationnelle
G : Système d’équations d’observations
h : Hauteur de travail d’un hydrocyclone
H : Pression d’entrée d’un hydrocyclone
( )M
i z : Concentration molaire de l’élément chimique i à la position z
xv
kdp,ω : Constante cinétique de dissolution de l’or associée à la classe
granulométrique dp et à une vitesse d’agitation ω
K : Paramètre de la fonction de broyage cumulée
1CK : Paramètre du modèle empirique de consommation du cyanure
2CK : Paramètre du modèle empirique de consommation du cyanure
11CK : Paramètre du modèle empirique de consommation du cyanure
22CK : Paramètre du modèle empirique de consommation du cyanure
Kd : Paramètre du modèle empirique de consommation du cyanure
1PK : Première constante du modèle de Plitt
2PK : Deuxième constante du modèle de Plitt
3PK : Troisième constante du modèle de Plitt
%
iL : % massique de liquide associé au flux
m : Acuité de séparation
mAu(t) : Masse d’or présente dans un lot au temps t
( )LAum t : Masse d’or libre présente dans un lot au temps t
( )LiqAum t : Masse d’or dans la phase liquide au temps t
( )SAum t : Masse d’or accessible en surface du minerai présente dans un lot au temps t
1Bm : Paramètre permettant de faire le lien entre la fonction de broyage cumulée
des particules mixtes et celle de la gangue
2Bm : Paramètre permettant de faire le lien entre la fonction de broyage cumulée
des particules mixtes et celle de la gangue
mCN(t) : Masse de cyanure libre en solution au temps t
mliq : Masse de liquide
Sm : Paramètre permettant de faire le lien entre la fonction de sélection des
particules mixtes et celle de la gangue
msol : Masse de solide
M : Matrice d’incidence
MAu : Masse molaire de l’or
xvi
Ml : Matrice d’incidence pour la conservation massique de la phase liquide
ML : Matrice d'incidence pour laquelle il y a lixiviation à tous les noeuds
Mo : Matrice d'incidence pour laquelle la masse de minerai est conservée, mais où
les classes granulométriques ne le sont pas
k
AuM : Masse d’or de dimension k
G
iM : Masse de gangue de dimension i
,i k
MM : Masse de particules mixtes de dimension j contenant un grain d’or de taille k
o
UM : Matrice d’incidence pour les espèces lixiviables non dissoutes et où la masse
de particules associée à une classe granulométrique n’est pas conservée
Mp : Matrice d'incidence pour la conservation massique des particules
appartenant à une classe granulométrique
p
UM : Matrice d’incidence pour les espèces lixiviables non dissoutes et où la masse
de particules associée à une classe granulométrique est conservée
Mr : Matrice d’incidence du réseau de conservation massique des réactifs
chimiques présents en phase liquide
n1 : Paramètre de la fonction de broyage cumulée
n2 : Paramètre de la fonction de broyage cumulée
,LAu kn : Proportion, en nombre, de grains d’or libre appartenant à la classe k
ni : Nombre de classe granulométrique discrète pour le minerai
nk : Nombre de classe granulométrique discrète pour l’or
np : Nombre de classes de composition permettant de caractériser un minerai
binaire
nx : Nombre de mesures de la variable x
NL : Nombre de grains d’or entièrement libérés présents dans un lot de minerai
NAu : Nombre de moles d’or présent sous forme solide
PAuN : Nombre de moles d’or accessible par les pores présent sous forme solide
SLN : Rotation minimale d’un agitateur permettant la suspension de particules
dans un mélange hétérogène solide-liquide
xvii
SLGN : Rotation minimale d’un agitateur permettant la suspension de particules
dans un mélange hétérogène triphasique
NRe : Nombre de Reynolds
[O2] : Concentration massique d’oxygène dissout
[O2]M : Concentration molaire d’oxygène dissout
Pi : Probabilité d’occurrence des évènements de la famille i
aAuP : Proportion d’or accessible par une arête du cube de minerai
cAuP : Proportion d’or accessible par un coin du cube de minerai
EAuP : Proportion d’or encapsulé dans une particule mixte
fAuP : Proportion d’or accessible par une face du cube de minerai
PAuP : Proportion d’or encapsulé, mais accessible par les pores
LAuP : Proportion d’or totalement libéré
SAuP : Proportion d’or émergent du cube de minerai
AuP
: Proportion d’or encapsulé dans une particule mixte et inaccessible à une
attaque chimique
LP : Matrice des probabilités associées à la libération d’un grain
,i kLP : Proportion d’or de dimension k libéré par une fragmentation vers une taille
de minerai i
iMP : Proportion de particules mixtes dans la classe i
,or LP : Proportion de particules d’or libre dans l’ensemble des particules de
l’échantillon
QG : Pression de gaz par unité de surface
QVG : Débit volumique de gaz alimenté à une cuve de cyanuration exprimé par
unité de volume de matière dans la cuve
r : Efficacité de l’oxygène lors de la réaction cathodique
RD : Ratio de partage d’un diviseur
xviii
Rf : Soutirage d’eau
Rp : Partage de pulpe entre la sousverse et la surverse d’un hydrocyclone
RS : Proportion volumique de matière solide se retrouvant à la sousverse de
l’hydrocyclone
Rv : Fraction volumique de pulpe récupérée à la sousverse
[S]S : Concentration en soufre de la phase solide
%
iS : % de solide massique associé au flux
G
iS : Fonction de sélection d’une particule de gangue appartenant à la classe
granulométrique i
M
iS : Fonction de sélection d’une particule mixte appartenant à la classe
granulométrique i
Smax : Valeur maximale prise par la fonction de sélection
Smin : Valeur minimale prise par la fonction de sélection
Sx : Écart-type associé aux mesures de la variable x
T : Diamètre d’une cuve de cyanuration
texp : Variable de Student expérimentale
it : Teneur de la ie classe de minerai
,i kMt : Teneur d’une particule mixte de dimension i portant un grain d’or de
dimension k
ttheo : Variable de Student théorique
tott : Teneur de tête du minerai
vAu : Vitesse de dissolution de l’or exprimée en moles par unité de surface et de
temps
pAuv : Vitesse de dissolution de l’or accessible par les pores exprimée en moles par
unité de surface et de temps
vk : Vitesse de changement entre les classes de dimension
V : Variance des mesures
VB : Volume utile d’un broyeur
VC : Volume utile d’une cuve de lixiviation
xix
kAuw : Proportion massique d’or de dimension k
Wi : Flux molaire surfacique du composé i
x : Moyenne des mesures de la variable x
l
kx : Débit de liquide associé au flux k
,
,
l L
k ix : Concentration de l’espèce lixiviable i présent dans la phase liquide du flux k
,
,
l R
k ix : Concentration de réactif i présent dans la phase liquide du flux k
LAu
kx : Proportion des particules de minerai qui sont des grains d’or libre de
dimension k
G
ix : Proportion des particules de minerai qui sont de la gangue libre de
dimension i
,i k
Mx : Proportion des particules de minerai qui sont des mixtes de dimension j
contenant un grain d’or de taille k
o
kx : Débit de minerai associé au flux k
,
o
k jx : Proportion de particules de classe granulométrique j associée au flux k
,
, ,
o L
k j ix : Concentration de l’espèce lixiviable i présente dans la classe
granulométrique j associée au flux k
,
, ,
o U
k j ix : Concentration de l’espèce non lixiviable i présente dans la classe
granulométrique j associée au flux k
X : Vecteur des variables d’état
^
X : Valeurs filtrées et estimées des variables d’état
lX : Vecteur des débits de liquide
,l L
iX : Vecteur des concentrations de l’espèce lixiviable i en phase liquide
,l R
iX : Vecteur des concentrations de réactif i en phase liquide
oX : Vecteur des débits de minerai
o
jX : Vecteur des proportions de particules de la classe granulométrique j
xx
,
,
o L
j iX : Vecteur des concentrations de l’espèce lixiviable i associée aux particules de
la classe granulométrique j
,
,
o U
j iX : Vecteur des concentrations de l’espèce non lixiviable i associée aux
particules de la classe granulométrique j
yi : Concentration en or dans la classe granulométrique i de la matrice mère
Y : Vecteur des mesures
'
iY : Proportion corrigée de particules de dimension i se retrouvant à la sousverse
d’un hydrocyclone
iRY : Proportion réelle de particules de dimension i se retrouvant à la sousverse
d’un hydrocyclone
Au
RY : Proportion d’or libre se retrouvant à la sousverse d’un hydrocyclone
G
RY : Proportion de gangue libre se retrouvant à la sousverse d’un hydrocyclone
,i kM
RY : Proportion de particules mixtes de classe granulométrique i contenant un
grain d’or de dimension k qui se retrouvent à la sousverse d’un
hydrocyclone
z : Position, en hauteur, de l’agitateur. Le point de référence est le fond de la
cuve de cyanuration
Zi,j : Combinaison de variables d’état associé au flux j et permettant la
linéarisation en deux dimensions des équations de conservation massique
α : Ordre de la réaction empirique de dissolution de l’or
α1 : Paramètre du modèle empirique de consommation du cyanure
α2 : Paramètre du modèle empirique de consommation du cyanure
: Paramètre de la fonction de sélection
1 : Paramètre du modèle empirique de consommation du cyanure
2 : Paramètre du modèle empirique de consommation du cyanure
i : Diffusivité du composé chimique i
P : Pression d’opération d’un hydrocyclone
xxi
: Différence de densité entre une particule que l’on veut garder en suspension
et la phase liquide
M
i : Gradient de concentration molaire pour l’élément chimique i
1 : Paramètre du modèle empirique de consommation du cyanure
2 : Paramètre du modèle empirique de consommation du cyanure
dg : Moyenne de la taille des grains d’or
L : Viscocité de la phase liquide
SAu : Vitesse massique de dissoultion de l’or exposée en surface du minerai
LAu : Vitesse massique de dissoultion de l’or libre
PAu : Vitesse massique de dissoultion de l’or accessible par les pores
( )CN pd : Vitesse massique de consommation du cyanure associée à la classe
granulométrique (dp), exprimée par unité de masse de liquide
ω : Vitesse de rotation d’un agitateur
,k j : Proportion de particules d’or entrant dans un réacteur à une taille k et
quittant à une taille j
: % solide volumique
i : Flux molaire de l’élément chimique i
Au : Densité de l’or
e : Densité de l’eau
G : Densité de la gangue
L : Densité de la phase liquide
m : Densité d’un mélange hétérogène
,
M
i k : Densité d’une particule mixte de taille i portant un grain d’or de dimension k
p : Densité de la pulpe
S : Densité du solide
0 : Épaisseur de la couche de Nernst
xxii
1(t) : Distance supplémentaire à parcourir par les réactifs causée de l’avancement
de la réaction de lixiviation
dg : Écart-type de la taille des grains d’or
p : Distance seuil au-delà de laquelle l’or inclus dans une particule de minerai
n’est plus accessible à une attaque chimique
θ1 : Paramètre du modèle empirique de consommation du cyanure
θ2 : Paramètre du modèle empirique de consommation du cyanure
θ3 : Paramètre du modèle empirique de consommation du cyanure
θG : Temps pour effectuer l’ensemble des étapes caractérisant la réaction de
cyanuration de l’or
θi : Temps pour effectuer la ie étape de la réaction de cyanuration de l’or
iR : Production massique de gangue libre dans la classe i suite à une
fragmentation associée à la famille événementielle R
: Facteur permettant de relier la diffusivité des réactifs dans les pores à leur
diffusivité libre
: Constante cinétique de dissolution de l’or libre à l’intérieur d’un broyeur,
valeur exprimée par unité de surface d’or exposé
xxiii
Liste des tableaux
TABLEAU 3.1 : ANALYSE MODALE DU MINERAI DE GÉANT DORMANT...................................36
TABLEAU 3.2 : LES CARACTÉRISTIQUES DE DIFFÉRENTS ÉQUIPEMENTS FACE AUX
CONTRAINTES DE CONSERVATION DE LA MATIÈRE EN RÉGIME PERMANENT ...................40
TABLEAU 4.1 : COMPARAISON DU DEGRÉ DE LIBÉRATION DES GRAINS D’OR – DONNÉES
EXPÉRIMENTALES, RÉSULTATS DE SIMULATIONS PAR TESSELATION ET APPLICATION DU
MODÈLE GÉOMÉTRIQUE CUBIQUE ...................................................................................83 TABLEAU 4.2 : RÉSULTATS DE LA PREMIÈRE ÉTAPE DE RÉCONCILIATION DES TESTS DE
BROYAGE DISCONTINU .................................................................................................104
TABLEAU 4.3 : RÉSULTATS DE LA DEUXIÈME ÉTAPE DE RÉCONCILIATION DES TESTS DE
BROYAGE - CONCENTRATIONS EN PPM..........................................................................104
TABLEAU 4.4 : PARAMÈTRES DU MODÈLE DE FRAGMENTATION ...........................................106 TABLEAU 4.5 : GRANULOMÉTRIES EXPÉRIMENTALES ET GRANULOMÉTRIES ISSUES DU
MODÈLE .......................................................................................................................106
TABLEAU 4.6 : GRANULOCHIMIES EXPÉRIMENTALES ET GRANULOCHIMIES ISSUES DU MODÈLE
.....................................................................................................................................106
TABLEAU 4.7 : DONNÉES EXPÉRIMENTALES ET VALEURS PRÉDITES POUR LE TEST DE 55
MINUTES.......................................................................................................................111 TABLEAU 4.8 : PROPORTION D’OR LIBRE PRÉSENT DANS CHAQUE CLASSE GRANULOMÉTRIQUE
À LA FIN DE CHACUN DES ESSAIS DE BROYAGE .............................................................113 TABLEAU 4.9 : PROPORTION D’OR ENCAPSULÉ ET INACCESSIBLE À UNE ATTAQUE CHIMIQUE À
LA FIN DE CHACUN DES ESSAIS DE BROYAGE (P 10 MICRONS) .....................................114
TABLEAU 4.10 : PROPORTION D’OR ÉMERGEANT À LA FIN DE CHACUN DES ESSAIS DE
BROYAGE .....................................................................................................................114
TABLEAU 4.11 : PROPORTION D’OR ACCESSIBLE PAR LES PORES DU MINERAI (P 10 MICRONS).....................................................................................................................................114
TABLEAU 4.12 : TENEURS DES ZONES UNIDIMENSIONNELLES (YI)........................................115
TABLEAU 5.1 : PARAMÈTRES FIXES DES CUVES INDUSTRIELLES ET DE LABORATOIRE ..........123 TABLEAU 5.2 : COMPARAISON ENTRE LA GRANULOMÉTRIE DU TEST D’UNE HEURE À 1650
RPM ET CELLES DES AUTRES TESTS .............................................................................130
TABLEAU 5.3 : TEST STATISTIQUE COMPARANT LA GRANULOMÉTRIE DES EXPÉRIENCES .....131 TABLEAU 5.4 : CONCENTRATIONS DE CYANURE LIBRE MESURÉES (EN PPM) POUR LES DOUZE
ESSAIS ..........................................................................................................................131 TABLEAU 5.5 : TEST D’ÉGALITÉ COMPARANT LA CONCENTRATION MOYENNE EN CYANURE
LIBRE DE CHACUNE DES EXPÉRIENCES AUX CONCENTRATIONS MOYENNES DES ONZE
AUTRES ESSAIS .............................................................................................................132 TABLEAU 5.6 : CONCENTRATIONS D’OXYGÈNE DISSOUT MESURÉES (EN PPM) LORS DES ESSAIS
.....................................................................................................................................133 TABLEAU 5.7 : TEST D’ÉGALITÉ COMPARANT LA CONCENTRATION MOYENNE EN OXYGÈNE
DISSOUT DE CHACUNE DES EXPÉRIENCES AUX CONCENTRATIONS MOYENNES DES ONZE
AUTRES ESSAIS .............................................................................................................133
xxiv
TABLEAU 5.8 : TEST D’ÉGALITÉ SUR LES CONCENTRATIONS EN OXYGÈNE DES ONZE PREMIERS
ESSAIS ..........................................................................................................................134 TABLEAU 5.9 : PH MESURÉS LORS DES ESSAIS DE CYANURATION.........................................136
TABLEAU 5.10 : TEST D’HYPOTHÈSE SUR LE PH MOYEN DES SOLUTIONS .............................136 TABLEAU 5.11 : PARAMÈTRES DU MODÈLE EMPIRIQUE DE DISSOLUTION DE L’OR................145
TABLEAU 5.12 : ESTIMÉS DES GRANULOCHIMIES (PPM) ALIMENTÉES AUX CUVES................145 TABLEAU 5.13 : PARAMÈTRES ET INCERTITUDES DU MODÈLE LINÉAIRE CARACTÉRISANT LA
CONSTANTE CINÉTIQUE DE DISSOLUTION DE L’OR ........................................................153
TABLEAU 6.1 : VALEURS NUMÉRIQUES OBTENUES LORS DE LA CALIBRATIONS EN SUPPOSANT
QUE LES GRANULOCHIMIES D’ENTRÉE DES ONZE PREMIÈRES EXPÉRIENCES SONT
CONNUES......................................................................................................................174 TABLEAU 6.2 : RÉSULTATS DE LA CALIBRATION SIMULTANÉE DES MODÈLES ET DES
GRANULOCHIMIES ........................................................................................................180 TABLEAU 6.3 : ESTIMATIONS DES GRANULOCHIMIES D’ENTRÉE POUR LES DOUZE
EXPÉRIENCES DE LIXIVIATION. RÉSULTATS OBTENUS SIMULTANÉMENT À LA
CALIBRATION DES MODÈLES CINÉTIQUES .....................................................................181 TABLEAU 6.4 : ERREURS RELATIVES ABSOLUES (%) SUR LES RÉSULTATS DE CALIBRATION DES
PARAMÈTRES OBTENUS PAR DEUX APPROCHES DIFFÉRENTES .......................................182 TABLEAU 6.5 : ERREURS RELATIVES ABSOLUES (%) SUR LES GRANULOCHIMIES
D’ALIMENTATION DES DOUZE EXPÉRIENCES OBTENUES PAR DEUX APPROCHES
DIFFÉRENTES ................................................................................................................182 TABLEAU 6.6 : VALEURS PERMETTANT D’EFFECTUER LE TEST DE FISHER-SNEDECOR .........183
TABLEAU 6.7 : RÉSULTATS OBTENUS POUR LA CALIBRATION DES ÉPAISSEURS DE COUCHE
LIMITE ..........................................................................................................................184
TABLEAU 7.1 : RÉSULTATS DE LA CALIBRATION DES PARAMÈTRES .....................................199 TABLEAU 7.2 : GRANULOMÉTRIES ET GRANULOCHIMIES SIMULÉES DES FLUX ENTOURANT LES
BROYEURS SUITE À LA CALIBRATION DES MODÈLES. ....................................................205 TABLEAU 8.1 : CONTENU DU VECTEUR D’INFORMATIONS ....................................................208
TABLEAU 9.1 : GRANULOMÉTRIE ET GRANULOCHIMIE D’ALIMENTATION DES SIMULATIONS
.....................................................................................................................................245 TABLEAU 9.2 : RÉSULTATS DE LA SIMULATION DU CAS DE BASE .........................................248 TABLEAU 9.3 : COMPARAISON DES RÉSULTATS DE LA SIMULATION AUX DONNÉES
ÉCHANTILLONNÉES POUR LE CIRCUIT DE CYANURATION DE GÉANT DORMANT ...........250 TABLEAU 9.4 : RÉSULTATS DE L’OPTIMISATION DE LA DISSOLUTION DE L’OR SELON LE
NOMBRE DE POINTS D’AJOUT DE CYANURE...................................................................254 TABLEAU 9.5 : CONCENTRATION DE CYANURE LIBRE (PPM) DANS LES CUVES EN FONCTION DU
SCÉNARIO OPTIMISÉ .....................................................................................................255
TABLEAU 9.6 : ESTIMATION DU PROFIT RÉALISABLE SELON LES DIFFÉRENTES STRATÉGIES DE
PARTAGE ......................................................................................................................256
TABLEAU 9.7 : RÉSULTATS DE L’OPTIMISATION DES DIFFÉRENTS SCÉNARIOS À DÉBITS DE
CONSOMMATION ET DE REJET DE CYANURE IDENTIQUES AU CAS DE BASE ....................261
xxv
TABLEAU 9.8 : ESTIMATION DU PROFIT RÉALISABLE POUR UN CIRCUIT UTILISANT 24,2 KG/H
DE CYANURE FRAIS ET REJETANT 15,4 KG/H DE CYANURE............................................262 TABLEAU 9.9 : RÉSULTATS DE L’OPTIMISATION DE CHACUN DES SCÉNARIOS DE LIXIVIATION
POUR DEUX SÉRIES DE CUVES EN PARALLÈLE. ..............................................................267 TABLEAU 9.10 : CONCENTRATION DE CYANURE LIBRE À LA SORTIE DE CHAQUE BRANCHE ET
DÉBIT DE CYANURE LIBRE EXCÉDENTAIRE (REJETÉ) POUR CHAQUE SCÉNARIO OPTIMISÉ
.....................................................................................................................................268 TABLEAU 9.11 : ESTIMATION DU PROFIT RÉALISABLE SELON LES DIFFÉRENTES SCÉNARIOS
ÉTUDIÉS .......................................................................................................................269 TABLEAU 9.12 : RÉSULTATS POUR L’OPTIMISATION DE CINQ CUVES DE LIXIVIATION EN
PARALLÈLE ..................................................................................................................274 TABLEAU 9.13 : DISSOLUTION DE L’OR PAR CLASSE GRANULOMÉTRIQUE ...........................276 TABLEAU 9.14 : GESTION DU CYANURE ...............................................................................276
TABLEAU 9.15 : COMPARAISON ÉCONOMIQUE ENTRE LES RHÉOGRAMMES OPTIMAUX.........277 TABLEAU 9.16 : VOLUMES (M3) OPTIMAUX DES CUVES EN FONCTION DU DIAMÈTRE MOYEN
(M) DES GRAINS D’OR POUR CHACUNE DES DISTRIBUTIONS ÉTUDIÉES ........................281 TABLEAU 9.17 : TEMPS DE SÉJOUR (HEURES) OPTIMAUX DES CUVES POUR CHACUNE DES
DISTRIBUTIONS DE GRAINS D’OR ÉTUDIÉES (DIMENSION MOYENNE EN M)..................281
TABLEAU 9.18 : EFFET DE LA TAILLE MOYENNE DES GRAINS D’OR (M)SUR LA PROPORTION
D’OR LIBRE...................................................................................................................282 TABLEAU 9.19 : DÉBIT DE CYANURE AJOUTÉ (KG/H) POUR OPTIMISER CHACUN DES SCÉNARIOS
(VARIATION DE LA TAILLE MOYENNE DES GRAINS D’OR)..............................................284 TABLEAU 9.20 : PROPORTION D’OR DISSOUT POUR CHACUN DES SCÉNARIOS OPTIMISÉS......284 TABLEAU 9.21 : ANALYSE ÉCONOMIQUE DES CINQ SCÉNARIOS OPTIMISÉS POUR UNE TAILLE
MOYENNE DE PARTICULES D’OR DIFFÉRENTE ...............................................................288
Liste des figures
FIGURE 1.1 : MÉTHODOLOGIE DU PROJET DE RECHERCHE ........................................................5
FIGURE 2.1 : LIENS ENTRE LES PARTICULES DE TAILLE ET DE COMPOSITIONS DIFFÉRENTES
LORS DU PROCESSUS DE FRAGMENTATION [2.4] .............................................................12
FIGURE 2.2 : PHÉNOMÈNES D’APLATISSEMENT (A) ET DE PLIAGE (B) DE PARTICULES D’OR
[2.16] .............................................................................................................................16
FIGURE 2.3 : ESTIMATION DE LA FONCTION DE SÉLECTION DE PARTICULES D’OR LIBRE [2.16].......................................................................................................................................17
FIGURE 2.4 : REPRÉSENTATION DES TRANSFERTS ÉLECTROCHIMIQUES ET MASSIQUES AYANT
LIEU À LA SURFACE D’UNE PARTICULE D’OR LORS DE SA CYANURATION [2.21] .............20 FIGURE 2.5 : MODÈLE CONCEPTUEL DES RÉACTIONS HÉTÉROGÈNES SOLIDE-LIQUIDE [2.20] .21
FIGURE 2.6 : MÉTHODE HIÉRARCHISÉE PERMETTANT DE SOLUTIONNER UN PROBLÈME
BILINÉAIRE DE RÉCONCILIATION EN RÉGIME PERMANENT ..............................................31 FIGURE 2.7 : ALGORITHME NON-LINÉAIRE DE RECHERCHE DE L’OPTIMUM ............................32
FIGURE 3.1 : REPRÉSENTATION MULTI NIVEAUX D’UN FLUX ASSOCIÉ À UNE USINE GÉNÉRIQUE
TRAITANT LES MINERAIS D’OR .......................................................................................34 FIGURE 3.2 : RHÉOGRAMME DU CIRCUIT DE BROYAGE DE GÉANT DORMANT (SEP :
SÉPARATEUR) .................................................................................................................37
FIGURE 3.3 : REPRÉSENTATION MULTI NIVEAUX D’UN FLUX PROVENANT DU CIRCUIT DE
BROYAGE DE GÉANT DORMANT .....................................................................................37 FIGURE 3.4 : RÉSEAUX ASSOCIÉS AUX CONTRAINTES DE CONSERVATION MASSIQUE DU
CIRCUIT DE BROYAGE DE GÉANT DORMANT ..................................................................41 FIGURE 3.5 : CIRCUIT GÉNÉRIQUE DE BROYAGE EN BOUCLE FERMÉE .....................................49
FIGURE 3.6 : COURBE DE PARTAGE THÉORIQUE D’UN HYDROCYCLONE .................................50 FIGURE 3.7 : COURBES DE PARTAGE OBSERVÉE ET RÉCONCILIÉE POUR LE MINERAI GLOBAL .51 FIGURE 3.8 : COURBES DE PARTAGE OBSERVÉE ET RÉCONCILIÉE DE L’ARGENT .....................51
FIGURE 3. 9 : COURBES DE PARTAGE OBSERVÉE ET RÉCONCILIÉE DU CUIVRE.........................52 FIGURE 3.10 : COURBES DE PARTAGE OBSERVÉE ET RÉCONCILIÉE DU FER .............................52
FIGURE 3.11 : COURBES DE PARTAGE OBSERVÉE ET RÉCONCILIÉE DE L’OR ............................53 FIGURE 3.12 : COURBES DE PARTAGE OBSERVÉE ET RÉCONCILIÉE DU SOUFRE .......................53 FIGURE 3.13 : COURBE DE PARTAGE RÉSUMANT LE COMPORTEMENT D’UN AMALGAME DE
PARTICULES ...................................................................................................................54 FIGURE 3.14 : COURBES DE PARTAGE RÉSULTANT DE LA SIMULATION DU COMPORTEMENT DES
HYDROCYCLONES À L’AIDE DES PARAMÈTRES OBTENUS AU CHAPITRE 7........................55 FIGURE 3.15 : COMPARAISON ENTRE LES COURBES DE PARTAGE DES MÉTAUX, DES MINÉRAUX
ET DU MINERAI GLOBAL .................................................................................................56
FIGURE 3.16 : SCHÉMATISATION DE LA FRAGMENTATION INÉGALE DES COMPOSÉS D’UN
MINERAI .........................................................................................................................57
FIGURE 3.17 : FONCTION DE DISPARITION/APPARITION DES ÉLÉMENTS CHIMIQUES EN
FONCTION DE LA DIMENSION DES PARTICULES POUR LE PREMIER BROYEUR ...................58 FIGURE 3.18 : FONCTION DE DISPARITION/APPARITION DES ÉLÉMENTS CHIMIQUES EN
FONCTION DE LA DIMENSION DES PARTICULES POUR LE DEUXIÈME BROYEUR ................59
xxvii
FIGURE 3.19 : COMPARAISON DES MESURES RECONCILIEES AUTOUR DES HYDROCYCLONES ET
DE LA DROITE ASSOCIEE AUX CONTRAINTES MASSIQUES DE CONSERVATION .................61 FIGURE 3.20 : COMPARAISON DES MESURES RECONCILIEES AUTOUR DE LA BACHE ET DE LA
DROITE ASSOCIEE AUX CONTRAINTES MASSIQUES DE CONSERVATION DES ESPECES EN
PHASE SOLIDE.................................................................................................................62
FIGURE 3.21 : COMPARAISON DES MESURES RECONCILIEES AUTOUR DE LA BACHE ET DE LA
DROITE ASSOCIEE AUX EQUATIONS MASSIQUES DE CONSERVATION DES ESPECES EN
PHASE LIQUIDE ...............................................................................................................63
FIGURE 3.22 : COMPARAISON DES MESURES EFFECTUÉES AUTOUR DES HYDROCYCLONES ET
DE LA DROITE ASSOCIÉE AUX CONTRAINTES MASSIQUES LINÉAIRES...............................65
FIGURE 3.23 : AGRANDISSEMENT DE LA SECTION ENCADRÉE À LA FIGURE 3.20 ....................65 FIGURE 3.24 : COMPARAISON DES MESURES EFFECTUÉES SUR LE MINERAI PRÉSENT AUTOUR
DE LA BÂCHE ET DE LA DROITE ASSOCIÉE AUX CONTRAINTES MASSIQUES DE
CONSERVATION SOLIDE ..................................................................................................66 FIGURE 3.25 : AGRANDISSEMENT DE LA SECTION ENCADRÉE À LA FIGURE 3.24.....................67
FIGURE 3.26 : COMPARAISON DES MESURES LIQUIDES EFFECTUEES AUTOUR DE LA BACHE ET
DE LA DROITE ASSOCIEE AUX CONTRAINTES MASSIQUES DE CONSERVATION DES ESPECES
EN PHASE LIQUIDE ..........................................................................................................68
FIGURE 4.1 : SCHÉMATISATION DE L’EFFET DE LA FRAGMENTATION SUR L’ACCESSIBILITÉ DES
SURFACES.......................................................................................................................71 FIGURE 4.2 : ACCESSIBILITÉ DE L’OR EN FONCTION DE LA POSITION DE SON CENTRE DE MASSE
.......................................................................................................................................74
FIGURE 4.3 : GRAIN D’OR ENCAPSULÉ ET INACCESSIBLE À UNE ATTAQUE CHIMIQUE .............74 FIGURE 4.4 : GRAIN D’OR ACCESSIBLE À UNE ATTAQUE CHIMIQUE PAR LA POROSITÉ DU
MINERAI .........................................................................................................................75
FIGURE 4.5 : GRAINS D’OR ÉMERGEANT D’UNE PARTICULE MIXTE.........................................76 FIGURE 4.6 : GRAINS D’OR LIBÉRÉS PAR UNE EXPOSITION DE PLUS DE 50% DE LEUR VOLUME
.......................................................................................................................................79 FIGURE 4.7 : ACCESSIBILITÉ D’UN GRAIN D’OR DE 5 MICRONS EN FONCTION DE LA TAILLE DES
PARTICULES POUR UNE DISTANCE SEUIL DE 10 MICRONS................................................80
FIGURE 4.8 : ACCESSIBILITÉ D’UN GRAIN D’OR DE 10 MICRONS EN FONCTION DE LA TAILLE DU
MINERAI POUR UNE DISTANCE SEUIL DE 10 MICRONS .....................................................80
FIGURE 4.9 : PROPORTION D’OR TOTALEMENT LIBÉRÉ ET ÉMERGEANT DE LA SURFACE DE LA
PARTICULE DE MINERAI EN FONCTION DU RATIO DP/DG ...................................................81 FIGURE 4.10 : PROPORTION D’OR ACCESSIBLE PAR LES PORES DU MINERAI EN FONCTION DES
RATIOS DP/DG ET DP/P.....................................................................................................82 FIGURE 4.11 : EFFET DE LA FRAGMENTATION SUR LA GRANULOCHIMIE DE L’OR ...................88
FIGURE 4.12 : FAMILLES ÉVÉNEMENTIELLES DE FRAGMENTATION DES PARTICULES MIXTES .90 FIGURE 4.13 : FRAGMENTATION DE LA MATRICE MÈRE POUR UNE DISTRIBUTION
GRANULOMÉTRIQUE DE GRAIN D’OR CONNUE. .............................................................100 FIGURE 4.14 : MATRICE MÈRE DIVISÉE EN ZONE DE FRAGMENTS UNIDIMENSIONNELS .........101 FIGURE 4.15 : SCHÉMATISATION DU DÉPLACEMENT DE L’OR LIBRE SUITE À LA
FRAGMENTATION DE LA MATRICE MÈRE.......................................................................103 FIGURE 4.16 : ALGORITHME UTILISÉ POUR PARAMÉTRER LE MODÈLE DE FRAGMENTATION .105
xxviii
FIGURE 4.17 : GRANULOMÉTRIES CUMULÉES EXPÉRIMENTALES ET OBTENUES PAR LE MODÈLE
.....................................................................................................................................107 FIGURE 4.18 : GRANULOCHIMIES CUMULÉES EXPÉRIMENTALES ET OBTENUES PAR LE MODÈLE
.....................................................................................................................................107 FIGURE 4.19 : FONCTIONS DE SÉLECTION DE LA GANGUE ET DES PARTICULES MIXTES.........108
FIGURE 4.20 : FONCTIONS CUMULÉES DE BROYAGE DE LA GANGUE ET DES PARTICULES
MIXTES (MASSE) ...........................................................................................................109 FIGURE 4.21 : FONCTIONS CUMULÉES DE BROYAGE DE LA GANGUE ET DES PARTICULES
MIXTES (NOMBRE) ........................................................................................................109 FIGURE 4.22 : DISTRIBUTION PARAMÉTRÉE DE LA TAILLE DES GRAINS D’OR COMPARÉE AUX
OBSERVATIONS EFFECTUÉE SUR LE MINERAI ÉTUDIÉ ....................................................110 FIGURE 4.23 : GRANULOMÉTRIES ET GRANULOCHIMIES CUMULÉES – COMPARAISON ENTRE
LES DONNÉES EXPÉRIMENTALES ET LES VALEURS PRÉDITES PAR LE MODÈLE ...............111
FIGURE 5.1 : ÉTAPES DE LA RÉACTION DE CYANURATION DE L’OR.......................................118
FIGURE 5.2 : COURBE RELIANT LA GÉOMÉTRIE D’UN MONTAGE À SES PARAMÈTRES
PHYSIQUES – DOUBLE AGITATEUR PLAT DE DIAMÈTRE 0.5D CHACUN [5.2] .................125 FIGURE 5.3 : COURBE RELIANT LA GÉOMÉTRIE D’UN MONTAGE À SES PARAMÈTRES
PHYSIQUES – HÉLICE MARINE [5.3] ..............................................................................125 FIGURE 5.4 : CONDITIONS INITIALES DES ESSAIS DISCONTINUS DE CYANURATION ...............128
FIGURE 5.5 : SCHÉMATISATION DES MESURES DE CONCENTRATION EN OR DISPONIBLES......128 FIGURE 5.6 : COURBES GRANULOMÉTRIQUES POUR LES DOUZE ESSAIS DE CYANURATION ...130 FIGURE 5.7 : ANALYSES LIQUIDES D’OR DES EXPÉRIENCES EFFECTUÉES À 1200 RPM.........137
FIGURE 5.8 : ANALYSES LIQUIDES D’OR DES EXPÉRIENCES EFFECTUÉES À 1350 RPM.........138 FIGURE 5.9 : ANALYSES LIQUIDES D’OR DES EXPÉRIENCES EFFECTUÉES À 1500 RPM.........138 FIGURE 5.10 : ANALYSES D’OR DES RÉSIDUS SOLIDES POUR LES EXPÉRIENCES À 1200 RPM
.....................................................................................................................................139 FIGURE 5.11 : ANALYSES D’OR DES RÉSIDUS SOLIDES POUR LES EXPÉRIENCES À 1350 RPM
.....................................................................................................................................139 FIGURE 5.12 : ANALYSES D’OR DES RÉSIDUS SOLIDES POUR LES EXPÉRIENCES À 1500 RPM
.....................................................................................................................................140
FIGURE 5.13 : ALGORITHME PERMETTANT D’ESTIMER LES GRANULOCHIMIES AU DÉBUT DES
ONZE EXPÉRIENCES DE CYANURATION SEMBLABLES ....................................................143
FIGURE 5.14 : COMPARAISON ENTRE LE MODÈLE EMPIRIQUE ET LES DONNÉES
EXPÉRIMENTALES POUR LES EXPÉRIENCES À 1200 RPM ..............................................146 FIGURE 5.15 : COMPARAISON ENTRE LE MODÈLE EMPIRIQUE ET LES DONNÉES
EXPÉRIMENTALES POUR LES EXPÉRIENCES À 1350 RPM ..............................................146 FIGURE 5.16 : COMPARAISON ENTRE LE MODÈLE EMPIRIQUE ET LES DONNÉES
EXPÉRIMENTALES POUR LES EXPÉRIENCES À 1500 RPM ..............................................147 FIGURE 5.17 : COMPARAISON ENTRE LE MODÈLE EMPIRIQUE ET LES DONNÉES
EXPÉRIMENTALES POUR LES EXPÉRIENCES À 1650 RPM ..............................................147
FIGURE 5.18 : CARACTÉRISATION DE LA CONCENTRATION D’OR RÉSIDUELLE .....................149 FIGURE 5.19 : LIEN ENTRE LA GRANULOMÉTRIE ET LA CONSTANTE CINÉTIQUE DE
DISSOLUTION DE L’OR ..................................................................................................150 FIGURE 5.20 : LIEN ENTRE LA VITESSE D’AGITATION DU MILIEU ET LA CONSTANTE CINÉTIQUE
DE DISSOLUTION DE L’OR .............................................................................................151
xxix
FIGURE 5.21 : PRÉDICTION DE L’ÉQUATION 5.16 EN FONCTION DES CONSTANTES CINÉTIQUES
CALIBRÉES PAR LE MODÈLE CINÉTIQUE EMPIRIQUE ......................................................153 FIGURE 5.22 : HISTOGRAMME DES RÉSIDUS DU MODÈLE LINÉAIRE ......................................154
FIGURE 6.1 : SCHÉMATISATION DU MÉCANISME ÉLECTROCHIMIQUE DE DISSOLUTION DE L’OR
.....................................................................................................................................157 FIGURE 6.2 : DISTRIBUTION DES SURFACES ACCESSIBLES POUR L’OR PARTIELLEMENT LIBÉRÉ
.....................................................................................................................................161
FIGURE 6.3 : DISTANCE À PARCOURIR PAR LES RÉACTIFS POUR ACCÉDER À L'OR PRÉSENT À LA
SURFACE D’UNE PARTICULE MIXTE ..............................................................................163
FIGURE 6.4 : DISTANCE À PARCOURIR PAR LES RÉACTIFS POUR ACCÉDER À L'OR PAR LES
PORES ...........................................................................................................................165 FIGURE 6.5 : ALGORITHME UTILISÉ POUR CALIBRER LES MODÈLES DE LIXIVIATION ET DE
CONSOMMATION DE CYANURE EN SUPPOSANT QUE LES GRANULOCHIMIES D’ENTRÉE DES
ONZE PREMIÈRES EXPÉRIENCES SONT CONNUES ...........................................................173
FIGURE 6.6 : COMPARAISON ENTRE LES RESULTATS DES SIMULATIONS ET LES MESURES DE
CONCENTRATIONS D’OR DANS LA PHASE LIQUIDE ........................................................175 FIGURE 6.7 : COMPARAISON ENTRE LES RESULTATS DES SIMULATIONS ET LES MESURES DE
CONCENTRATIONS EN CYANURE LIBRE .........................................................................176 FIGURE 6.8 : COMPARAISON ENTRE LES VALEURS PREDITES ET EXPERIMENTALES POUR LES
CONCENTRATIONS D’OR DANS LA PHASE LIQUIDE ........................................................177 FIGURE 6.9 : COMPARAISON ENTRE LES VALEURS PREDITES ET EXPERIMENTALES POUR LES
CONCENTRATIONS DE CYANURE LIBRE DANS LA PHASE LIQUIDE ..................................177
FIGURE 6.10 : ALGORITHME PERMETTANT D’ESTIMER LES PARAMETRES DES MODELES
CINETIQUES ET LES GRANULOCHIMIES D’ENTREE DES DOUZE EXPERIENCES
SIMULTANEMENT .........................................................................................................179
FIGURE 6.11 : COMPARAISON ENTRE LE MODELE EMPIRIQUE RELIANT LA VITESSE
D’AGITATION DE LA PULPE A L’EPAISSEUR DE LA COUCHE LIMITE ET LES RESULTATS DES
CALIBRATIONS .............................................................................................................184 FIGURE 7.1 : ALGORITHME PERMETTANT DE DÉTERMINER RF ..............................................189
FIGURE 7.2 : UTILISATION D’UN HYDROCYCLONE EN BOUCLE FERMÉE ................................190 FIGURE 7.3 : ALGORITHME PERMETTANT L’UTILISATION D’UN HYDROCYCLONE EN BOUCLE
FERMÉE ........................................................................................................................191 FIGURE 7.4 : CIRCUIT DE BROYAGE DE GÉANT DORMANT ...................................................192 FIGURE 7.5 : ALGORITHME UTILISÉ POUR PARAMÉTRER LE MODÈLE DE CLASSIFICATION ....195
FIGURE 7.6 : COMPARAISON ENTRE LES COURBES DE PARTAGE DU MINERAI ET DE L’OR
OBTENUES À L’AIDE DES DONNÉES RÉCONCILIÉES ET DES RÉSULTATS DE LA SIMULATION
.....................................................................................................................................199 FIGURE 7.7 : COMPARAISON ENTRE LES DISTRIBUTIONS DE TAILLE DE GRAINS D’OR OBTENUES
PAR CALIBRATION SUR DES ESSAIS DE BROYAGE CONTINU ET DISCONTINU. .................200
FIGURE 7.8 : COMPARAISON ENTRE LES FONCTIONS DE SÉLECTION OBTENUES PAR UNE
CALIBRATION EN CONTINU ET DISCONTINU ..................................................................201
FIGURE 7.9 : COMPARAISON ENTRE LES FONCTIONS DE SÉLECTION OBTENUES PAR UNE
CALIBRATION EN CONTINU ET DISCONTINU (AGRANDISSEMENT) ..................................201
xxx
FIGURE 7.10 : COMPARAISON ENTRE LES FONCTIONS DE BROYAGE CUMULÉES (EN NOMBRE) OBTENUES PAR UNE CALIBRATION EN CONTINU ET DISCONTINU...................................202
FIGURE 7.11 : COMPARAISON ENTRE LES FONCTIONS DE BROYAGE CUMULÉES (EN MASSE)
OBTENUES PAR UNE CALIBRATION EN CONTINU ET DISCONTINU...................................202 FIGURE 7.12 : COURBES DE PARTAGE DES PARTICULES AUX HYDROCYCLONES ...................203
FIGURE 7.13 : COMPARAISON ENTRE LE PARTAGE DES PARTICULES MIXTES ET DES
PARTICULES LIBRES......................................................................................................204
FIGURE 8.1 : POINT DE JONCTION DE 3 FLUX DE MATIÈRE ....................................................214 FIGURE 8.2 : DIVISION D’UN FLUX DE MATIÈRE ...................................................................215
FIGURE 8.3 : SCHÉMATISATION DE LA DISSOLUTION D’UN GRAIN D’OR DE DIMENSION K.....227 FIGURE 8.4 : ALGORITHME DE RÉSOLUTION DES ÉQUATIONS DE BILAN POUR UNE CUVE DE
LIXIVIATION OPÉRANT EN RÉGIME STATIQUE ...............................................................234
FIGURE 8.5 : ARCHITECTURE DES FONCTIONS PERMETTANT LA SIMULATION D’UN
RHÉOGRAMME D’USINE D’EXTRACTION DE L’OR ..........................................................235
FIGURE 9.1 : CAS DE BASE PERMETTANT LA COMPARAISON DE L’EFFICACITÉ DE DIFFÉRENTS
RHÉOGRAMMES DE CYANURATION ...............................................................................246
FIGURE 9.2 : ALGORITHME PERMETTANT D’IDENTIFIER LE DÉBIT DE CYANURE À ALIMENTER À
LA PREMIÈRE CUVE POUR OBTENIR LA CONSOMMATION GLOBALE VISÉE .....................247
FIGURE 9.3 : CONCENTRATION EN OR DANS LES DIFFÉRENTES CLASSES GRANULOMÉTRIQUES
EN FONCTION DU TEMPS DE CYANURATION POUR LE SCÉNARIO DE BASE......................249 FIGURE 9.4 : ALGORITHME DÉTERMINANT LE DÉBIT ET L’EMPLACEMENT DE DEUX POINTS
D’AJOUT DE CYANURE POUR OPTIMISER LA DISSOLUTION DE L’OR - CONSOMMATION
GLOBALE DE CYANURE FIXÉE .......................................................................................252 FIGURE 9.5 : ALGORITHME IDENTIFIANT LE DÉBIT ET L’EMPLACEMENT DES QUATRE POINTS
D’AJOUT DE CYANURE QUI MAXIMISENT LA DISSOLUTION DE L’OR POUR UNE
CONSOMMATION DE RÉACTIFS FIXÉE ............................................................................253
FIGURE 9.6 : SCHÉMATISATION DES RHÉOGRAMMES INCLUS DANS LA ZONE DE FAISABILITÉ DE
L’ÉTUDE INCLUANT UNE RECIRCULATION DU CYANURE EXCÉDENTAIRE ......................258 FIGURE 9.7 : ALGORITHME UTILISÉ POUR IDENTIFIER LES CONDITIONS OPÉRATOIRES
MAXIMISANT LA DISSOLUTION DE L’OR POUR UN CIRCUIT À 2 AJOUTS DE CYANURE ET
UNE BOUCLE DE RECIRCULATION .................................................................................259
FIGURE 9.8 : ALGORITHME UTILISÉ POUR IDENTIFIER LES CONDITIONS OPÉRATOIRES
MAXIMISANT LA DISSOLUTION DE L’OR POUR UN CIRCUIT À 4 AJOUTS DE CYANURE ET
UNE BOUCLE DE RECIRCULATION .................................................................................260
FIGURE 9.9 : SCHÉMATISATION DES RHÉOGRAMMES ASSOCIÉ À L’OPTIMISATION DE
RHÉOGRAMMES SÉPARANT LA LIXIVATION DES PARTICULES FINES DES GROSSIÈRES....265
FIGURE 9.10 : ALGORITHME UTILISÉ POUR IDENTIFIER LES CONDITIONS OPÉRATOIRES
MAXIMISANT CHACUN DES SCÉNARIOS DE DISSOLUTION DE L’OR POUR UNE
CYANURATION À DEUX BRANCHES ...............................................................................266
FIGURE 9.11 : RHÉOGRAMME OPTIMAL POUR UNE CYANURATION EFFECTUÉE EN SÉPARANT LA
MATIÈRE ALIMENTÉE AU CIRCUIT VERS DEUX SÉRIES DE CUVES OPÉRANT EN PARALLÈLE.
.....................................................................................................................................269 FIGURE 9.12 : RHÉOGRAMME GÉNÉRAL POUR UNE CYANURATION EFFECTUÉE DANS DES
CUVES OPÉRANT EN PARALLÈLE ...................................................................................271
xxxi
FIGURE 9.13 : ALGORITHME UTILISÉ POUR IDENTIFIER LES CONDITIONS OPÉRATOIRES
MAXIMISANT LA DISSOLUTION DE L’OR POUR UNE CYANURATION EFFECTUÉE DANS CINQ
CUVES PARALLÈLES......................................................................................................273
FIGURE 9.14 : CINQ DITRIBUTIONS (EN NOMBRE) DE GRAINS D’OR UTILISÉES POUR L’ÉTUDE......................................................................................................................................278
FIGURE 9.15 : EFFET DE LA TAILLE MOYENNE DES GRAINS D’OR SUR L’ACCESSIBILITÉ DES
SURFACES.....................................................................................................................279 FIGURE 9.16 : RHÉOGRAMME PERMETTANT D’OPTIMISER LES CINQ SCÉNARIOS AYANT DES
DISTRIBUTIONS DE GRAINS D’OR DIFFÉRENTES.............................................................280
Chapitre 1 : Introduction
L’or, en raison de sa rareté et de ses nombreuses applications est l’un des métaux les plus
convoités. Il est principalement recherché pour sa grande valeur monétaire (1307 $/once le
30 septembre 2010 [1.1]), mais également pour ses vertus dans des domaines d’applications
tels que l’art, la médecine, la micro-électronique, l’industrie spatiale et l’aéronautique [1.2].
Il est à ce point convoité que lors des cinq dernières années, 40 à 50% des coûts mondiaux
d’exploration [1.3] sont attribuables à ce seul élément.
Industriellement, le procédé hydrométallurgique de cyanuration est celui qui est
majoritairement utilisé pour extraire l’or d’un minerai. Ce procédé consiste à dissoudre l’or
à l’aide de cyanure et d’oxygène en solution aqueuse. Pour ce faire, on libère préalablement
les surfaces d’or par réduction granulométrique du minerai. Des étapes de concassage et de
broyage permettent d’y parvenir. En bref, plus le minerai est fragmenté finement, plus l’or
est accessible à une dissolution par le cyanure. Cependant, plus le minerai est fragmenté
finement, plus les coûts énergétiques pour y parvenir sont élevés et plus la consommation
en oxygène et en cyanure est importante. Afin de maximiser les profits potentiels, il y a
donc un compromis à faire entre les coûts engendrés par la fragmentation du minerai et les
profits associés à la valeur marchande de l’or récupéré. Pour être en mesure d’optimiser les
profits associés à cette méthode d’extraction, il est donc important de comprendre et de
quantifier la nature des liens entre la fragmentation, la libération et la cyanuration des
minerais aurifères. Malheureusement, les travaux de recherches effectués jusqu’ici ne
semblent pas être en mesure de fournir les informations nécessaires à ce type d’étude. Ce
manque d’information est attribuable aux difficultés associées à la nature hétérogène du
minerai, à la malléabilité de l’or ainsi qu’au fait qu’une libération partielle de l’or est
suffisante pour permettre sa cyanuration ([1.4] à [1.6]).
Ce projet tente de relier, caractériser et quantifier les liens existants entre les phénomènes
de libération, de fragmentation et de cyanuration. On tente ensuite d’exploiter ces
informations pour quantifier l’impact de la libération sur la cinétique de dissolution de l’or.
2
Ceci dans le but d’apporter des pistes explicatives à certains phénomènes observés
industriellement et pour ouvrir les portes vers l’exploration de nouveaux rhéogrammes de
cyanuration exploitant ces modèles. Les travaux présentés dans cette thèse font partie d’un
projet effectué par une équipe formée d’un concentrateur d’or (Géant Dormant), d’un
consortium de recherche (COREM), d’une étudiante à la maitrise, de deux étudiants au
doctorat et de leurs professeurs [1.7].
1.1 Étapes permettant l’extraction de l’or d’un minerai par
cyanuration
La méthode la plus communément utilisée pour extraire l’or d’un minerai consiste à le
fragmenter en le concassant et le broyant. Cette première étape permet de libérer les
surfaces d’or et les rend accessibles à une éventuelle attaque chimique de dissolution. Suite
à la fragmentation, la pulpe est envoyée vers une étape d’épaississage qui permet
d’augmenter sa densité et par le fait même d’augmenter le temps de résidence dans les
cuves de cyanuration qui suivent. Dans ces cuves, une solution aqueuse de cyanure est
utilisée pour dissoudre l’or en présence d’oxygène dissout. Une fois l’or dissout, il est
absorbé sur du charbon. L’or est ensuite désorbé du charbon et est extrait par un procédé
d’éléctrorécupération.
Plusieurs variantes de ce procédé sont observées industriellement. Par exemple, en présence
d’un minerai réfractaire, une étape de grillage ou la présence d’un autoclave peuvent être
observées. Dans le cas des minerais sulfurés, on peut observer l’introduction d’une étape de
flottation et/ou de préaération. Dans le cas de minerais contenant des phases absorbantes, le
charbon peut être directement ajouté à l’étape de cyanuration. En plus de ces différentes
variantes, d’autres procédés sont également utilisés. C’est le cas de la lixiviation en tas qui
est fortement utilisée dans le cas de minerai à très faible teneur en or et à grande porosité.
3
1.2 Objectifs du projet de recherche
La méthode d’extraction par cyanuration exige de libérer les surfaces d’or pour permettre
une éventuelle attaque de celui-ci par le cyanure et l’oxygène en milieu aqueux. En fait,
plus la granulométrie du minerai est petite, plus les surfaces sont accessibles et plus il est
facile de dissoudre l’or pour ensuite le récupérer. Cependant, les méthodes utilisées pour
fragmenter le minerai sont énergivores et exigeantes mécaniquement. Les coûts associés à
la fragmentation d’un minerai sont donc importants. Un compromis évident doit donc être
fait pour maximiser les profits : maximiser la libération de l’or sans augmenter
radicalement les coûts d’exploitation. Afin d’explorer cette avenue d’optimisation, il est
important d’être capable d’identifier, de comprendre et de quantifier clairement les liens
entre la libération des surfaces d’or et la fragmentation. Malheureusement, une revue de la
littérature exhaustive n’a pas révélé la présence de travaux permettant de fournir la totalité
de ces informations. Les raisons principales de cette rareté sont attribuables à la complexité
du problème. Il y a premièrement une embûche associée à l’hétérogénéité de la matière
première. Les grains d’or sont de tailles et de formes diverses, ils sont distribués de manière
non-uniforme dans la matrice minérale et y sont présents en très faible concentration. En
plus de ce problème d’hétérogénéité, il faut considérer que la définition de la libération de
l’or est différente de celles de la plupart des autres métaux. Contrairement à plusieurs autres
minéraux ou métaux dont le processus de libération consiste principalement à produire des
particules monominérales, le cas de l’or ne nécessite qu’une simple libération des surfaces
accessibles. Une libération partielle d’un grain d’or permet sa dissolution par cyanuration.
Finalement, il est à noter que la malléabilité du métal ajoute à la complexité du problème.
Contrairement à plusieurs autres métaux, la cinétique de broyage de l’or est extrêmement
faible et engendre des zones de fragmentation préférentielle dans son entourage. En bref,
toutes ces complexités sont à la base de problèmes d’applicabilité de plusieurs modèles de
libération au cas spécifique des minerais d’or.
La cyanuration de l’or est fortement influencée par le degré de libération de ses surfaces.
Lorsqu’un grain d’or est totalement libéré, la totalité de sa surface est accessible à une
4
attaque chimique. Par contre, lorsqu’un grain d’or n’est que partiellement libéré,
l’accessibilité de la surface diminue et on observe un ralentissement de la cinétique de
cyanuration (cinétique globale et non spécifique). Lorsque la surface du grain d’or n’est pas
libérée (totalement encapsulé), l’attaque chimique peut encore avoir lieu si un réseau de
pores permet au cyanure et à l’oxygène d’atteindre la surface de l’or. Dans ce cas, la
diffusion des réactifs est entravée et on observe un ralentissement encore plus important de
la cinétique de cyanuration. En bref, l’accessibilité des surfaces joue un rôle direct sur la
cinétique globale de cyanuration. Cependant, en ce moment, aucun article n’intègre
directement ce phénomène pour prédire la cinétique de dissolution de l’or. Certains
modèles intègrent cette notion de manière indirecte en reliant la granulométrie du minerai à
la cinétique de cyanuration dans un modèle empirique ([1.8]). Ce manque dans la littérature
est principalement attribuable à deux choses :
Il est actuellement difficile de quantifier le degré de libération des surfaces d’or. Tel
qu’indiqué précédemment, les modèles permettant de prédire ce phénomène sont
difficilement applicables au cas des minerais d’or. De plus, les coûts élevés et le
temps nécessaire pour effectuer les analyses permettant de caractériser le degré de
libération des surfaces d’or de manière représentative rendent l’application d’un tel
modèle difficile.
La majorité des articles publiés sur la cyanuration de l’or sont axés vers la
compréhension et la caractérisation de la réaction chimique. Selon les conditions
expérimentales, l’étape limitante diffère et les modèles proposés sont différents. De
plus, la majorité des essais expérimentaux utilisés pour justifier et expliquer ces
modèles sont effectués dans des conditions expérimentales très différentes de celles
observées industriellement (disque d’or rotatif dans une solution liquide homogène).
Afin de créer des modèles de libération et de cyanuration applicables, il est essentiel
d’avoir en main des données cohérentes et représentatives. Sans une bonne qualité de
données, la calibration et même l’identification de la structure d’un modèle peuvent être
faussées. Dans le cas des minerais aurifères, la représentativité et la cohérence des données
5
expérimentales sont problématiques. La nature hétérogène du minerai, l’effet de pépites et
la faible concentration de l’or peuvent engendrer des mesures non représentatives de la
population globale à caractériser. En plus, la caractérisation de la concentration en or dans
la solution semble être influencée par la présence de certains ions provoquant ainsi des
lectures erronées lors de mesures de la concentration de l’or en solution [1.9]. En bref, la
nature intrinsèque des minerais aurifères et les difficultés associées à l’analyse des
concentrations en or dans les phases liquides et solides rendent la manipulation des
informations difficiles. En fait, il n’est pas rare que les analyses combinées des phases
solide et liquide à la fin d’un essai de cyanuration ne concordent pas avec les analyses
effectuées préalablement au test pour caractériser le minerai.
Afin de pallier aux différentes problématiques exposées plus haut, ce projet de recherche
propose de caractériser et de modéliser les liens existants entre la fragmentation, la
libération et la cyanuration des surfaces d’or. Ces modèles pourront ensuite être exploités
pour identifier des pistes explicatives à certains phénomènes observés industriellement et
pour ouvrir les portes vers l’exploration de nouveaux rhéogrammes de cyanuration. La
Figure 1.1 présente la méthodologie utilisée au cours de ce projet de recherche.
Figure 1.1 : Méthodologie du projet de recherche
Échantillonnage
en usine
Réconciliation
de données
Essais de
cyanuration en
laboratoire
Essais de
broyage en
laboratoire
Modèle de
libération
géométrique
Identification de
l’étape limitante de
la cyanuration
Modèle cinétique
Phénoménologique *
Modèle de
fragmentation du
minerai et de
dispersion de l’or
Modèle de
classification
Développement d’un
simulateur continu
Étude de phénomènes
observés
industriellement
Optimisation
* : Modèle dépendant du degré de libération de l’or
6
On voit sur la Figure 1.1 que trois sources différentes de données alimentent le contenu de
la thèse : une campagne d’échantillonnage en usine ainsi que des essais de cyanuration et
de broyage en laboratoire. Il est à noter que les essais de broyage sont issus des travaux
d’un autre étudiant au doctorat [1.10] et n’ont pas été effectués directement dans le cadre de
cette thèse. Les trois ensembles de données sont utilisés pour proposer des modèles
permettant de simuler le comportement de l’or lors des étapes de fragmentation, de
classification et de cyanuration en cuves. Ces modèles sont exploités pour identifier des
pistes explicatives à certains phénomènes observés industriellement. Finalement,
l’ensemble des modèles est utilisé pour optimiser certains rhéogrammes de cyanuration.
1.3 Contribution scientifique de la thèse
Cette thèse propose des modèles permettant d’associer le phénomène de la libération de l’or
à trois étapes importantes de son processus d’extraction : la fragmentation, la classification
et la cyanuration. Ces modèles innovateurs couplés aux résultats des campagnes
d’échantillonnage effectuées en usine et en laboratoires sont ensuite exploités pour
expliquer certains phénomènes observés industriellement et pour améliorer la
compréhension du procédé. L’ensemble des travaux réalisés ont menés à une liste de
publications :
BELLEC S., HODOUIN D., BAZIN C., KHALESI M.R., DUCHESNE C., 2011,
«Hydrocyclone classification modeling for gold ore grinding circuit simulation», World Gold Conference 2011, Montréal, QC.
KHALESI M.R., BAZIN C., HODOUIN D., BELLEC S., 2011, «Modelling of the
gold content within the size intervals of a grinding mill product », World Gold Conference 2011, Montréal, QC.
BELLEC S., HODOUIN D., BAZIN C., KHALESI M.R., DUCHESNE C., 2009, «Modeling and simulation of gold ore leaching», World Gold Conference 2009,
Johannesburg, South Africa.
7
KHALESI M.R., BAZIN C., HODOUIN D., BELLEC S., EGAN J., 2009, «A liberation model for the integrated simulation of grinding and leaching of gold ore», World Gold Conference 2009, Johannesburg, South Africa.
KHALESI M. R., BAZIN C., HODOUIN D., BELLEC S., 2009, «Simulation of gold exposure properties during size reduction of the ore », 13th IFAC Symposium
on automation in mining, mineral and metal processing (IFAC MMM’09), Vina Del Mar, Chile.
BAZIN C., HODOUIN D., KHALEZI M.R., BELLEC S., EGAN J., 2008. « Gold leaching simulation for process analysis and optimization », Canadian Mineral
Processor Conference, Ottawa, Ont.
BELLEC S., HODOUIN D., BAZIN C., DUCHESNE C., 2007. « Multi-level data
reconciliation – Application to a gold ore processing plant », 12th IFAC Symposium on automation in mining, mineral and metal processing (IFAC MMM’07), Quebec, Qc.
BAZIN C., HODOUIN D., KHALEZI M.R., BELLEC S., EGAN J., DUCHESNE C., 2007. « A gold leaching simulator for training to process analysis methods», 12th
IFAC Symposium on automation in mining, mineral and metal processing (IFAC MMM’07), Quebec, Qc.
1.4 Contenu de la thèse
Cette thèse est composée de dix chapitres. Le chapitre 2 présente une introduction rapide
aux différents thèmes abordés. Au chapitre 3, on explore l’application de la réconciliation
de données au procédé d’extraction de l’or. Ce chapitre jette les bases d’une méthode
permettant de filtrer et de rendre cohérentes les données issues de campagnes industrielles
d’échantillonnage. Le chapitre 4 propose l’utilisation d’un modèle géométrique cubique
pour caractériser le degré de libération des surfaces d’or. Dans ce chapitre, on propose aussi
un modèle de fragmentation des minerais aurifères basé sur les bilans de matière. Ce
modèle permet d’effectuer le suivi de l’or dans les différentes classes granulométriques
ainsi que de ses surfaces accessibles. Le chapitre 5 présente les essais de cyanuration
effectués en laboratoire et identifie l’étape limitante de la réaction. Au chapitre suivant, on
propose un modèle cinétique de dissolution de l’or axé sur l’accessibilité de ses surfaces et
la diffusion des réactifs vers le site de la réaction. Les chapitres 7 et 8 sont consacrés à la
construction d’un simulateur continu applicable aux procédés d’extraction de l’or. Ce
8
simulateur est construit à l’aide des modèles développés lors des chapitres précédents. On y
propose notamment un modèle de classification permettant d’effectuer le suivi des surfaces
accessibles lors de cette étape. Finalement, au chapitre 9, le simulateur continu est utilisé
pour étudier et optimiser certains rhéogrammes de cyanuration de l’or.
Chapitre 2 : Revue de la littérature
Cette thèse propose une modélisation de la cyanuration de l’or basée sur l’accessibilité des
surfaces à une réaction chimique en milieu aqueux. Afin d’arriver à ce but, il est essentiel
d’inclure deux phénomènes à l’étude :
l’effet de la fragmentation sur l’exposition des surfaces d’or
la cinétique de dissolution de l’or selon son degré d’exposition
Une revue de la littérature associée à ces deux points est résumée aux sections 2.1 et 2.2. La
troisième section de ce chapitre présente une revue de la littérature sur la réconciliation de
données appliquée au domaine de l’or. La variabilité naturelle des minerais d’or et la
nécessité d’avoir des données de bonne qualité pour effectuer une modélisation
représentative font de la réconciliation de données un outil intéressant dans le contexte de
cette thèse.
2.1 Libération et fragmentation
La cyanuration est une lixiviation effectuée en présence de cyanure et d’oxygène en
solution. Cette méthode de séparation est largement utilisée industriellement pour dissoudre
l’or présent dans un minerai. Cette séparation chimique consiste en une série de réactions
anodiques et cathodiques, entre le cyanure, l’oxygène et l’or, effectuées à la surface
métallique. Ces réactions forment un complexe d’aurocyanure soluble qui est, par la suite,
récupéré par adsorption/électro-récupération ou cémentation. Pour que cette réaction soit
possible, les réactifs doivent donc accéder à la surface des particules d’or. Cet accès peut
avoir lieu de deux façons :
par les pores et les fractures du minerai
par contact direct avec le milieu aqueux ambiant
10
La seconde option offre une approche plus rapide quant au transport des réactifs vers le site
de la réaction et permet donc d’améliorer la cinétique de dissolution de l’or. Pour tirer
avantage de cet accès rapide, le minerai peut être concassé et broyé. Ces opérations
permettent de libérer les surfaces métalliques et les rendent, par le fait même, accessibles au
cyanure et à l'oxygène présent dans le milieu aqueux environnant.
Dans cette sous-section, une brève revue de la littérature axée sur les modèles permettant de
prédire la libération des minéraux et métaux par fragmentation est effectuée. Dans un
premier temps, un modèle de fragmentation dérivé des bilans de population est présenté. Ce
cas est par la suite appliqué à un minerai décrit à l’aide de deux phases solides distinctes
(minerai biphasé). Finalement, un survol de différents modèles de libération existants est
effectué.
2.1.1 Modèles de fragmentation
La variation de la masse associée à chacune des classes granulométriques présentes dans un
broyeur est obtenue à l’aide d’un bilan de matière caractérisant l’apparition et la disparition
de la matière dans ces classes. Quand la fragmentation des particules survient, il y a une
disparition de matière associée aux particules fragmentées quittant vers les classes fines et
une apparition de matériel provenant de la fragmentation des particules de classes plus
grossières. Bass [2.1] propose une série d’équations différentielles et intégrales basées sur
le bilan de population postulé par Epstein [2.2] et basé sur deux phénomènes :
la probabilité de fragmentation d’une particule à une dimension donnée (S)
la distribution granulométrique des produits de la fragmentation (B)
En discrétisant les équations proposées par Bass [2.1], il est possible de décrire la somme
des évènements de disparition et d’apparition de la matière dans une classe donnée de
particule. En régime discontinu (Batch), on obtient :
11
1
,
1
( )( ) ( )
ii
i i i j j j
j
dM tS M t b S M t
dt
(Équation 2.1)
où Mi(t) représente la masse associée à la classe granulométrique i présente dans le broyeur
au temps t. Si est la cinétique de fragmentation associée à la classe de particules i et bi,j est
la fonction de broyage définissant la proportion de particules de classe j brisées en
fragments de dimension i.
Les valeurs de Si sont caractérisées par une fonction de sélection globale (S) qui représente
la cinétique de fragmentation du minerai pour l’ensemble des classes granulométriques
étudiées. Les bi,j, de leur côté, sont habituellement caractérisés par une fonction de broyage
cumulée (B) qui permet de construire la fonction de broyage à l’aide de la relation
suivante :
1,ij i j ijb B B (Équation 2.2)
Herbst et al [2.4] proposent d’étendre le modèle de fragmentation basé sur le bilan de
population standard à un cas d’application multicomposite. Ceci permet de représenter la
cinétique de libération de plusieurs minéraux. Dans le cas standard, une équation discrète
pour chaque classe granulométrique et faisant intervenir les fonctions de sélection et de
broyage est utilisée. Ce concept peut être appliqué au broyage d'un minerai multicomposite.
Par exemple, pour un minerai binaire, np classes de particules sont utilisées pour représenter
les différentes compositions minéralogiques :
les particules libres de composition minérale A
les particules libres de composition minérale B
les particules mixtes AB de compositions différentes (np-2 classes)
12
Lorsque des particules libres se brisent, seules de petites particules libres de la même
espèce minérale sont produites. Cependant, lorsque les particules mixtes sont fragmentées,
elles peuvent produire :
des particules libres de composition minérale A
des particules libres de composition minérale B
des particules mixtes AB de compositions variables
La Figure 2.1 schématise le concept de broyage en présentant les liens reliant les particules
de taille et de compositions différentes lors du processus de fragmentation.
Figure 2.1 : Liens entre les particules de taille et de compositions différentes lors du processus de fragmentation [2.4]
À l’aide de l'équation 2.1 et de la description de la fragmentation présentée à la Figure 2.1,
un ensemble d'équations décrivant les phénomènes de libération et de réduction dans les np
classes de particules sont proposées [2.4] :
13
Pour les particules libres de composition minérale A :
21 1
, ,
1 1 1
( )( ) ( ) ( )
p
k k k
nA i iA AB AB ABA A A A A Ai
i i i j j j i j j j
j k j
dM tS M t b S M t b S M t
dt
(Équation 2.3)
Pour les particules libres de composition minérale B :
21 1
, ,
1 1 1
( )( ) ( ) ( )
p
k k k
nB i iB AB AB ABB B B B B Bi
i i i j j j i j j j
j k j
dM tS M t b S M t b S M t
dt
(Équation 2.4)
Pour les particules de composition minérale mixte (ABk) :
2 1
,
1 1
( )( ) ( )
pk
k k k r r r
nAB iAB AB AB AB AB ABii i i j j j
r j
dM tS M t b S M t
dt
(Équation 2.5)
Où ( )A
iM t , ( )B
iM t et ( )kAB
iM t sont respectivement les masses de particules de A libre, de B
libre et de AB ayant une concentration k en A au temps t. A
iS , B
iS et kAB
iS sont
respectivement les cinétiques de fragmentation des particules libre de A, libre de B et de
AB ayant une concentration k en A dans la classe granulométrique i. ,
a b
i jb représente la
fonction de broyage des particules de composition b et de taille j se transformant en
particules de composition a et de taille i.
L’exploitation d’un tel modèle nécessite la calibration d’un nombre élevé de paramètres sur
des données expérimentales. Ceci rend son utilisation difficile et explique la rareté de son
utilisation en modélisation.
14
2.1.2 Modèles de libération
Les étapes de fragmentation du minerai sont effectuées pour libérer les surfaces de métaux
et minéraux précieux. Ceci permet de rendre les surfaces minérales et métalliques
accessibles à une extraction hydrométallurgique. C’est pour cette raison que certains
chercheurs tentent de modéliser les phénomènes de libération depuis plusieurs années.
Malheureusement, étant donné la nature particulière de l’or, les modèles proposés sont, en
majorité, difficilement applicables aux minerais aurifères. Dans la prochaine sous-section,
les principaux modèles proposés au cours du dernier siècle sont présentés. Par la suite, les
caractéristiques de l’or qui rendent son comportement en fragmentation particulier sont
abordées. Finalement, quelques modèles applicables aux minerais aurifères sont présentés.
Modèles de libération minérale
La libération des minéraux par fragmentation est une étape essentielle du traitement des
minerais. Sa modélisation a reçu une attention particulière de plusieurs chercheurs au cours
du dernier siècle. Le premier auteur à avoir essayé d’approcher le problème est Gaudin en
1939 [2.5]. Il propose un modèle à deux dimensions s’apparentant à un jeu d’échec. La
structure du minerai y est décrite de manière simpliste en deux dimensions et est approximé
à l’aide d’une géométrie carrée. Cette structure a par la suite été appliquée en trois
dimensions par Wiegel & Li [2.6]. Dans cet article, l’effet de l’exposition des surfaces par
fragmentation est prédit à l’aide d’une description binaire et cubique du minerai, mais où
les phénomènes de détachement lors de la fragmentation ne sont pas considérés. L’avancée
majeure suivante est celle de King en 1979 [2.7] qui introduit le concept d'événements
stochastiques sur des lignes de textures. La caractérisation de la texture du minerai y est
décrite par une distribution des distances linéaires entre les phases du minerai. L’auteur
propose que la proportion de libération minérale par fragmentation associée à une taille de
particules D soit obtenue par :
15
0
1( ) 1 1 / 2 ( )
uD
L D N l D F l dl
(Équation 2.6)
où F(l) est la distribution des distances linéaires entre les phases minérales. représente la
distance moyenne entre les phases minérales. N(l/D) est la distribution des interceptes
linéaires pour la dimension D. Du représente le plus grand intercepte pour l’ensemble des
particules appartenant à la classe de dimension D.
Les travaux de Klimpel ([2.8] et [2.9]) sont les premiers qui introduisent le concept d’une
phase mineure présente sous forme de petits grains à l’intérieur d’une matrice de minerai.
Dans ces articles, Klimpel limite le nombre de grains associés à la phase mineure pour être
en mesure de représenter les faibles concentrations de celles-ci. Plus tard, Serra [2.10]
introduit la possibilité de quantifier des structures géométriques aléatoires en trois
dimensions à l’aide de technique associée à l’analyse d’images. Ce concept est ensuite
repris par Davy [2.11] et appliqué par Barbery [2.12]. Davy propose dans cet article
d’utiliser les fonctions de covariance pour caractériser la texture du minerai. Finalement,
Barbery et Leroux [2.13] proposent de caractériser la texture du minerai par un modèle
polyédrique de Poisson et de le calibrer à l’aide d’analyseurs d’images.
L’un des plus récents modèles proposés est celui de Stamboliadis ([2.14]). Ce dernier
propose un modèle de fragmentation aléatoire et indépendant de la concentration minérale.
Le modèle génère deux particules de même taille à chaque fragmentation. Au-delà d’une
taille critique, la fragmentation des particules engendre des filles ayant la même
composition que leur mère. En dessous de cette taille critique, la composition des particules
filles varie dans un intervalle de faisabilité prédéterminé par les bilans massiques minéraux.
Le patron de fragmentation est ainsi répété en utilisant les particules filles produites comme
particules mères. La proportion de particules filles refragmentées y est également
déterminée par bilan de matière minérale.
16
Il est à noter que sur toute cette série d’articles, seuls les articles de King [2.7], de Klimpel
& Austin [2.8], de Barbery ([2.12] et [2.13]) et de Stamboliadis [2.14] permettent de
prédire la composition minérale des particules issues de la fragmentation. Par contre, aucun
d’entre eux ne tient spécifiquement et conjointement compte de la nature malléable de l’or
et de sa présence en faible quantité dans le minerai. Leur application au minerai aurifère est
donc limitée.
Particularités des minerais d’or
L’or est un métal précieux possédant des caractéristiques qui le distinguent des autres
métaux ou minéraux. L’or est malléable et souvent présent en très faible proportion
comparativement aux autres minéraux ou métaux composant un minerai. De plus, il peut
être présent sous forme disséminée ou « invisible », ce qui rend son accessibilité à une
lixiviation plus difficile que l’or libre [2.15]. Ces caractéristiques particulières ont un
impact direct sur les phénomènes de fragmentation et de libération et rendent les modèles
présentés à la section précédente difficilement applicables aux minerais d’or.
La malléabilité de l’or est sa caractéristique qui cause le plus de problèmes lors de la
modélisation du processus de fragmentation des minerais aurifères. Cette caractéristique
peut causer l’aplatissement et le pliage des particules d’or. La Figure 2.2 présente une
particule d’or aplatie et une particule d’or pliée lors d’une séance de broyage discontinu.
Figure 2.2 : Phénomènes d’aplatissement (A) et de pliage (B) de particules d’or [2.16]
17
Noaparast & Laplante [2.16] ont publié des travaux démontrant que ces phénomènes
d’aplatissement et de pliage engendrent le déplacement des grosses particules d’or vers les
classes granulométriques adjacentes à leur dimension initiale. Suite à ces phénomènes, un
grain d’or, sans se casser ou perdre de poids, peut être classifié dans une classe
granulométrique plus grossière ou plus fine et ceci seulement à cause de son changement de
forme. Dans leur article, Noaparast et Laplante étudient le broyage discontinu de particules
d’or libre de dimensions variant de 25 à 1700 microns et provenant de différents minerais.
Les broyages batch sont effectués sur une période de cinq minutes. L’étude démontre que le
phénomène d’aplatissement provoque une classification des particules vers les classes
granulométriques supérieures dans 2 à 40% des cas (selon l’échantillon broyé). Le
phénomèbe de classification des particules d’or dans une classe inférieure causée par le
phénomène de pliage est observable pour 0,5 à 45% des particules. La surclassification
causée par un aplatissement prononcé et la sous-classification causée par un pliage notable
des particules d’or sont influencées par la nature du minerai étudié, mais avant tout par la
taille des grains d’or avant leur entrée dans le broyeur. En fait, plus les particules d’or sont
fines, plus les phénomènes de sous-classement et de surclassement sont négligeables. La
Figure 2.3 montre une fonction de sélection typique de particules d’or.
Figure 2.3 : Estimation de la fonction de sélection de particules d’or libre [2.16]
18
On remarque sur la Figure 2.3 que la cinétique de disparition des grains d’or vers les
classes granulométriques inférieures est fortement influencée par la taille des particules. Il
faut aussi indiquer que le spectre des résultats présentés sur la figure (dimension de grains
d’or entre 50 et 200 µm) n’est pas le même que pour certains minerai. Par exemple, les
particules d’or de Géant Dormant ont une dimension moyenne d’environ 5 µm. On peut
donc penser que la fonction de sélection de ces particules est différentes de celle présentée
à la Figure 2.3.
Modèles de libération appliqués aux minerais d’or
Les caractéristiques particulières de l’or font en sorte que la majorité des modèles de
libération présentés plus haut sont difficilement applicables au minerai aurifère et
expliquent également la faible quantité de publications orientées vers la modélisation de la
libération de ce métal précieux.
Lorenzen & van Deventer [2.17] ont proposé de quantifier la fraction d’or lixiviable
associée à une fraction granulométrique en modifiant le modèle de libération de King [2.7]
et y ajoutent un terme empirique associé à l’or lixiviable, mais non libéré. Wen & al [2.18]
proposent un modèle de libération cubique permettant de prédire la proportion d’or
disséminé devenant exposé par fragmentation. Cette proportion est dépendante du rapport
entre la granulométrie du minerai fragmenté et la taille des grains d’or ainsi que de la
proportion de fractures intergranulaires. Plus récemment, Free [2.19] a publié une méthode
permettant de quantifier les fractions d’un matériau de valeur présent dans un minerai
hétérogène qui sont :
totalement libéré
accessible en surface du minerai
totalement encapsulé
19
Ces degrés d’exposition minérale sont ensuite utilisés pour prédire l’extraction
hydrométallurgique du minéral de valeur. Bien que cet article ne soit pas directement
appliqué au cas de l’or, il ouvre une porte sur la possibilité de caractériser l’accessibilité de
l’or en discrétisant les surfaces accessibles en groupe distinct : totalement libre, accessible
en surface et encapsulé. Le dernier groupe devant être subdivisé dans le cas de l’or pour
tenir compte de la possibilité d’une dissolution par la porosité du minerai et du caractère
réfractaire d’une proportion de l’or [2.18].
2.2 Cyanuration de l’or
Depuis plus d’un siècle, le cyanure est utilisé en industrie pour lixivier l’or dans le but de
l’extraire des minerais. De nos jours, il est le réactif le plus utilisé dans les procédés de
récupération de l’or. Il est donc normal qu’un grand nombre de travaux de recherche aient
été menés afin de démythifier la réaction de cyanuration de l’or ([2.20] et [2.21]) . Les
travaux de Kudryk et Kellogg [2.22] semblent être les premiers à proposer un modèle axé
sur des réactions électrochimiques pour expliquer la dissolution de l’or. Ils proposent la
série de réactions suivante :
Réaction anodique :
2
2 4 2 2Au CN Au CN e
(Équation 2.7)
Réactions cathodiques :
2 2 2 22 2 2O H O e OH H O (Équation 2.8)
2 2 2 2H O e OH (Équation 2.9)
En résumé, la cyanuration est une réaction électrochimique où l’or est oxydé et ensuite
complexé sous la forme d’un ion stable ([Au(CN)2]-). De leur côté, l’oxygène et le
peroxyde sont respectivement réduits et consommés. Cette série d’actions mène aux
réactions globales suivantes ([2.22] à [2.24]) :
20
2 2 2 222 4 2 2 2Au O CN H O Au CN OH H O
(Équation 2.10)
2 2 22 4 2 2Au CN H O Au CN OH
(Équation 2.11)
Le transfert d’électrons ainsi que le déplacement des réactifs et des produits de la réaction
sont schématisés à la Figure 2.4.
Figure 2.4 : Représentation des transferts électrochimiques et massiques ayant lieu à la
surface d’une particule d’or lors de sa cyanuration [2.21]
2.2.1 Étapes d’une réaction hétérogène
Les réactions de lixiviation sont une succession d’étapes permettant à des réactifs présents
dans un milieu aqueux de dissoudre un minéral ou un métal solide. Ces réactions sont dites
hétérogènes. La Figure 2.5 présente les différentes étapes menant à la dissolution de l’or.
21
Figure 2.5 : Modèle conceptuel des réactions hétérogènes solide-liquide [2.20]
Sur la Figure 2.5, C, Ce et Cs sont respectivement les concentrations au site de la réaction
chimique, au sein de la solution liquide, et à la surface du solide. T, Te et Ts représentent les
températures aux mêmes endroits. La réaction hétérogène présentée à la Figure 2.5
implique plusieurs étapes qui se déroulent en série [2.25] :
1. la diffusion des réactifs à travers la couche limite (également appelé couche de
Nernst)
2. la diffusion des réactifs au sein des pores (également appelé transport interne)
3. l’adsorption des réactifs
4. la réaction chimique
5. la désorption des produits de la réaction
6. la diffusion externe des produits par les pores
7. la diffusion des produits à travers la couche externe.
L’étape la plus lente de la réaction est celle qui contrôle l’ensemble du mécanisme
réactionnel. Les réactions contrôlées par la diffusion externe sont caractérisées par [2.21] :
une énergie d’activation entre 5 et 20 kj/mol
un effet de l’augmentation de la vitesse du fluide sur la réaction
une cinétique proportionnelle au carré de la dimension des particules
22
Les réactions contrôlées par la diffusion interne sont caractérisées par [2.21] :
une énergie d’activation entre 5 et 20 kj/mol
aucun effet de l’augmentation de la vitesse du fluide sur la réaction
une cinétique proportionnelle à une puissance n de la dimension des particules
(1<n<2).
Les réactions contrôlées par la réaction chimique sont caractérisées par [2.21] :
une énergie d’activation entre 40 et 400 kj/mol
aucun effet de l’augmentation de la vitesse du fluide sur la réaction
une cinétique dépendante de la porosité initiale. Si elle est nulle, la cinétique est
proportionnelle à la dimension de la particule, sinon la dimension des particules n’a
aucun effet sur la cinétique de la réaction.
Dans le cas des minerais d’or, plusieurs études présentent des résultats contradictoires
quant à l’identification de l’étape limitante [2.26]. Certains affirment que c’est la diffusion
des réactifs vers le site de la réaction qui gouverne la réaction globale. D’autres concluent
que c’est la vitesse de la réaction chimique qui contrôle le tout. Ces différences peuvent être
expliquées par des conditions expérimentales différentes. Plusieurs modèles de lixiviation
sont donc proposés et chacun fait intervenir des facteurs différents : diffusion, adsorption,
électrochimie, passivation des surfaces, couche limite externe, interactions galvanique, il
est difficile de les comparer [2.27]. Les deux prochaines sections présentent un résumé de
ces différents modèles. Dans un premier temps, on présente les modèles de types
empiriques. Par la suite, les modèles faisant intervenir l’accessibilité des surfaces d’or sont
présentés.
2.2.2 Modèles électrochimiques et empiriques de cyanuration
Les travaux de Kudryk et Kellogg [2.22] proposant une série de réactions électrochimiques
pour expliquer la dissolution de l’or par le cyanure en présence d’oxygène ont servis de
23
base de travail à deux grandes catégories de modèles ayant pour but d’expliquer et de
prédire la réaction de dissolution de l’or :
les modèles couplant l’électrochimie à la diffusion des réactifs (appelés modèles
diffusionnels)
les modèles couplant l’électrochimie à la théorie du potentiel mixte (appelés
modèles chimiques)
Le premier modèle diffusionnel proposé fut celui de Habashi (1967) [2.23]. Le modèle
s’appuie sur l’hypothèse que la diffusion des réactifs vers le site de la réaction est l’étape
limitante de la réaction. Les modèles appartenant à la deuxième catégorie semblent issus
des travaux de Wadsworth (1991) [2.28] et de Li (1992) [2.29]. Dans tous les cas, les
expériences ont été menées sur des disques d’or rotatifs baignant dans une solution de
cyanure en présence d’oxygène. Ces conditions expérimentales rendent difficile
l’application de ces modèles dans un contexte industriel. La présence d’or pur totalement
libéré ayant une surface constante et baignant dans une solution entièrement liquide sont
loin des conditions observées industriellement.
La réaction hétérogène de dissolution de l’or est complexe et sa modélisation complète et
rigoureuse nécessiterait l’inclusion d’un nombre beaucoup trop important de phénomènes
et de variables pour que sa conception et son applicabilité soient envisageables [2.30]. C’est
pour cette raison qu’une série de travaux orientés vers des modèles empiriques ou des
modèles favorisant l’une des deux catégories de théories maitresses (voir la page
précédente) ont été publiés.
En 1975, Brittan [2.30] propose un modèle pseudohomogène pour caractériser la cinétique
de dissolution de l’or à la température ambiante et à un pH de 11.
24
,
S
S S
d Auk Au Au
dt (Équation 2.12)
où 1 2,S S
k Au Au k
k e
(Équation 2.13)
Dans ces équations S
Au est la concentration en or du minerai et ,S
Au
représente la
concentration en or résiduel du minerai (après un temps infini de lixiviation). k1 et k2 sont
des paramètres ajustables.
La structure de l’équation 2.12 est d’ailleurs reprise par McLaughlin & Agar [2.31]. Dans
leur cas, la variable « k » est indépendante de la concentration en or du minerai. Elle est en
fait traitée comme une constante.
En 1984, Nicol & al [2.32] utilisent une équation d’ordre deux pour décrire la cinétique de
dissolution d’un minerai d’or sud-africain.
2
,
S
S S
d Auk Au Au
dt (Équation 2.14)
Les équations 2.12 à 2.14 négligent l’effet de la concentration des réactifs sur la cinétique
de dissolution de l’or. Hodouin et al. [2.33] décident d’inclure cet effet aux modèles
proposés et paramètrent l’ordre de la réaction ().
,
S
S S
d Auk Au Au
dt
(Équation 2.15)
où 1 2 3 2k k k CN K O (Équation 2.16)
et 4 5 2,SAu k K O
(Équation 2.17)
Dans ces équations CN et 2O sont respectivement les concentrations en cyanure libre
et en oxygène de la phase aqueuse, alors que k1 à k5 sont des constantes à calibrer.
25
Ling et al. (1996) [2.34] proposent un modèle non linéaire où chaque réactif est associé à
un ordre différent.
1.50.81 0.10 0.73 0.09
2 ,0.0016 0.0002S
S S
d AuCN O Au Au
dt
(Équation 2.18)
Dans l’équation 2.18, l’ordre de 1.5 associé à l’or lixiviable est une valeur posée, alors que
les ordres associés aux autres réactifs et la constante cinétique sont calibrés à l’aide de
données expérimentales.
Toujours en 1996, Rubisov et al. [2.35] proposent deux modèles de cyanuration. L’un est
basé sur le modèle de Habashi [2.23], l’autre sur les travaux de Wadsworth [2.28]. Dans les
deux cas, les auteurs incluent aux modèles, la distribution des grains d’or et la variation de
leur surface durant le processus de lixiviation. Les équations proposées à partir des travaux
d’Habashi et de Wadsworth nécessitent respectivement la calibration de 3 et 4 paramètres.
Il est à noter que les deux modèles semblent bien représenter les données expérimentales.
Par contre, étant donné que le modèle basé sur l’équation d’Habashi nécessite l’ajustement
de moins de paramètres, il est préférable de l’utiliser.
Suivent ensuite une série de travaux ([2.27], [2.36] et [2.37]) proposant différents
mécanismes électrochimiques pour expliquer et quantifier la cinétique de dissolution de
l’or. Ces travaux supposent tous que la réaction est contrôlée par l’étape de la réaction
chimique. Il est à noter que tous ces travaux sont effectués sur des disques d’or rotatifs
déposés dans une solution de cyanure claire (sans phase solide).
Plus récemment, en 2005, de Andrade Lima & Hodouin [2.38] proposent un modèle non
linéaire dans la lignée du courant amorcé par Brittan [2.30] et évoluant jusqu’à Ling et al.
[2.34]. Les auteurs ajoutent à la structure en place, l’influence de la dimension de la
granulométrie sur la cinétique de dissolution de l’or. Cette façon indirecte de tenir compte
26
de l’accessibilité des surfaces permet de s’approcher d’une démarche couplant la libération
de l’or à sa cinétique de dissolution. Les équations suivantes sont proposées par les
auteurs :
2 3
1 2 ,
S
S S
d Aud CN O Au Au
dt
(Équation 2.19)
où 6
1 4 5d d
(Équation 2.20)
et 9
7 8,1
d
SAu e
(Équation 2.21)
Dans ces équations, 1 à 9 sont des paramètres à ajuster, alors que d représente la
moyenne géométrique d’une tranche granulométrique. Les paramètres proposés par les
auteurs montrent des effets de la granulométrie du minerai sur la cinétique de cyanuration
ainsi que sur la concentration d’or non lixiviable :
une augmentation de la concentration d’or résiduelle ( ,S
Au
) associée à une
augmentation de la taille du minerai ( d ).
une diminution de la constante cinétique de dissolution (1) de l’or associé à une
augmentation de la taille du minerai ( d ).
Ces deux constatations sont conformes à la logique de libération :
Plus les particules de minerai sont grossières, plus les chances de retrouver de l’or
encapsulé et inaccessible à une réaction chimique de surface augmentent.
Plus les particules de minerai sont grossières, moins la proportion d’or totalement
libéré est importante et moins la cinétique de dissolution de l’or est grande.
27
2.2.3 Modèles de cyanuration basés sur l’accessibilité des surfaces d’or
La réaction de dissolution de l’or en est une de surface. C’est à cet endroit que l’or, le
cyanure et l’oxygène se rencontrent et réagissent ensemble pour former un complexe
d’aurocyanure soluble (équations 2.10 et 2.11). L’accessibilité des surfaces d’or est donc un
élément essentiel au déroulement de cette réaction. Néanmoins, il existe très peu d’articles
proposant d’intégrer cet aspect à un modèle cinétique de cyanuration. Ceci peut s’expliquer
par la grande quantité de variables et phénomènes (dureté du minerai, présence de zones
minérales distinctes, granulométrie du minerai, taille des grains d’or, nature de l’or, formes
des particules de minerai et des grains d’or ...) qui jouent un rôle sur la libération des
surfaces d’or. En bref, à cause de la grande complexité du problème, seuls quelques auteurs
intègrent directement la notion de surface d’or accessible à leur modèle de cyanuration. Les
autres préfèrent passer par une méthode indirecte qui associe empiriquement la
granulométrie du minerai à la cinétique de cyanuration : une granulométrie plus fine
engendre une plus grande proportion de surfaces accessibles et par le fait même une
cinétique globale de dissolution plus grande.
Rubisov et al. (1996) [2.35] intègrent au modèle diffusionnel de Habashi [2.23] et au
modèle de Wadsworth [2.28] (basé sur la théorie du potentiel mixte), l’effet de la variation
de la surface des grains d’or lors du processus de lixiviation. En 1997, Crundwell & Godorr
[2.26] proposent un modèle de dissolution directement dépendant de la surface d’or :
AuAu
dNr A
dt (Équation 2.22)
où NAu; rAu et A sont respectivement le nombre de moles d’or solide, la vitesse de
dissolution de l’or par unité de surface et la surface d’or accessible.
Crundwell & Godorr [2.26] vont jusqu’à inclure une structure qui tient compte de la
présence d’un film passivant la surface d’or lors de la réaction. En bref, les auteurs
proposent un modèle où les surfaces d’or passivées et non passivées ont des cinétiques de
dissolution différentes :
28
1 'dfA
k f A k fAdt
(Équation 2.23)
où f, k et k’ sont respectivement la proportion de la surface d’or passivé, la constante
cinétique de cyanuration de l’or non passivé et la constante cinétique de cyanuration de l’or
passivé. Il est à noter que f et A sont des variables dépendantes du temps dans cette
équation.
L’accessibilité des surfaces d’or joue un rôle évident sur la cinétique de dissolution de l’or.
Une particule d’or totalement libérée est facilement accessible pour une attaque chimique
par le cyanure en présence d’oxygène. De son côté, le grain d’or encapsulé dans une
particule de minerai est plus difficilement accessible. Le cyanure et l’oxygène doivent
traverser les pores du minerai afin de dissoudre l’or. La grande majorité des articles traitant
de cet effet sont appliqués à la lixiviation en tas [2.39] à [2.42]. En fait, aucune publication
associée à la lixiviation en cuve d’un minerai d’or ne semble modéliser cet aspect de
manière directe. L’approche proposée récemment (2008) par Free [2.19] pour classifier
l’accessibilité des surfaces de cuivre en quatre classes distinctes (libéré, partiellement
accessible, accessible par la porosité du minerai et inaccessible) pourrait servir de point de
départ à une modélisation semblable dans le cas d’un minerai aurifère.
2.3 Réconciliation de données en régime permanent
Le débit et la composition des flux d'usines métallurgiques d’extraction sont habituellement
estimés simultanément à l’aide des contraintes de conservation de la matière (bilans
métallurgiques) et des mesures effectuées sur différentes variables de procédé. Cependant,
en raison des erreurs de mesures et des incertitudes reliées aux modèles utilisés, les
ensembles de données redondantes n’obéissent pas nécessairement aux équations de
conservation de la matière caractérisant le procédé étudié. Pour surmonter ce type
d'incohérences, les techniques de réconciliation de données sont utilisées pour filtrer les
variables mesurées et estimer celles qui ne le sont pas. La réconciliation de données,
associée aux contraintes de conservation de la matière en régime permanent, a été
29
intensivement étudiée [2.41] à [2.45]. Cette technique consiste à filtrer les variables
mesurées en minimisant un critère des moindres carrés tout en satisfaisant les contraintes de
conservation de la matière en régime statique. Ces problèmes de réconciliation sont
formulés de la manière suivante :
^
arg min( ( )) ( ( ))TX Y G X V Y G X
(Équation 2.24)
Sous les contraintes :
0F X
min maxX X X
où X représente les variables d’état, ^
X les variables filtrées ou estimées et Y les mesure.
On suppose que les erreurs de mesures ‘e’ ont une moyenne nulle, une variance connue ‘V’
et sont normalement distribuées. F(X) contient les équations de conservation de la matière,
tandis que G(X) permet de relier les mesures aux variables d’état. Finalement, la dernière
contrainte assure que les estimations des variables d’état soient situées dans des intervalles
de faisabilité qui ont un sens physique logique. Par exemple, les fractions massiques
doivent être comprises entre 0 et 1.
Lorsque F et G sont des fonctions linéaires et que les contraintes d'inégalité sont inactives,
la solution de ce problème est analytique. Cela se produit, par exemple, quand les variables
d’état sont directement mesurées et représentent des débits d'espèces. À ce moment, les
fonctions F et G sont linéaires et représentées par les équations suivantes :
F X MX (Équation 2.25)
G X CX (Équation 2.26)
où M est la matrice d’incidence du procédé et C la matrice reliant les mesures aux variables
d’état.
30
Les coefficients (-1, +1 ou 0) des équations de conservation de la matière sont utilisés pour
construire la matrice d'incidence, alors que la matrice C est construite à l’aide des
coefficients issus des équations d’observation. La solution du problème est alors obtenue
par l’équation suivante :
1
1 1 11 1 1 1ˆ T T T T T TX C V C I M M C V C M M C V C C V Y
(Équation 2.27)
où I est la matrice identité.
Malheureusement, les mesures de procédé sont habituellement obtenues sous forme de
débits (Di) et de compositions de la matière (ci,j). Dans ce cas, les états de procédés sont
définis à l’aide de deux niveaux de propriétés et la fonction F est alors bilinéaire. Ce type
de problème de réconciliation est bien connu ([2.48] et [2.49]) et peut être résolu à l’aide
d’une méthode hiérarchisée présentée à la Figure 2.6. Cette méthode consiste à simplifier le
problème bilinéaire en le rendant linéaire. Dans un premier temps, certaines valeurs sont
attribuées à un ensemble de débits indépendants. À l’aide de ces valeurs et des équations de
conservation de la matière, les autres débits du système sont estimés. Par la suite, puisque
les valeurs des débits sont fixées, la réconciliation des compositions de la matière devient
un problème d’optimisation sous contraintes linéaires et peut être résolue analytiquement à
l’aide de l’équation 2.15. Finalement, afin de trouver le point minimum global du critère
des moindres carrés pondérés, une recherche par itération sur les valeurs des débits est
effectuée. L’équation permettant de calculer le critère est :
( ( )) ( ( ))TJ Y G X V Y G X (Équation 2.28)
31
Figure 2.6 : Méthode hiérarchisée permettant de solutionner un problème bilinéaire de
réconciliation en régime permanent
Habituellement, quand les performances d'une usine de traitement sont évaluées, plus de
deux niveaux de propriétés de la matière doivent être étudiés [2.50] à [2.52]. Les flux de
matière peuvent contenir plusieurs phases (minerai, charbon, phase aqueuse, phase
organique, ...) qui sont caractérisées par une variété de propriétés telles que les débits, la
densité, la distribution granulométrique ainsi que les compositions minérales et chimiques
de chaque phase et classe de particules. La complexité des fonctions F et G peut rapidement
augmenter avec le degré de détails nécessaires pour caractériser le procédé. Dans ces cas, le
problème est résolu à l’aide d’un algorithme de programmation non linéaire. La Figure 2.7
présente l’algorithme de réconciliation par la méthode de programmation non linéaire. La
méthode consiste à rechercher le point minimisant le critère des moindres carrés pondérés
(Équation 2.24) en effectuant des itérations sur un ensemble de variables indépendantes.
32
Figure 2.7 : Algorithme non-linéaire de recherche de l’optimum
Chapitre 3 : Réconciliation multilinéaire - Application à
un circuit de fragmentation
L’échantillonnage d’un procédé industriel permet de l’analyser et de le caractériser. À
l’aide des informations recueillies et des contraintes de conservation de la matière, il est
possible d’estimer les débits et la composition des flux d'usines d’extraction. Cependant, en
raison des erreurs de mesures et des incertitudes reliées aux modèles utilisés, les ensembles
de données redondantes obéissent rarement aux équations de conservation de la matière
caractérisant le procédé. Pour surmonter ce type d'incohérences, les techniques de
réconciliation de données présentées à la section 2.4 permettent de filtrer les variables
mesurées et d’estimer celles qui ne le sont pas à l’aide des contraintes de conservation de la
matière associées au procédé étudié. Dans le cas d’une usine traitant un minerai d’or, le
problème de réconciliation peut être complexe, car différentes phases sont impliquées
(pulpe, liquide, charbon et minerai) et chacune d’entre elles est caractérisée par des
propriétés différentes (distributions granulométriques ainsi que les compositions chimiques
et minérales). De plus, les compositions chimiques et minérales associées à chacune des
classes granulométriques peuvent aussi être considérées, ce qui a pour effet de complexifier
le problème de réconciliation. Étant donné la nature particulière et complexe de ce type de
problèmes, seules quelques études sur la réconciliation de données autour d’un procédé
d’extraction de minerai d’or sont disponibles [3.1] à [3.3].
Le but de ce chapitre est de clarifier la formulation des problèmes de réconciliation associés
aux usines de traitement de minerai qui incluent des opérations de fragmentation, de
séparation, de lixiviation et d’adsorption. Afin de démontrer l'utilité des techniques utilisées
pour résoudre ces problèmes, elles sont appliquées aux équations de conservation de la
matière d’un circuit de broyage pour lequel une cyanuration intervient simultanément à
l’étape de fragmentation. Finalement, afin de souligner les avantages de la réconciliation de
données, dans un contexte où l'incertitude des mesures est grande et le nombre d'équations
d’état et d'observation est élevé, quelques résultats sont analysés et discutés.
34
3.1 Caractérisation multilinéaire d’un flux de matière
Afin d’élaborer une structure générale permettant la réconciliation de données issues d’un
procédé d’extraction de l’or, il est essentiel de structurer l’information contenue dans
chaque flux du procédé. La Figure 3.1 montre une des représentations multi-niveaux que
peut prendre un flux de matière appartenant à une usine de traitement de minerai d'or. Dans
un premier temps, la pulpe est divisée en 3 phases : le liquide, le minerai et le charbon.
Chacune de ces phases est ensuite subdivisée selon ses propriétés ou espèces qu’elle
contient. La phase liquide contient les réactifs chimiques et les espèces lixiviées. Le
minerai est subdivisé en catégories de populations de particules (grossières et fines). Ces
catégories sont par la suite séparées en classes granulométriques. Finalement, chaque classe
granulométrique est caractérisée par son contenu minéral (or natif, pyrite, hématite, …) et
son contenu chimique (Au, Ag, Cu, ...). De son côté, le charbon est séparé en classes
granulométriques. Ces classes sont ensuite caractérisées par leur contenu métallique.
Figure 3.1 : Représentation multi niveaux d’un flux associé à une usine générique traitant les minerais d’or
35
Différentes variables d’états peuvent être utilisées pour caractériser l'usine. Une option est
de choisir les débits des espèces qui sont à la fin des branches de la Figure 3.1. Ce choix
engendre des équations de conservation massiques linéaires, mais provoque une forte non-
linéarité des équations d'observation. Cette non-linéarité est attribuable au fait que les états
choisis ne sont pas directement mesurables. Ils représentent, en fait, une combinaison de
plusieurs valeurs mesurées. Par exemple, à la Figure 3.1, le débit minéral associé aux
particules appartenant à une classe granulométrique donnée est le produit du débit de pulpe,
de la proportion de minerai contenu dans la pulpe, de la fraction massique de particules
appartenant à cette classe granulométrique et de sa composition minérale. Une seconde
option, qui sera favorisée ici, consiste à rester près des variables mesurées. Ce choix peut
provoquer l’apparition de variables d’états redondantes et de contraintes de conservation
plus complexes, mais permet de travailler avec des équations d'observation linéaires et un
ensemble d’équations à résoudre qui représente bien la réalité physique du procédé.
3.2 Description du procédé et des données recueillies
Le procédé échantillonné et sur lequel est appliquée la réconciliation de données est celui
de la mine de Géant Dormant. La mine Géant Dormant est située à environ 100 kilomètres
au nord de la ville d'Amos, dans la région de l'Abitibi, au Québec. La production de cette
mine d'or a débuté en 1988. À la fin de 2006, elle avait produit un total de 825 000 onces
d'or à partir de 2 306 000 tonnes de minerai, à une teneur moyenne de 11,1 g/t Au. La mine
possède une usine de traitement d'une capacité de 900 tonnes/jour. Dans la première partie
de cette usine, le minerai est concassé et alimenté au circuit de broyage. Ce circuit permet
de libérer, par fragmentation, les surfaces d’or afin de les rendre vulnérables à une
éventuelle dissolution par attaque chimique. Une fois fragmenté, le minerai est alimenté
vers une série de sept cuves de lixiviation où la dissolution de l’or a lieu. Les deux
premières cuves sont utilisées pour effectuer une préaération du minerai, alors que les cinq
autres permettent la dissolution de l’or en présence de cyanure et d’oxygène. L’or dissout
est récupéré sur du charbon actif qui est alimenté à contre-courant. Le charbon est alimenté
à la dernière cuve de lixiviation et est extrait à la quatrième cuve. Le rhéogramme complet
36
de l’usine de traitement est disponible à l’Annexe I. Des essais de traceurs au lithium ont
été faits autour des deux broyeurs du circuit. Les résultats de ces essais sont disponibles à
l’Annexe VIII. Ces résultats n’ont pas été utilisés lors de l’analyse puisqu’ils sont difficiles
à analyser et comparer.
Le minerai alimenté au circuit de Géant Dormant est principalement composé de Quartz
(environ 40%). Sa composition minérale est estimée à l’aide d’une analyse modale dont les
résultats sont résumés au Tableau 3.1.
Tableau 3.1 : Analyse modale du minerai de Géant Dormant
Dans cette étude, on applique les techniques de réconciliation aux mesures associées au
circuit de broyage du concentrateur. Le rhéogramme du circuit étudié est présenté à la
Figure 3.2. Les cercles gris identifient les sept points d'échantillonnage. Les mesures
effectuées à chaque point d’échantillonnage sont limitées aux débits, à la fraction de solide,
à la proportion de particules grossières (+38 m) et fines (-38 m), à la distribution
granulométrique pour douze classes de particules grossières, aux concentrations chimiques
associées à la phase liquide, au minerai global ainsi que celles associées aux particules
grossières et fines. Ces concentrations sont mesurées pour les classes principales
(grossières et fines), mais également pour chacune des classes granulométriques. Puisque
l’échantillonnage se limite à un groupe de mesures précises, la représentation multi niveaux
des flux de matière associés à la réconciliation autour du procédé étudié (Figure 3.3) se
distingue donc quelque peu de la représentation générale présentée à la Figure 3.3.
37
Figure 3.2 : Rhéogramme du circuit de broyage de Géant Dormant (Sep : séparateur)
Figure 3.3 : Représentation multi niveaux d’un flux provenant du circuit de broyage de Géant Dormant
38
Pour l'étude de cas présentée, un ensemble redondant des variables d’état a été choisi. Ces
variables représentent surtout des données mesurées ou directement mesurables. Elles sont
définies comme suit :
Débits :
o Liquide associé au flux k l
kx lX
o Minerai associé au flux k o
kx oX
Phase liquide :
o Concentration d’espèce lixiviable i présente dans la phase liquide du flux k
,
,
l L
k ix ,l L
iX
o Concentration en réactif i présent dans la phase liquide du flux k
,
,
l R
k ix ,l R
iX
Minerai :
o Proportion de particules appartenant à la classe granulométrique j du flux k
,
o
k jx o
jX
o Concentration de l’espèce lixiviable i associée à la classe granulométrique j
du flux k ,
, ,
o L
k j ix ,
,
o L
j iX
o Concentration de l’espèce non lixiviable i associée à la classe
granulométrique j du flux k ,
, ,
o U
k j ix ,
,
o U
j iX
où X représente le vecteur de l’ensemble des variables xk.
Bien que cet ensemble de variables d’état soit fort utile pour résoudre le problème de
réconciliation, il est redondant. En effet, certaines de ces variables sont reliées entre elles
par des contraintes. La première indique que la sommation des proportions de particules
appartenant aux différentes classes granulométriques doit être égale à 1 :
39
,
1
1n
o
k j
j
x
(Équation 3.1)
De plus, on forcera la proportion de particules de minerai grossier à être égale à la
sommation des particules se retrouvant dans les classes granulométriques considérées
grossières :
1
, , 1
1
no o
k j k n
j
x x
(Équation 3.2)
où n est le nombre de classes granulométriques et n+1 est l'index de la classe de particules
grossières.
Les masses d’espèces lixiviables et non lixivables présentes dans le minerai grossier
doivent être égales à la somme des espèces se retrouvant dans les classes granulométriques
associées aux particules grossières :
1, ,
, , , , 1 , 1,
1
no o L o o L
k j k j i k n k n i
j
x x x x
(Équation 3.3)
1, ,
, , , , 1 , 1,
1
no o U o o U
k j k j i k n k n i
j
x x x x
(Équation 3.4)
Finalement, les deux dernières équations de contraintes à considérer stipulent que les
masses globales d’espèces lixiviables et non lixivables présentes dans le minerai sont la
somme des espèces présentes dans le minerai grossier et le minerai fin.
, , ,
, 2, , , , , 1 , 1,
o L o o L o o L
k n i k n k n i k n k n ix x x x x (Équation 3.5)
, , ,
, 2, , , , , 1 , 1,
o U o o U o o U
k n i k n k n i k n k n ix x x x x (Équation 3.6)
où n+2 est l'index associé au minerai global (analyse de la souche)
40
3.3 Formulation des contraintes et des équations d’observation
En régime permanent, pour chaque espèce conservée autour d’un procédé, on peut définir
un réseau de branches et de nœuds permettant de caractériser les équations de conservation
de la matière. Pour un réseau donné, chaque branche correspond à un flux et chaque nœud à
une contrainte de conservation de la matière. Dans le cas d’usines de traitement des
minerais d'or, les nœuds représentent les équipements présentés dans le Tableau 3.2. Ce
tableau souligne les caractéristiques de chaque équipement face aux contraintes de
conservation de la matière. Les informations surlignées en gris impliquent que la
conservation de la matière est restreinte par une contrainte supplémentaire : les variables de
sortie sont égales aux variables d’entrée.
Tableau 3.2 : Les caractéristiques de différents équipements face aux contraintes de
conservation de la matière en régime permanent
Les réseaux permettant de schématiser les contraintes de conservation massique relatives à
l'étude de cas sont présentés à la Figure 3.4. Pour chaque graphique, les coefficients (-1, +1
ou 0) des équations de conservation de la matière sont utilisés pour construire une matrice
d'incidence (M). Dans les prochaines sous-sections, les équations de conservation associées
aux différents réseaux seront présentées.
41
Figure 3.4 : Réseaux associés aux contraintes de conservation massique du circuit de broyage de Géant Dormant
3.3.1 Conservation massique de la phase liquide
Les équations de conservation de la matière associées à la phase liquide supposent qu'il n'y
a aucune transformation chimique ou physique associée à la phase liquide, c'est-à-dire que
les masses d'espèces lixiviées peuvent être négligées. Cette hypothèse est raisonnable dans
le cas présent puisque les espèces lixiviables sont présentes en très petite quantité dans le
minerai (ppm) et que les temps de séjour dans chacun des équipements est faible (moins de
5 min). Conséquemment, l'expression des contraintes de conservation massique est donnée
par :
0l
lM X (Équation 3.7)
où Ml est la matrice d'incidence pour les débits liquides.
La Figure 3.4a montre le réseau représentant la conservation massique de la phase liquide
au circuit de broyage de Géant Dormant.
42
3.3.2 Conservation massique des classes granulométriques
Le réseau associé à la conservation massique dans les différentes classes granulométriques
inclut tous les nœuds où il n'y a aucune fracture ou abrasion de particules. Dans le cas du
procédé étudié, le réseau associé à la conservation massique des classes granulométriques
est celui de la Figure 3.4b. Les contraintes de conservation sont alors dictées par:
0j
o o
pM X X pour j=1 à n (Équation 3.8)
où Mp est la matrice d'incidence du réseau de conservation des classes granulométriques et
représente l’opérateur mathématique du produit terme à terme de deux vecteurs (produit
de Hadamard). Il est à noter que la combinaison des équations 3.2 et 3.8 assure la
conservation massique des particules grossières.
3.3.3 Conservation massique du minerai
Comme les variables d’état choisies pour résoudre le problème de réconciliation sont
redondantes, l'équation 3.8 implique, lorsque la masse de particules associées aux
différentes classes granulométriques est conservée, que la masse totale de minerai est
également conservée. Par contre, elle ne précise rien dans le cas où la masse de minerai
global est conservée et où la masse de particules associées aux différentes classes
granulométriques ne l’est pas. Conséquemment, il est nécessaire d’utiliser un ensemble de
nœuds supplémentaires permettant de satisfaire toutes les contraintes de conservation
massique du minerai global :
0 0oM X (Équation 3.9)
où Mo est la matrice d'incidence pour laquelle la masse de minerai est conservée, mais où
les classes granulométriques ne le sont pas. La Figure 3.4c présente ce réseau pour le circuit
de broyage de Géant Dormant.
43
3.3.4 Conservation massique des espèces non lixiviables
La conservation d'espèces non lixiviables doit être écrite pour deux situations distinctes :
lorsque les particules appartenant à une classe granulométrique sont conservées et
lorsqu’elles ne le sont pas. Dans le premier cas, le réseau de branches est le même que celui
présenté à la section 3.3.2 (Figure 3.4b) et l'équation de conservation est :
0 ,
, 0o o U
p j j iM X X X (Équation 3.10)
Dans cette situation, la combinaison des équations 3.4, 3.6 et 3.10 implique la conservation
des espèces non lixiviables pour les particules grossières et pour le minerai global.
Cependant, ces équations ne suffisent pas pour caractériser la conservation massique du
minerai global aux nœuds où les particules associées à une classe granulométrique ne sont
pas conservées. Dans ce cas, il faut utiliser cette équation :
0
2 , 2, 0o o
o n U n iM X X X (Équation 3.11)
3.3.5 Conservation massique des espèces lixiviables
La conservation d'espèces lixiviables doit aussi être écrite pour deux situations distinctes :
lorsque les espèces chimiques sont dissoutes et quand elles ne le sont pas. Pour une usine
de traitement de minerai d’or, on peut considérer qu’il y a lixiviation seulement aux nœuds
où il y a présence de réactifs lixiviants (tel que le cyanure) et où le temps de contact entre
les phases liquide et solide est suffisamment long pour provoquer un échange significatif
d'espèces entre les deux phases. Dans ces dernières conditions, les équations de
conservation de la matière sont dictées par :
44
0 , ,
2 2, 0o o L l l L
L n n i L iM X X X M X X (Équation 3.12)
où ML est la matrice d'incidence pour laquelle il y a lixiviation à tous les nœuds.
Dans le cas du circuit de broyage étudié, on considère que la dissolution des espèces
lixiviables se produit seulement dans les équipements où le temps de séjour est
suffisamment long pour permettre un échange significatif de matière entre les phases solide
et liquide. Comme aucun autre équipement que les broyeurs ne possèdent un temps de
séjour permettant de considérer une dissolution des espèces lixiviables, seuls les bilans
autour des deux broyeurs sont considérés ici. Finalement, puisque ces broyeurs contiennent
du cyanure, on peut écrire :
L OM M (Équation 3.13)
Dans le cas des espèces lixiviables qui ne sont pas dissoutes, les équations de conservation
massique ont la même forme générale que celles d'espèces non lixiviables, mais peuvent se
produire à différents noeuds du procédé. Par conséquent, ces équations font intervenir des
matrices d’incidence différentes de celles présentées à la section 3.3.4. Les équations
suivantes correspondent respectivement aux deux scénarios possibles : lorsque les
particules associées à une classe granulométrique sont conservées et lorsqu’elles ne le sont
pas :
,
, 0p
U o o o L
j j iM X X X pour j=1 à n (Équation 3.14)
2 2, 0o
U o o o
n n iM X X X (Équation 3.15)
p
UM et U
oM sont les matrices d’incidence pour lesquels les espèces lixiviables ne sont pas
dissoutes. Dans le cas de p
UM , les particules appartenant à une classe granulométrique se
conservent. Pour U
oM , ce n’est pas le cas. Puisque dans le scénario étudié, les seuls
45
modules impliquant une lixiviation sont les deux broyeurs, U
oM est une matrice vide et on
obtient donc :
p
U
pM M (Équation 3.16)
3.3.6 Conservation massique des réactifs en phase liquide
Lorsqu’il y a réaction chimique, l’échantillonnage à l’entrée et à la sortie d’une unité
opérant en régime permanent n’est pas suffisant pour avoir un ensemble de données
redondantes. La transformation et la dissolution des espèces chimiques lors de la réaction
nécessitent d’avoir de l’information supplémentaire (normalement associée à la cinétique
de la réaction chimique) pour effectuer la réconciliation massique des réactifs présents dans
une phase du système. Pour l’étude de cas présentée dans ce chapitre, lorsque le temps de
séjour d’un équipement est faible et ne permet pas une dissolution significative des espèces
lixiviables, on considère que la réaction chimique est nulle. Cette information permet
d’approximer que les réactifs présents dans la phase liquide se conservent entre l’entrée et
la sortie de l’unité. Le réseau de conservation massique de ces espèces (Mr) est un sous-
réseau de Ml où les nœuds associés à des réactions significatives de lixiviation sont
éliminés. Dans le cas du circuit de broyage de Géant Dormant, ce réseau est représenté par
le schéma de la Figure 3.4d. Les équations de conservation massique sont donc dictées par :
0l l
r iM X X (Équation 3.17)
3.3.7 Contraintes additionnelles
En plus des contraintes présentées dans les sections précédentes, la réconciliation de
données autour d’un procédé nécessite souvent l’ajout de contraintes spécifiques associées
aux modules de division et de séparation de la matière. Dans le cas du circuit de broyage
46
étudié, des contraintes additionnelles reliées à l’opération du diviseur et des hydrocyclones
doivent être considérées. En effet, les extrants de ces modules sont reliés aux intrants par
des contraintes physiques. Par exemple, si l’on considère qu’il n'y a aucune ségrégation ou
lixiviation autour d'un diviseur, la proportion de matière appartenant à une dimension de
particules de minerai, la composition chimique des dites particules ainsi que celle de la
phase liquide auront la même valeur pour les flux d’entrée et de sortie de l’unité. De plus, si
le comportement du diviseur est considéré idéal et équitable, les débits issus de l’unité
seront forcément égaux. En ce qui concerne les hydrocyclones, comme le temps de séjour y
est très faible et que, par conséquent, les réactions de dissolution peuvent être négligées, la
composition de la phase liquide devrait être la même autour de cet équipement. Toutes ces
contraintes sont globalement considérées par l’ajout de la contrainte suivante :
0AX (Équation 3.18)
où A est la matrice des coefficients associés aux équations de contraintes additionnelles et
X est le vecteur d’état.
3.3.8 Équations d’observation
Les dernières équations nécessaires à la réconciliation des données sont celles reliant les
variables d’état aux mesures effectuées. Ces équations sont appelées « équations
d’observation » et sont présentées sous la forme générale suivante :
( )Y G x e (Équation 3.19)
où Y est le vecteur de mesures, X est le vecteur des variables d’état et e représente l’erreur
de mesure. Pour chaque type de mesures effectuées autour du procédé, une équation
d'observation spécifique peut être écrite :
Débits : o
F F l
XY C
X
(Équation 3.20)
(Équation 3.21)
où est un opérateur permettant la division terme à terme
47
Composition chimique de la phase liquide :
l l l
i i iY C X pour i=1 à iL + ir (Équation 3.22)
Composition chimique du minerai :
0
, , ,
o o
j i j i j iY C X pour tous i et tous j (Équation 3.23)
Distribution granulométrique du minerai :
0o o
j j jY C X pour j=1 à n+1 (Équation 3.24)
FC , %C , l
iC , ,
o
j iC et o
jC sont les matrices reliant les variables mesurées aux variables d’état.
3.3.9 Observabilité des états et redondance des données
Le problème de réconciliation présenté aux sous-sections précédentes est imposant. Le
problème contient 806 états à estimer à l’aide de 622 mesures (dont 69 concentrations en or
mesurées en double) et 590 équations. Les variables estimées et corrigées à l’aide des 406
degrés de liberté sont associées à neuf des onze flux du circuit de broyage (Figure 3.2). Les
caractéristiques de l’eau de procédé (DL18) et du flux de minerai (D1) qui sont alimentés
au broyeur à barres ne sont pas observables à l’aide des données recueillies. Pour chacun
des neuf autres flux, les variables suivantes sont estimées :
Le débit de matière solide
Le débit de matière liquide
La granulométrie du minerai
Les concentrations de la phase liquide :
o Argent
o Or
o Cuivre
o Oxygène dissous
o Cyanure libre
Les granulochimies de la phase solide et les concentrations chimiques des analyses
du minerai fin (- 400 meshs), grossier (+ 400 meshs) et de la souche :
48
o Argent
o Or
o Cuivre
o Fer
o Soufre
Il est à noter que la majorité des variables sont mesurées. Seuls les flux d’alimentation aux
deux broyeurs n’ont pas été échantillonnés et la plupart des débits de minerai sont
inconnus, mais estimables (voir la liste des mesures présentée à l’annexe II). En fait, la
supposition d’une séparation parfaite des qualités de la matière à la sortie de la sousverse
des hydrocyclones permet d’avoir une quantité d’informations suffisantes pour rendre le
système redondant et observable en tout point (à l’exception de l’alimentation du broyeur à
barres). Bien que toutes les mesures soient redondantes et réconciliables, il est important de
noter que le surplus d’informations n’est pas équitablement distribué autour du circuit de
broyage. En effet, puisque les broyeurs transforment la matière par fragmentation et
cyanuration, il est plus difficile d’avoir un surplus d’informations autour de ces
équipements par simple bilan de matière macroscopique que dans le cas des hydrocyclones
qui effectuent une simple classification de la matière. L’intégration d’équation cinétique de
fragmentation serait nécessaire pour améliorer la redondance autour des broyeurs.
3.4 Résultats et discussions
Cette section présente une analyse des résultats obtenus lors du processus de réconciliation
des données provenant du circuit de broyage de Géant Dormant. Dans un premier temps,
les résultats obtenus sont utilisés pour démontrer l’efficacité de la réconciliation de données
pour analyser la performance des hydrocyclones. Par la suite, une analyse sommaire du
comportement des métaux lors du processus de fragmentation est effectuée. Finalement, les
résultats obtenus sont analysés dans le but de départager les mesures fiables de celles qui le
sont moins. Afin d’alléger le contenu de cette section, l’ensemble des mesures effectuées
autour du procédé et les résultats complets de la réconciliation sont présentés à l’annexe II.
49
3.4.1 Étude du comportement des hydrocyclones
Les hydrocyclones permettent de classifier les particules présentes dans un flux selon leur
masse. Les particules les plus lourdes passent en sousverse alors que les particules légères
quittent par la surverse. Les hydrocyclones sont fréquemment utilisés pour séparer le
minerai suffisamment broyé de celui qui nécessite d’être fragmenté à nouveau (exemple
présenté à la Figure 3.5). On les retrouve donc, par exemple, à la sortie de circuits de
broyage. La sousverse est retournée vers le circuit de broyage et la surverse passe à l’étape
suivante du procédé.
Figure 3.5 : Circuit générique de broyage en boucle fermée
La Figure 3.6 présente la courbe de partage théorique d’un hydrocyclone. Cette courbe
indique la probabilité de passage d’une particule vers la sousverse en fonction de sa
dimension. Cette courbe a généralement la forme d’un S. Les particules les plus grossières
(plus lourdes) ont une plus grande probabilité de se retrouver en sousverse, alors que cette
probabilité diminue pour les particules fines (légères). Le point de dimension nulle sur la
courbe, correspond à la dimension de très fines particules se retrouvant à la sousverse et est
nommé soutirage (Rf).
50
Figure 3.6 : Courbe de partage théorique d’un hydrocyclone
Les courbes de partage caractérisant les hydrocyclones du circuit étudié peuvent être
obtenues à l’aide des mesures brutes issues de l’échantillonnage du circuit de broyage ou à
l’aide des résultats obtenus lors de la réconciliation de l’ensemble des observations. Les
deux types de résultats sont comparés aux figures 3.7 à 3.12 en appliquant l’équation
suivante :
0 ,
, , ,
0 ,
in in, in, ,
Pour tous i
Proportion en sousverse Pour j=1 à n
Pour A = L et U
o o A
sous sous j sous j i
o o A
j j i
x x x
x x x
(Équation 3.25)
51
Figure 3.7 : Courbes de partage observée et réconciliée pour le minerai global
Figure 3.8 : Courbes de partage observée et réconciliée de l’argent
Partage des particules de minerai
aux hydrocyclones
0,0
20,0
40,0
60,0
80,0
100,0
120,0
10 100 1000 10000
Tailles des particules (um)
Pro
po
rtio
n e
n s
ou
svers
e (
%)
Données brutes
Données réconciliées
Partage de l'argent aux hydrocyclones
0,00
20,00
40,00
60,00
80,00
100,00
120,00
140,00
10 100 1000 10000
Taille des particules (um)
Pro
po
rtio
n e
n s
ou
svers
e (
%)
Données brutes
Données réconciliées
52
Figure 3. 9 : Courbes de partage observée et réconciliée du cuivre
Figure 3.10 : Courbes de partage observée et réconciliée du fer
Partage du cuivre aux hydrocyclones
0,0
20,0
40,0
60,0
80,0
100,0
120,0
10 100 1000 10000
Taille des particules (um)
Pro
po
rtio
n e
n s
ou
svers
e (
%)
Données brutes
Données réconciliées
Partage du fer aux hydrocyclones
0,0
20,0
40,0
60,0
80,0
100,0
120,0
10 100 1000 10000
Taille des particules (um)
Pro
po
rtio
n e
n s
ou
svers
e (
%)
Données brutes
Données réconciliées
53
Figure 3.11 : Courbes de partage observée et réconciliée de l’or
Figure 3.12 : Courbes de partage observée et réconciliée du soufre
On remarque que les erreurs de mesures associées à l’échantillonnage du circuit engendrent
des résultats incohérents et conséquemment rendent l’étude des comportements du système
difficile. Les courbes produites à l’aide des données brutes présentent des résultats où
Partage de l'or aux hydrocyclones
0,0
20,0
40,0
60,0
80,0
100,0
120,0
140,0
160,0
10 100 1000 10000
Taille des particules (um)
Pro
po
rtio
n e
n s
ou
svers
e (
%)
Données brutes série 1
Données brutes série 2
Données réconciliées
54
l’effet anticipé de la dimension des particules sur la classification est peu observable et où
certaines proportions de matière se retrouvant en sousverse dépassent le seuil de 100%. De
plus, la forme de certaines courbes (minerais, fer et soufre) laisse envisager la possibilité
que la proportion de la matière se retrouvant en sousverse diminue avec une augmentation
de la taille des particules. L’explication logique de ce phénomène résiderait dans le fait que
les courbes présentées sont en fait un amalgame de courbes de partage associées à des
particules de densité diverse. La Figure 3.13 présente ce phénomène. Sur cette figure, les
courbes pointillées sont associées à des particules de densités diverses et la courbe en gras
caractérise l’effet général de la classification du minerai.
Figure 3.13 : Courbe de partage résumant le comportement d’un amalgame de particules
Dans le cas présent, la théorie énoncée précédemment ne permet pas d’expliquer les
résultats bruts obtenus. En effet, la simulation du partage des particules à l’aide des
paramètres et équations théoriques présentées au chapitre 7 indiquent que toutes les
particules de plus de 280 microns se retrouvent entièrement à la sousverse de
l’hydrocyclone, alors que ce phénomène n’est pas observé à l’aide des résultats bruts. La
Figure 3.14 présente les résultats obtenus lors de la simulation du partage de la matière
55
pour chacun des éléments identifiés lors de l’analyse modale du minerai (Tableau 3.1) et
ceci à l’aide du modèle et des paramètres présentés au chapitre 7. Le phénomène observé
sur les courbes brutes (figures 3.7, 3.10 et 3.12) et disparaissant lors de la réconciliation des
données pourrait être attribuable à une erreur de mesures dépendantes de la taille des
particules de minerai.
Figure 3.14 : Courbes de partage résultant de la simulation du comportement des hydrocyclones à l’aide des paramètres obtenus au chapitre 7
De leur côté, les courbes obtenues à l’aide des données réconciliées (figure 3.7 à 3.12)
semblent suivre la tendance anticipée ainsi que la forme théorique de la courbe de partage.
De plus, la structure imposée par les équations de conservation de la matière autour de
l’hydrocyclone assure que la proportion de particules se retrouvant à la sousverse de
l’hydrocyclone ne dépasse pas 100%.
À l’aide des analyses chimiques liquides mesurées et réconciliées, il est possible de
déterminer le comportement global de certains métaux et minéraux lors de la classification.
56
Les données disponibles permettent de caractériser le comportement de l’or, de l’argent et
de la chalcopyrite aux hydrocyclones. Les informations disponibles ne permettent pas de
classifier de manière précise le comportement des autres constituants du minerai. Dans le
cas des minéraux ferreux et sulfureux, seul le comportement global des éléments chimiques
primaires (fer et soufre) est retraçable. Ceux-ci sont présentés aux figures 3.10 et 3.12. La
Figure 3.15 compare les courbes de partage de l’or, de l’argent et de la chalcopyrite lors de
l’étape de classification. On y remarque l’effet de la densité des particules sur le classement
gravimétrique. Pour une dimension donnée, les métaux de valeur ont une probabilité de
recirculation beaucoup plus grande vers le circuit de broyage qu’une particule générique
(particule de minerai densité moyenne). En effet, les débits estimés et présentés à l’annexe
II montrent une recirculation (proportion de matière recyclée vers le circuit de broyage sur
la quantité de matière fraîche alimentée au circuit de broyage) moyenne de 751% de la
matière pour le minerai générique comparativement à une valeur de 8498% dans le cas de
l’or. En d’autres termes, une particule d’or est recirculée, en moyenne, 85 fois vers le
circuit de broyage avant d’être alimentée au circuit de cyanuration.
Figure 3.15 : Comparaison entre les courbes de partage des métaux, des minéraux et du
minerai global
Partage de l'argent, de l'or et de la chalcopyrite
aux hydrocyclones
0,0
20,0
40,0
60,0
80,0
100,0
120,0
10 100 1000 10000
Taille des particules (um)
Pro
po
rtio
n e
n s
ou
svers
e (
%)
Chalcopyrite
Argent
Or
Minerai global
57
3.4.2 Étude du comportement des broyeurs
En observant les analyses réconciliées des métaux (or, argent, cuivre et fer) pour les
différentes classes granulométriques, on remarque qu’il y a systématiquement un
enrichissement des particules grossières et un appauvrissement des fines lors du passage
des particules dans les broyeurs à boulets. En considérant que le temps de séjour dans les
broyeurs est suffisamment faible pour minimiser l’impact de la cyanuration à chaque
passage, cette constatation implique que les minéraux porteurs de ces métaux sont plus
difficiles à broyer que les autres éléments constituant le minerai. Ce phénomène est
schématisé à la Figure 3.16.
Figure 3.16 : Schématisation de la fragmentation inégale des composés d’un minerai
Sur cette figure, des particules sont fragmentées en considérant que celles qui sont
porteuses de métal sont peu broyables. Par la suite, les fines particules sont séparées des
plus grossières. On remarque que l’ensemble des particules grossières possède une plus
grande proportion de minéraux peu broyables que l’échantillon original, alors que le
phénomène contraire est observé pour les fines.
58
Les figures 3.17 et 3.18 présentent la fonction de disparition/apparition des différents
éléments chimiques pour les deux broyeurs à boulets du circuit de broyage. Les données
utilisées sont celles réconciliées et la fonction tracée est dictée par :
0 0 0 0
, , , , , ,
, 0 0
, , ,
in j in j i out j out j i
j i
in j in j i
x x x xf
x x
pour toutes les classes j et certaines espèces i
(Équation 3.26)
Figure 3.17 : Fonction de disparition/apparition des éléments chimiques en fonction de la
dimension des particules pour le premier broyeur
59
Figure 3.18 : Fonction de disparition/apparition des éléments chimiques en fonction de la
dimension des particules pour le deuxième broyeur
Ces figures permettent de constater la dispersion des éléments chimiques lors de la
fragmentation. En considérant que l’or et l’argent sont présents sous forme native et que la
chalcopyrite est le seul minéral porteur de cuivre présent dans le minerai traité, on peut en
déduire le comportement de ce minéral et de ces métaux lors de l’étape de fragmentation.
On remarque que les grains d’or semblent plus difficiles à faire passer vers les classes
inférieures que les particules d’argent et de chalcopyrite. Par contre, ces métaux et
minéraux sont tous associés à des éléments possédant une broyabilité plus faible que celle
du minerai générique. Ces dernières observations appuient la thèse présentée à la figure
3.16. Finalement, notons que les résultats présentés sur les figures 3.17 et 3.18 semblent
démontrer une apparition plus prononcée des particules fines dans le premier broyeur. Cette
observation semble indiquer que les deux broyeurs n’opèrent pas de la même manière.
Cette différence pourrait être expliquée par un temps de séjour plus long dans le premier
broyeur. Le résultat de la réconciliation (disponible à l’annexe II) converge vers des débits
respectifs de minerai de 90 et 195,3 tonnes/h alimentés au premier et au second broyeur.
-200,0
-150,0
-100,0
-50,0
0,0
50,0
100,0
10 100 1000 10000
Tailles des particules (um)
Pro
port
ion
de d
ispa
ritio
n (%
)
Minerai Argent Cuivre Fer Or Souffre
60
Puisque le partage de la matière entre les deux broyeurs est supposé égal en qualité et que
les appareils ont un volume identique, l’hypothèse d’un temps de séjour plus long dans le
premier appareil semble être confirmée par l’ensemble des informations disponibles.
3.4.3 Validation des résultats et fiabilité des mesures
Afin de s’assurer que les résultats de la réconciliation sont cohérents, une validation
mathématique peut être effectuée en mettant les équations de conservation sous une forme
linéaire par rapport aux concentrations et où les coefficients sont reliés aux débits. On peut
également utiliser une représentation graphique pour visualiser les positions des valeurs
mesurées par rapport aux positions linéaires théoriques exprimées par les contraintes de
conservation massiques. Cette méthode permet d’identifier qualitativement les mesures
problématiques.
Représentation graphique des contraintes et validation
Cette étape consiste à présenter les mesures ou les résultats dans un plan et à les comparer
aux contraintes de conservation massiques. Les contraintes y apparaissent alors sous forme
de droite. Cette technique est appliquée au cas du nid d’hydrocyclones et de la bâche. Alors
que les valeurs mesurées ne vérifient en général pas les contraintes linéaires, les valeurs
réconciliées devraient, de leur côté, être conformes aux équations développées. Ces
dernières devraient donc théoriquement se retrouver sur les droites de contraintes.
Les équations statiques de conservation massique associées aux hydrocyclones sont toutes
de la forme :
D3Zi3 – D4Zi4 – D5Zi5 = 0 pour i=1 à 110 (Équation 3.27)
où Zij représente différentes combinaisons de variables d’état associées au flux j. On
rappelle que la numérotation des flux est disponible dans le tableau de l’Annexe II.
61
Cette équation peut être manipulée de manière à obtenir l’équation suivante :
axi = yi (Équation 3.28)
où a = D4/D3, xi = Zi3-Zi5 et yi = Zi4-Zi5
L’équation 3.28 indique que chacune des séries de mesures associées aux 110 équations de
conservation massique autour des hydrocyclones doit se retrouver sur une droite d’équation
y = ax. Les données réconciliées devraient toutes s’aligner parfaitement sur une droite
ayant une pente : a = 0,882 (obtenue à l’aide des valeurs réconciliées de D3 et D4 et
disponibles à l’annexe II.). La Figure 3.19 montre la droite de pente ‘a’ ainsi que les
différents points obtenus à l’aide des 110 valeurs réconciliées de Zi2, Zi3 et Zi4.
Figure 3.19 : Comparaison des mesures réconciliées autour des hydrocyclones et de la
droite associée aux contraintes massiques de conservation
Les équations de conservation massique des espèces chimiques présentes dans le minerai
autour de la bâche sont toutes de la forme :
D2Zi2 + D8Zi8 + D9Zi9 - D3Zi3 = 0 pour i=1 à 94 (Équation 3.29)
62
En considérant l’équation linéaire associée aux bilans autour des hydrocyclones, il est
possible de la manipuler de manière à obtenir l’équation suivante :
yi = bxi (Équation 3.30)
où b = D8/D3 , xi = Zi8-Zi9 et yi = Zi3 - (1-a)Zi2 - a Zi9
L’équation 3.30 indique que les 94 séries de mesures réconciliées et associées aux
équations de conservation massique de la bâche doivent se retrouver sur une droite
d’équation y = bx. Les données réconciliées devraient toutes s’aligner exactement sur une
droite ayant une pente : b = 0,278 (obtenue à l’aide des valeurs réconciliées et disponibles à
l’annexe II.). La Figure 3.20 montre la droite de pente ‘b’ ainsi que les différents points
obtenus à l’aide des 94 valeurs réconciliées de Zi2, Zi3, Zi8 et Zi9.
Figure 3.20 : Comparaison des mesures réconciliées autour de la bâche et de la droite associée aux contraintes massiques de conservation des espèces en phase solide
Les équations de conservation massique associées aux analyses liquides autour de la bâche
sont toutes de la forme :
63
D2Zi2 + D8Zi8 + D9Zi9 + L19 Zi19 - D3Zi3 = 0 pour i=1 à 6 (Équation 3.31)
En considérant les équations linéaires associées aux bilans de matière autour des
hydrocyclones et de celles relatives au minerai autour de la bâche, il est possible de
manipuler l’équation 3.31 de manière à obtenir l’équation suivante :
c Zi19 = yi (Équation 3.32)
où c = L19/D3, et yi = Zi3 - (1-a)Zi2 + (b-a) Zi9 - b Zi8. On rappelle que L19 est un flux d’ajout
d’eau de procédé.
L’équation 3.32 indique que les 6 séries de mesures associées aux équations de
conservation massique liquide se retrouvent sur une droite d’équation y = c Zi19. Les
données réconciliées devraient toutes se placer exactement sur une droite de pente : c =
0,741 (obtenue à l’aide des valeurs réconciliées et disponibles à l’annexe II.). La Figure
3.21 montre la droite de pente ‘c’, ainsi que les différents points obtenus à l’aide des 6
valeurs réconciliées de Zi2, Zi3, Zi8, Zi9 et Zi19.
Figure 3.21 : Comparaison des mesures réconciliées autour de la bâche et de la droite
associée aux équations massiques de conservation des espèces en phase liquide
0 5 10 15 20 25 30 35 40 450
5
10
15
20
25
30
35
Régression linéaire à la bâche (liquide)
Zi3
-(1-
a)Z
i2+
(b-a
)Zi9
-bZ
i8
Zi19
64
Les figures 3.19 à 3.21 montrent que les points sont parfaitement alignés sur chacune des
droites. Ceci indique que les données réconciliées respectent bien les contraintes de bilans
de matière autour des différentes unités du circuit de broyage et par conséquent, qu’elles
sont cohérentes avec les bilans en régime statique du système.
Fiabilité des mesures
Une analyse des mesures effectuées lors de la campagne d’échantillonnage (disponibles à
l’annexe II) permet d’évaluer, à posteriori, la qualité des mesures effectuées. Il a été
démontré, à la section précédente, que les contraintes physiques autour du circuit de
broyage peuvent être manipulées pour obtenir les équations linéaires 3.28, 3.30 et 3.32. Les
mesures effectuées autour des hydrocyclones et de la bâche devraient donc s’aligner autour
des droites dictées par ces équations. En fait, plus un point est à proximité de la droite, plus
l’ensemble de mesures qu’il représente satisfait la contrainte de bilan massique associée à
cette droite. Conséquemment, les points éloignés des droites sont associés à des groupes de
mesures où l’écart est grand entre les résultats des analyses et le comportement théorique
du système. En se basant sur ce concept, il serait donc possible de détecter à posteriori les
mesures aberrantes et d’effectuer un second tour de réconciliation en réduisant le poids
accordé à ces valeurs ou tout simplement en les éliminant. Dans le cas présent, la grande
redondance d’informations (406 degrés de liberté pour le problème global) rend la seconde
option intéressante et envisageable. Ceci n’a cependant pas été fait dans le cadre de cette
thèse.
Les figures 3.22 et 3.23 comparent les mesures effectuées autour des hydrocyclones aux
équations linéaires caractérisant leur opération. On remarque que les groupes de mesures
sont majoritairement alignés sur la droite théorique. Ceci indique que ces mesures ont
besoin d’une très faible correction et sont donc probablement de bonne qualité.
65
Figure 3.22 : Comparaison des mesures effectuées autour des hydrocyclones et de la droite associée aux contraintes massiques linéaires
Figure 3.23 : Agrandissement de la section encadrée à la Figure 3.20
66
Les figures 3.24 et 3.25 comparent les mesures des échantillons solides autour de la bâche à
l’équation théorique régissant les bilans massiques statiques de cette dernière. Les
échantillons solides effectués autour de la bâche semblent plus ou moins suivre la tendance
physique dictée par la droite. Puisque l’équation de cette droite est construite à l’aide de
bilans de matière statiques et que les observations (faible volume de la bâche et temps de
séjour court) faites sur place confirment cette hypothèse, il semble que la qualité des
mesures prises autour de la bâche est moins grande que la qualité des mesures associées
aux hydrocyclones. L’accessibilité difficile des flux échantillonnés peut expliquer cette
faible qualité des mesures. Il est à noter que la présence de points des deux côtés de la
droite montre que malgré la faible qualité des mesures, aucun biais systématique ne semble
être associé aux mesures utilisées.
Figure 3.24 : Comparaison des mesures effectuées sur le minerai présent autour de la bâche et de la droite associée aux contraintes massiques de conservation solide
67
Figure 3.25 : Agrandissement de la section encadrée à la figure 3.24
Finalement, la Figure 3.26 montre que les analyses effectuées sur la phase liquide des
échantillons pris autour de la bâche sont généralement bien corrélées avec la droite
caractérisant les bilans massiques. Seules les teneurs d’argent et d’or semblent s’éloigner de
la tendance théorique. Ceci indique que les valeurs mesurées suivent généralement bien la
tendance dictée par la droite et, par conséquent, la physique associée aux bilans de matière
autour de la bâche. Les analyses effectuées sur ces liquides sont donc, en général, de bonne
qualité. De leur côté, l’analyse des points associés aux teneurs en or et en argent indique
qu’ils sont fortement éloignés de la droite de pente ‘c’. Ceci démontre que l’ensemble des
mesures qui leurs sont associées s’éloignent fortement du comportement théorique du
procédé.
68
Figure 3.26 : Comparaison des mesures liquides effectuées autour de la bâche et de la droite associée aux contraintes massiques de conservation des espèces en phase liquide
3.5 Conclusions
Dans ce chapitre, les étapes permettant d’effectuer une réconciliation de données sur des
mesures associées à plusieurs niveaux hiérarchiques différents sont présentées. Chacune
des étapes de la méthode est appliquée à la réconciliation de mesures issues d'une
campagne d’échantillonnage autour du circuit de broyage de Géant Dormant. L’application
de la méthode et les résultats obtenus permettent d’estimer la qualité des mesures et de les
corriger à l’aide des équations de conservations de la matière caractérisant le circuit étudié.
Cette correction des mesures a permis d’identifier plus clairement certains comportements
relatifs à la classification et à la fragmentation du minerai.
Chapitre 4 : Modélisation de la fragmentation d’un
minerai et de la libération des surfaces - Application au
broyage discontinu d’un minerai d’or
La libération de l'or (ou son accessibilité à une attaque chimique) a un impact important sur
sa cinétique de dissolution. C’est donc pour cette raison que plusieurs auteurs ont tenté de
la caractériser en proposant des modèles mathématiques permettant de prédire la libération
des minéraux [4.1] à [4.6]. Malheureusement, l’utilité de ces modèles pour estimer le degré
de libération de l'or est limitée, car la plupart d'entre eux ont été développés pour des
concentrations minérales qui sont significativement plus élevées que celles observées pour
les minerais d'or et sont basées sur une hypothèse de fragmentation non préférentielle qui
n'est pas applicable en raison de la ductilité des grains d’or. À cause de ces particularités,
seules quelques études applicables à la libération de l'or sont disponibles. Lorenzen et
Deventer [4.7] ont modifié le modèle de King [4.3] en ajoutant un terme empirique associé
à la fraction d'or lixiviable qui n'est pas directement exposée aux agents lixiviants. Quant à
Wen et al. [4.8], ils ont développé un modèle de libération cubique permettant de prédire la
proportion d'or émergeant d’une particule de minerai. Ce chapitre propose un modèle
géométrique simple permettant de caractériser l’accessibilité de l’or à une attaque chimique
ainsi qu’un modèle de fragmentation permettant d’estimer l’effet du broyage sur la
libération des surfaces d’or. Contrairement au modèle proposé par Wen et al. [4.8], ce
modèle est basé sur une fragmentation entièrement intergranulaire. Finalement, en plus de
caractériser la proportion d’or émergeant d’une particule de minerai, il permet de prédire la
distance entre les grains d’or encapsulés et la surface minérale. Cette propriété permet de
relier le modèle de libération aux phénomènes de diffusion interne qui sont abordés, plus en
détails, au chapitre 6.
Dans un premier temps, le lien entre la fragmentation et la dissolution de l’or est expliqué.
Par la suite, les hypothèses simplificatrices permettant de modéliser la fragmentation du
minerai et la libération des surfaces d’or sont présentées. Les modèles de libération et de
70
fragmentation sont ensuite détaillés. Finalement, les étapes permettant la caractérisation des
surfaces d’or accessibles associées à un échantillon frais sont décrites et une application des
modèles à des essais de broyage discontinu est présentée.
4.1 Rôle des surfaces accessibles sur la cyanuration de l’or
Plusieurs chercheurs se sont penchés sur la réaction de dissolution de l’or. Bien qu’une
grande variété de mécanismes réactionnels et d’approches permettant de modéliser la
dissolution soient proposés, tous associent la dissolution de l’or à une série de réactions
électrochimiques ayant lieu à la surface métallique ([4.9] à [4.15]).
Industriellement, la fragmentation du minerai permet d’augmenter l’accessibilité des
surfaces métalliques par réduction granulométrique des particules. Par la suite, le minerai
fin est acheminé vers l’étape de lixiviation où les surfaces d’or sont chimiquement
attaquées et dissoutes. Dans le cas de la cyanuration, les réactifs utilisés pour effectuer
l’attaque chimique sont le cyanure et l’oxygène. Le mécanisme réactionnel associé à cette
réaction est présenté au chapitre 6 de la thèse.
La Figure 4.1 présente un exemple de l’augmentation de l’accessibilité des surfaces d’or
par fragmentation du minerai. On retrouve plus d’un niveau d’accessibilité des surfaces
métalliques dans le minerai fragmenté. Certaines surfaces d’or ont un accès direct au milieu
ambiant, d’autres sont encapsulées dans le minerai. Les grains d’or ayant un accès direct au
milieu ambiant englobent les grains totalement libérés et ceux émergeant à la surface des
particules de minerai. Finalement, une partie de l’or encapsulé est accessible aux réactifs
par les pores et les fractures du minerai tandis qu’une autre partie reste totalement isolée
d’une éventuelle attaque chimique.
71
Figure 4.1 : Schématisation de l’effet de la fragmentation sur l’accessibilité des surfaces
4.2 Hypothèses des modèles de libération et de fragmentation
La vaste quantité de formes et de dimensions que peuvent prendre les particules de minerai
et les grains d’or ainsi que la caractérisation complexe des liens existants entre les minéraux
et métaux caractérisant un minerai rendent la modélisation rigoureuse des phénomènes de
libération par fragmentation très complexe. Cependant, en se basant sur des hypothèses
géométriques simples, il est possible d’estimer le degré d'exposition des surfaces d’or au
réactif ainsi que leur accessibilité par la porosité du minerai. Ces hypothèses
simplificatrices sont :
Le minerai est caractérisé par trois classes de particules de broyabilité différente :
o L’or libre,
o Les particules de gangue (minerai sans or),
o Les particules mixtes (possédant une certaine proportion d’or et de gangue).
Fragmentation
:Particule d’or libre
:Particule mixte avec or accessible en surface
:Particule mixte avec or accessible par la porosité
:Particule mixte avec or inaccessible
:Particule de gangue libre
72
L'or est non fracturable, donc sa fragmentation est entièrement intergranulaire et les
particules d’or libre ne sont pas broyables lors d’impacts en nombre limité.
La taille et la forme des grains d’or ne sont pas altérées de manière significative par
le broyage du minerai (nombre d’impacts limité).
La granulométrie du minerai est suffisamment fine et la concentration en or
suffisamment faible pour supposer que les particules mixtes contiennent un seul
grain d’or. En considérant 1 kg des particules de minerai de 500 µm ayant une
densité moyenne de 2,7 g/cm3 et contenant 10 ppm d’or d’une dimension moyenne
de 10 µm, on a 5,2*105 grains d’or pour 3,0*106 particules de minerai. Il n’est donc
pas déraisonnable de considérer que des particules de quelques mm et moins sont
dans ce cas des particules unigrain.
Les particules de gangue libre et ces particules mixtes unigrain possèdent alors des
fonctions de broyage et de sélection différentes. Cette approche permet de
considérer une broyabilité différente de zones minérales distinctes (zones
minéralisées et métallisées de broyabilité différente).
La gangue libérée des particules unigrain est considérée du point de vue de sa
broyabilité comme la gangue des zones stériles (sans or). La broyabilité de la
gangue serait donc une sorte de moyenne entre gangue stérile et gangue métallisée.
Les particules de minerai sont approximées par une forme cubique dont les côtés
ont une dimension dp.
La distribution granulométrique du minerai est discrétisée en ni classes.
Les grains d’or sont approximés par une forme cubique dont les côtés ont une
dimension dg.
La distribution de la taille des grains d’or suit une loi gamma discrétisée en nk
classes.
L'orientation des grains d'or est la même que celles des particules de minerai; donc
les arêtes des cubes composants une particule mixte sont parallèles.
La distribution spatiale du centre des grains d'or à l'intérieur des particules de
minerai est uniforme et aléatoire.
73
La libération totale de grains d'or se produit lorsque le grain est majoritairement à
l’extérieur d’une particule (quand au moins 50 % du volume d'or est à l’extérieur du
minerai).
Les grains d'or placés plus loin qu'une distance seuil (p) de la surface de minerai
ne sont pas accessibles à une attaque chimique.
Ces hypothèses seront utilisées pour prédire la réduction de dimension du minerai, la
libération de l’or par broyage et l’accessibilité de la solution lixiviante aux grains d’or.
Commençons par ce dernier aspect avant d’aborder la fragmentation par broyage.
4.3 Modèle de libération cubique
Les hypothèses simplificatrices présentées à la section précédente sont utilisées pour
prédire l’accessibilité de l’or. La probabilité d’occurrence associée à chaque degré de
libération est calculée en se basant sur une distribution aléatoire et uniforme du centre de
masse des grains d’or à l’intérieur d’une particule de minerai. Tel qu’indiqué sur la Figure
4.1, un grain d’or peut appartenir à l’une des quatre classes de libération : l’or totalement
libéré, l’or accessible en surface d’une particule mixte (libération partielle), l’or accessible
via la porosité du minerai et l’or inaccessible à une attaque chimique. Puisque la lixiviation
de l’or est une réaction de surface contrôlée par la diffusion des réactifs (voir le chapitre 6
pour les détails), ces quatre types d’or offrent des cinétiques de lixiviation fortement
différentes. Le premier rôle du modèle de libération cubique est de prédire la proportion
d’or présent dans chacune de ces catégories.
Pour faciliter la compréhension du calcul des proportions d’or de chacune des catégories de
grain, nous allons faire référence dans les sections qui suivent à la Figure 4.2. Cette figure
montre les zones d’implantation des centres des grains d’or menant aux différentes
catégories de lixiviabilité.
74
Figure 4.2 : Accessibilité de l’or en fonction de la position de son centre de masse
4.3.1 Proportion d’or inaccessible
L’or inaccessible à une attaque chimique est enclavé dans une particule mixte et est situé à
une distance supérieure à la valeur seuil (p) de la surface du minerai. La Figure 4.3
présente un exemple de grain d’or inaccessible. La proportion d’or inaccessible de taille dg
pour une particule de minerai de taille dp est obtenue en considérant que le centre de masse
du grain d’or est situé dans un espace cubique dont l’arête mesure dp-dg-2p :
3
3
2p g p
Au
p
d dP
d
(Équation 4.1)
Figure 4.3 : Grain d’or encapsulé et inaccessible à une attaque chimique
75
4.3.2 Proportion d’or accessible par les pores
La proportion d’or accessible par les pores représente la proportion d’or encapsulé et situé à
une faible distance de la surface. Un exemple de grain d’or accessible par la porosité du
minerai est présenté à la Figure 4.4.
Figure 4.4 : Grain d’or accessible à une attaque chimique par la porosité du minerai
La proportion d’or accessible par les pores du minerai est la différence entre la proportion
d’or encapsulé et la proportion d’or non lixiviable (équation 4.1). Les grains d’or dont le
centre de masse est présent à l’intérieur d’un volume cubique caractérisé par des côtés de
dimension ‘dp-dg’ sont encapsulés :
3
3
( )
E
p g
Au
p
d dP
d
(Équation 4.2)
La proportion d’or encapsulé, mais accessible à une attaque chimique par les pores du
minerai est alors caractérisée par :
3 3
3
( ) ( 2 )
P
p g p g p
Au
p
d d d dP
d
(Équation 4.3)
76
4.3.3 Proportion d’or émergeant d’une particule mixte
En se basant sur le fait que le point d’ancrage du cube d’or se situe au centre de ce dernier
et qu’une particule d’or se libère lorsque plus de 50% de son volume est à l’extérieur de la
particule porteuse, alors trois situations peuvent engendrer une libération partielle de l’or :
Le grain d’or est accessible par une arête du cube porteur (aAuP )
Le grain d’or est accessible par une face du cube porteur (fAuP )
Le grain d’or est accessible par un coin du cube porteur (cAuP )
La Figure 4.5 présente trois exemples de grain d’or émergeant du cube porteur. L’un
d’entre eux est accessible par une arête du cube et les autres, par une face et un coin.
Figure 4.5 : Grains d’or émergeant d’une particule mixte
Dans le deuxième cas (particule d’or exposé par une face du cube), tous les points
d’ancrage situés dans une zone provoquant une exposition de l’or par une face de la
particule mixte engendrent une libération partielle de l’or. C’est-à-dire qu’aucun de ces
grains d’or ne peut avoir plus de 50% de son volume à l’extérieur de la particule sous les
hypothèses dictées à la section 4.2. L’équation suivante est alors utilisée pour caractériser la
proportion d’or accessible via une face du cube porteur :
77
2
3
6 ( )2
f
g
p g
Au
p
dd d
Pd
(Équation 4.4)
La proportion de grains d’or dont le centre est situé dans le volume engendrant une
exposition du grain d’or au milieu ambiant par l’arête du cube porteur est donnée par :
2
'
3
12* ( )2
a
g
p g
Au
p
dd d
Pd
(Équation 4.5)
Dans cette zone, une certaine partie des points d’ancrage provoquent une libération partielle
de l’or et une autre partie entraîne sa libération totale. Géométriquement, on détermine que
75% du volume attenant aux arêtes du cube engendre une émergence de plus de 50% du
volume d’or. Cette valeur est obtenue en considérant que le point d’ancrage du grain d’or se
positionne en son centre. Conséquemment, (1/2)2 de l’espace autour de l’arête est associé à
des points d’ancrage entraînant la présence de plus de 50% du volume d’or à l’intérieur du
minerai. La proportion d’or accessible par une arête du cube porteur est donc obtenu par :
'
4
a
a
Au
Au
PP
(Équation 4.6)
Le volume situé autour d’un coin du cube et dans lequel l’implantation du centre d’un grain
d’or engendre une exposition de l’or au milieu ambiant vaut 8(dg/2)3, ce qui conduit a une
proportion de :
3
'
3
82
c
g
Au
p
d
Pd
(Équation 4.7)
78
Dans cette zone, on a également une certaine partie des points d’ancrage qui entraîne une
libération partielle de l’or et une autre partie qui engendre sa libération totale. Puisque
(1/2)3 de l’espace autour du coin est associé à des points d’ancrage entraînant la présence
de plus de 50% du volume d’or à l’intérieur du minerai, la proportion totale d’or émergeant
d’un coin est :
'
8
c
c
Au
Au
PP
(Équation 4.8)
La proportion totale d’or émergeant d’une particule mixte est finalement obtenue en
additionnant les trois types d’or émergeant (aAuP ,
fAuP et cAuP ). Cette proportion est alors
obtenue par :
2
32
3
3 ( ) 3 ( ) 0.1252
S
g
g p g p g g
Au
p
dd d d d d d
Pd
(Équation 4.9)
4.3.4 Proportion d’or libre
En se basant sur les mêmes points de départ que pour l’or partiellement libéré (localisation
du point d’ancrage au centre du grain d’or et hypothèse de libération à partir d’un volume
émergeant de 50%), on identifie deux situations pouvant engendrer une libération totale
d’un grain d’or dont le centre est dans la particule mixte :
Le grain d’or est accessible via une arête du cube porteur (aAuP )
Le grain d’or est accessible via un coin du cube porteur (cAuP )
79
La Figure 4.6 présente les deux possibilités qui entraînent une exposition de plus de 50%
du volume d’or et, par conséquent, sa libération complète.
Figure 4.6 : Grains d’or libérés par une exposition de plus de 50% de leur volume
Dans le premier cas, 87,5% (c’est-à-dire 1 – (1/2)3) des points d’ancrage engendrent une
libération totale des grains d’or, alors que dans le deuxième, c’est 75% des cubes d’or qui
sont entièrement libérés. On obtient donc la proportion d’or totalement libéré par :
2
3
3
0.875 9 ( )2
L
g
g p g
Au
p
dd d d
Pd
(Équation 4.10)
4.3.5 Effets de la dimension des particules de minerai et des grains d’or sur la libération des surfaces
Les équations 4.1, 4.3, 4,9 et 4.10 permettent d’estimer la proportion d’or appartenant à
chacun des degrés de libération. Ces équations sont influencées par trois paramètres : la
dimension des grains d’or (dg) et des particules de minerai mixte (dp) ainsi que la distance
seuil au-delà de laquelle on considère que l’or n’est plus accessible à une attaque chimique
(p). Les deux premiers paramètres sont mesurables ou estimables à l’aide de distributions
théoriques de la taille des grains d’or et de la granulométrie du minerai. Le paramètre p, de
son côté, est un paramètre ajustable. Cette section met l’emphase sur l’effet qu’ont les deux
paramètres estimables sur la libération des surfaces.
80
La Figure 4.2 présente les zones d’implantation du centre de masse des grains d’or. On peut
voir sur cette figure qu’une augmentation de la dimension des grains d’or favorise la
libération complète de ce dernier, alors qu’une augmentation de la dimension de la particule
favorise son inclusion. Les figures 4.7 et 4.8 permettent de visualiser l’effet de ces deux
variables sur les degrés de libération intermédiaire.
Figure 4.7 : Accessibilité d’un grain d’or de 5 microns en fonction de la taille des particules pour une distance seuil de 10 microns
Figure 4.8 : Accessibilité d’un grain d’or de 10 microns en fonction de la taille du minerai
pour une distance seuil de 10 microns
81
La première figure présente le niveau d’accessibilité des grains d’or de 5 microns en
fonction de la dimension du minerai, alors que la seconde donne les proportions d’or
associées à chacun des niveaux d’accessibilité pour les grains d’or de 10 microns. Afin que
les deux scénarios soient comparables, une distance seuil identique est utilisée pour les
deux estimations. On remarque que les proportions d’or émergent et d’or accessible par les
pores passent par une valeur maximale et que cette valeur dépend de la dimension des
grains d’or. Ceci indique que la distribution de la taille des grains d’or présents dans un
minerai a une influence directe sur la fragmentation optimale qui devrait lui être appliquée.
À l’aide d’une simple manipulation algébrique, on peut réécrire les équations 4.9 et 4.10 de
manière à ce que les proportions d’or libéré et émergeant ne dépendent que du ratio dp/dg.
La Figure 4.9 montre l’évolution de ces proportions en fonction du rapport entre la taille de
la particule et la taille des grains d’or. On remarque que la proportion d’or émergeant atteint
un maximum sur cette courbe. En dessous d’un rapport critique, l’or émergeant des
surfaces minérales se décroche pour devenir totalement libre.
Figure 4.9 : Proportion d’or totalement libéré et émergeant de la surface de la particule de
minerai en fonction du ratio dp/dg
82
Deux rapports permettent de décrire la proportion d’or accessible par les pores du minerai
(équation 4.3). L’impact des ratios dp/dg et dp/p sur la proportion d’or accessible par
diffusion interne est présenté à la Figure 4.10. Cette figure montre que la proportion d’or
accessible par les pores diminue rapidement en dessous d’un ratio critique dp/dg dépendant
de dp/p : la fragmentation du minerai à des ratios supérieurs à cette valeur critique ne
permet pas de libérer significativement les surfaces d’or dont une proportion est néanmoins
accessible par les pores minérales.
Figure 4.10 : Proportion d’or accessible par les pores du minerai en fonction des ratios dp/dg
et dp/p
4.3.6 Étude de l’applicabilité du modèle de libération cubique et comparaison avec un modèle basé sur une tesselation de Voronoï
Afin de vérifier la performance du modèle géométrique cubique lors de la prédiction du
degré de libération des grains d’or, trois échantillons du minerai de Géant Dormant ont été
analysés. Pour se faire, les échantillons ont été envoyés au centre national de recherche
minéral sud-africain (Mintek). Les analyses effectuées permettent d’identifier la présence
de grains d’or, leur degré d’accessibilité ainsi que la taille et la composition minérale de la
83
particule porteuse qui leur est associée. Les résultats de l’analyse sont disponibles à
l’annexe III et permettent d’identifier 307 grains d’or dont 76 sont totalement libérés. Étant
donné l’impossibilité de retracer l’historique de la libération d’un grain d’or libre et, par
conséquent, son association à une dimension de fragmentation, seuls les grains encapsulés
et émergents ont été considérés lors de la comparaison entre les résultats des analyses du
centre africain et les estimations théoriques du modèle géométrique cubique.
Le Tableau 4.1 compare les résultats expérimentaux aux prédictions obtenues à l’aide du
modèle géométrique cubique. Pour un intervalle de ratio donné entre le diamètre de la
particule porteuse et le diamètre d’un grain d’or, on présente le nombre de grains d’or
émergents de la surface et encapsulés qui ont été observés expérimentalement ainsi que
l’intervalle de prédiction du modèle géométrique cubique. Le tableau présente également
les résultats de simulations de la libération par fragmentation à l’aide d’une tesselation 2D
de Voronoï [4.16]. Cette technique, coûteuse en temps de simulation, permet de considérer
des formes de particules diverses et des dimensions de grains d’or rectangulaires. Les
résultats sont présentés sous forme d’intervalle pour permettre la comparaison entre le
modèle géométrique cubique et les résultats obtenus par tesselation [4.16]. On remarque
que les résultats obtenus par le modèle cubique sont cohérents avec les données
expérimentales et avec les résultats de simulations obtenus pour un minerai de formes
diverses. Ces résultats semblent indiquer que le modèle cubique permet de caractériser
adéquatement le minerai étudié sans avoir recours à un long processus de simulation de la
fragmentation du minerai.
Tableau 4.1 : Comparaison du degré de libération des grains d’or – Données
expérimentales, résultats de simulations par tesselation et application du modèle géométrique cubique
84
4.4 Modèle de fragmentation
La modélisation de la fragmentation des particules de minerai permet d’estimer l’évolution
de la libération des surfaces ayant lieu lors de l’opération de broyage. Ici, le minerai est
divisé en groupes de particules correspondant à deux zones minérales différentes : une zone
minérale métallisée, constituée, par réduction dimensionnelle, de particules mixtes
unigrain, et une zone minérale non métallisée. La fragmentation de ces deux zones entraîne
la formation de trois types de particules :
Les particules de gangue
Les particules mixtes qui sont composées de gangue et d’or
Les particules d’or libre
Les particules mixtes et la gangue ont des comportements différents lors de la
fragmentation, alors que l’on considère que l’or libre n’est pas altéré par l’étape de broyage.
À l’aide de bilans de matière et des fonctions de broyage et de sélection caractérisant la
fragmentation des zones minérales, il est possible d’estimer la composition du minerai à la
sortie du broyeur ainsi que le degré de libération des surfaces d’or qui s’y retrouvent. Les
équations de bilans présentées dans les sous-sections suivantes considèrent que la gangue
libre produite par la fragmentation des particules mixtes (métallisées) se comporte de la
même façon que la gangue provenant des zones non métallisées. Cette simplification
permet de réduire le nombre d’équations de bilans tout en minimisant l’impact sur les
résultats numériques. Puisque l’or est présent en concentration très faible dans le minerai
(ppm) et que les grains sont de taille supérieure à 1 micromètre, la masse de gangue
associée aux particules mixtes est infime en comparaison de celle associée à la gangue
libre. Il est également à noter que lorsque le bilan de masse par fragmentation est effectué,
on considère que les grains d’or sont complètement inclus dans les particules mixtes, la
différenciation entre les différentes catégories de lixiviabilité n’étant traitée qu’après la
simulation de la fragmentation.
85
4.4.1 Fonctions de broyage et de sélection
La fragmentation des particules est prédite à l’aide de fonctions de broyage et de sélection.
La fonction de sélection (S) caractérise la cinétique de fragmentation du minerai, alors que
la fonction de broyage (b) détermine la distribution des fragments dans les différentes
classes granulométriques. La structure choisie pour caractériser la fonction de broyage est
tirée d’un manuel [4.17] :
1 2
1i i
j j
n n
p p
ij
p p
d dB K K
d d
(Équation 4.11)
où K, n1 et n2 sont des paramètres ajustables. B est la fonction de broyage cumulée.
La fonction B caractérise habituellement la fraction massique de fragments plus petits que
la classe i et provenant de la classe mère j. Pour un matériau homogène comme la gangue,
il s’agit du même concept que celui de la proportion en volume. Les mixtes sont cependant
de densité variable, on préfère donc donner à ces fonctions B une signification volumique
puisque c’est le volume de matériau qui est conservatif dans un processus de fragmentation.
Afin de déterminer la proportion de particules filles de classe i, provenant de particules
mères de classe j lors d’une fragmentation (bij) , on doit décumuler la fonction B selon :
1,ij i j ijb B B (Équation 4.12)
La forme de la fonction de sélection utilisée dans cette thèse est inspirée des travaux de
Claude Bazin [4.18] :
min max mini
p
i
opt
dS S S S
d
(Équation 4.13)
86
Dans l’équation 4.13, Smin et Smax sont respectivement les valeurs minimales et maximales
de la fonction S. dopt représente le diamètre de particules pour lequel Smax est atteint. est
un paramètre ajustable. On rappelle que la fonction de sélection Sj est la constante de
vitesse de fragmentation des particules de dimension j et que la vitesse est du premier ordre
par rapport à la quantité de particules de classe j.
Afin de tenir compte de la broyabilité différente des zones métallisées et non métallisées,
deux fonctions de broyage et de sélection sont utilisées. L’une associée à la fragmentation
de la gangue, l’autre à celle des particules mixtes. Afin de minimiser le nombre de
paramètres à estimer par l’utilisation de deux fonctions de broyage et de sélection, trois
paramètres d’ajustement sont utilisés pour relier les fonctions associées à la gangue à celles
des mixtes. Les deux premiers paramètres (1Bm ,
2Bm ) ajustent l’ordre de chacune des
parties de la fonction de broyage cumulée :
1 2
1i i
ij
j j
n n
p pG
p p
d dB K K
d d
(Équation 4.14)
1 21 2
1
B B
i i
ij
j j
m n m n
p pM
p p
d dB K K
d d
(Équation 4.15)
L’équation 4.14 est la fonction de broyage cumulée associée à la gangue libre et l’équation
4.15 celle associée aux particules mixtes. Il est à noter que le choix des deux paramètres
permettant de relier les fonctions entre elles est basé sur un processus d’essais et erreurs.
Dans un premier temps, un seul paramètre multiplicatif a été utilisé pour caractériser l’ordre
des deux parties de la fonction de broyage des mixtes. Cette méthode ne permettait pas de
caractériser adéquatement les concentrations d’or dans les différentes classes
granulométriques. L’ajout d’un second paramètre permet d’obtenir des résultats beaucoup
plus intéressants (présentés à la section 4.6). Étant donné ces résultats satisfaisants, l’impact
87
d’un paramètre permettant de modifier la valeur de K entre les fonctions de broyage de la
gangue et des mixtes n’a pas été étudié.
On peut anticiper que, pour des valeurs dp/dg petites, la présence d’un grain d’or non
broyable dans une mixte modifie nécessairement la fonction B. Ceci impliquerait que la
fonction B des mixtes n’est pas normalisable. Par contre, nous n’avons pas formalisé cette
intuition, nous nous en tiendrons donc au formalisme simplifié ci-dessus.
Le troisième paramètre d’ajustement (Sm ) permet de relier la fonction de sélection des
mixtes ( MS ) à celle de la gangue ( GS ).On suppose ici que les constantes de vitesse sont
multipliées par un coefficient constant et donc que la forme de S(dp) reste identique. Cette
hypothèse est raisonnable si l’on considère que la gangue associée aux grains d’or demande
une énergie globale de fracturation différente de celle de la gangue stérile, mais que la
distribution des énergies d’impact reste la même puisque les deux sortes de particules sont
dans le même broyeur. Il aurait été préférable de considérer que la fonction de broyage des
mixtes sur une base volumique est homothétique de la fonction de broyage de la gangue.
Mais il aurait alors fallu considérer que le facteur d’homothétie varie avec la densité des
mixtes, ce qui aurait alourdi considérablement le formalisme. Les équations retenues sont
donc les suivantes :
min max mini
i
pG
opt
dS S S S
d
(Équation 4.16)
min max mini
i
pM
S
opt
dS m S S S
d
(Équation 4.17)
L’utilisation de deux fonctions de broyage et de deux fonctions de sélection permet de
simuler l’enrichissement en or des particules grossières et l’appauvrissement des fines
résultant de la fragmentation plus rapide de la gangue que des particules mixtes. La Figure
88
4.11 schématise ce phénomène. Les particules grossières (a) sont fragmentées pour créer de
la gangue très fine et des grains d’or libre. Après un certain temps de broyage (b), le
processus de fragmentation commence à avoir un impact sur la concentration en or dans les
différentes classes granulométriques. À la fin du processus de broyage (c), la fragmentation
a produit une grande quantité de gangue fine qui appauvrit la concentration globale d’or
dans cette classe.
Figure 4.11 : Effet de la fragmentation sur la granulochimie de l’or
a) Début de la période de broyage b) Pendant la fragmentation
c) Fin de la période de broyage
89
4.4.2 Équations de bilans massiques
La granulométrie de sortie d’un broyeur peut être obtenue en appliquant les équations de
broyage aux particules mixtes et à la gangue libre. La difficulté principale réside dans la
prédiction de la teneur en or dans les différentes classes granulométriques à la fin de
l’opération de broyage. Cette section présente les bilans de matière et la stratégie de
dénombrement d’évènements distincts présents lors de la fragmentation qui sont utilisés
pour prédire ces teneurs.
Dénombrement des évènements de fragmentation
Pour être en mesure d’effectuer les bilans de matière sur les particules mixtes ainsi que sur
celles de gangue et d’or libre, il est d’abord nécessaire de caractériser les liens existants
entre ces types de particules. En fait, les grandes difficultés reliées à la fragmentation d’un
minerai d’or sont causées par les particules mixtes. La fragmentation de particules de
gangue libre génère exclusivement des particules de gangue. Les particules d’or libre sont
considérées comme imbroyables et ne sont donc pas altérées lors du processus de
fragmentation. Le broyage des mixtes, de son côté, génère des particules filles mixtes ou de
l’or libre tout en créant invariablement de la gangue libre. La Figure 4.12 présente les
différentes situations possibles résultant de la fragmentation d’une particule mixte de taille j
portant un grain d’or de dimension k. Chacun des évènements dénombrés est associé à une
famille événementielle de fragmentation des particules mixtes mères. Le premier groupe
d’évènements est associé à la production d’une particule fille mixte et de gangue libre. Le
groupe B est consacré à l’événement représentant une fragmentation de la zone métallisée
vers une taille de particules similaire à celle du grain d’or. À ce moment, le grain d’or est
entièrement libéré lors du processus de fragmentation. La troisième famille d’évènement
représente les cas d’une fragmentation de la zone métallisée en dimension inférieure à celle
du grain d’or. À ce moment, le grain d’or, considéré imbroyable, se libère du minerai
porteur. Finalement, la dernière famille d’événements est associée à une fragmentation de
la zone minéralisée vers une taille supérieure à dg, mais pour laquelle la particule d’or voit
90
plus de 50% de son volume émergé de la surface du minerai. Par hypothèse, le grain d’or se
détache alors de la particule porteuse.
Figure 4.12 : Familles événementielles de fragmentation des particules mixtes
Les probabilités d’occurrence relative à chacune des quatre familles événementielles sont
obtenues par :
1. Probabilité de production de mixtes dans la classe i par la fragmentation d’une
particule mixte mère appartenant à la classe j :
, ,, 1
i k i k
M
A i j LP b P pour i kp gd d (Équation 4.18)
On suppose donc ici que la probabilité que le centre du grain d’or d’une mixte soit
dans une particule i est égale à la fraction volumique de fragments i produits par la
mère de classe j ( ,
M
i jb ). Cette probabilité est multipliée par la probabilité 1 moins
91
,i kLP que le grain d’or reste dans la particule fille. ,i kLP étant la proportion d’or de
dimension k libéré par une fragmentation à une granulométrie i et obtenu par le
modèle géométrique cubique.
2. Probabilité de libération d’un grain d’or :
a) par fragmentation d’une particule mixte mère (appartenant à la classe j) en
particules de classe granulométrique identique au grain d’or :
,i k
M
B k jP b
(Équation 4.19)
b) par fragmentation d’une particule mixte mère (appartenant à la classe j) en
particule de taille inférieure au grain d’or :
, ,i k
M
C i jP b pour i kp gd d (Équation 4.20)
c) par fragmentation d’une particule mixte mère (appartenant à la classe j) en
particule de taille supérieure au grain d’or :
, ,,i k i k
M
D i j LP b P pour i kp gd d (Équation 4.21)
On peut regrouper ces trois probabilités sous la forme unique
, ,,i k i k
M
D i j LP b P
avec ,
1i kLP pour
i kp gd d
(Équation 4.22)
On remarquera que la somme de ces probabilités pour l’ensemble des classes de fragments i
est égale à 1, compte tenu de la propriété des bi,j. À l’aide de ces probabilités, il est possible
d’écrire les équations de conservation de l’or libre, des particules mixtes et de la gangue
libre. Ces équations sont présentées dans les trois sous-sections suivantes.
92
Bilan d’or libre
La variation de la masse d’or libre dans un broyeur opérant en régime discontinu est
entièrement dépendante de la libération de l’or par fragmentation. En fait, l’or libre
considéré imbroyable ne peut pas passer d’une classe granulométrique à l’autre et ne peut
pas disparaître. Le seul terme à considérer dans le bilan d’or de dimension k est donc celui
de l’apparition due à la libération par fragmentation. Puisque les particules mixtes ne
contiennent qu’un seul grain d’or et que cette libération a lieu lors des évènements B, C et
D; il suffit de comptabiliser la production du nombre de fragments provoquant la libération
de l’or contenu dans une particule mixte mère et de multiplier ce résultat par la masse d’un
grain d’or pour obtenir la variation de la masse d’or libre de dimension k :
(Équation 4.23)
où Au
kM et ,
M
j kM sont respectivement les masses d’or libre de dimension k et de particules
mixtes de dimension j porteuses d’un grain d’or de taille k. Au et ,
M
j k sont respectivement
les densités de l’or et des particules de minerai de dimension j portant un grain d’or de taille
k.
On rappelle ici, qu’afin de simplifier les équations de bilan, le grain d’or est considéré
totalement inclus dans la particule. Le nombre de grains d’or libérés est égal au nombre de
mères j broyées multiplié par la probabilité des évènements de libération.
Bilan de particules mixtes
On retrouve une grande variété de particules mixtes à l’intérieur d’un broyeur. En se basant
sur les hypothèses de discrétisation des distributions de tailles des grains d’or et de
dimensions des particules de minerai, on en déduit une discrétisation des particules mixtes
93
en ni*nk classes. Le bilan massique de chacune de ces classes de particules mixtes est
caractérisé par :
(Équation 4.24)
La variation massique de particules dans chaque classe est caractérisée par la disparition
des mixtes lors de la fragmentation et par l’apparition de fragments mixtes provenant des
classes supérieures n’ayant pas engendré la libération du grain d’or qui leur est associé
(particules mixtes créées par les évènements de la famille A et caractérisées par l’équation
4.16).
Bilan de gangue libre
La variation massique de gangue à l’intérieur d’une classe dimensionnelle n’est pas
uniquement influencée par la disparition et l’apparition de la gangue libre lors du processus
de broyage, mais dépend également de la production de gangue libre associée à chacune
des familles événementielles présentées à la Figure 4.12.
1
, , , ,
1i i i i
G iG G G G Gii i j j i j A B C D
j
dMM S M S b
dt
(Équation 4.25)
où , , ,A B C D est le terme de production de gangue libre par l’ensemble des évènements
appartenant aux quatre familles de la Figure 4.12.
L’équation 4.25 permet d’effectuer le bilan massique de gangue libre appartenant à la
classe j. Les deux premiers termes sont respectivement associés à l’apparition et à la
disparition de la gangue libre par fragmentation de celle-ci. Le troisième terme tient compte
de la production de gangue libre par la fragmentation de mixtes appartenant aux familles
94
évènementielles de fragmentation des mixtes (Figure 4.12). Puisque ce terme contient
plusieurs évènements distincts, nous allons le développer en décortiquant les évènements
de fragmentation des mixtes selon trois situations différentes. Pour chaque situation, le
volume de gangue de taille i produit lors de la fragmentation d’une particule mère de taille j
contenant un grain d’or de dimension k ( k
ijV ) est caractérisé.
1. Les filles produites sont plus petites que le grain d’or (i<k)
La famille évènementielle A
Les évènements appartenant à la famille évènementielle A produisent un nombre de
fragments égal à ,
3
M
i j j
i
b V
d où
jV représente le volume de particules mères de taille j
broyées. On cherche ici à caractériser uniquement la gangue produite, il faut donc
soustraire de ces fragments, les particules filles qui sont mixtes. Le nombre de
fragments de gangue est donc ,
3 3
M
i j j j
i j
b V V
d d . Soit un volume de gangue de :
3
3i
M iA j ij
j
dV V b
d
pour i<k (Équation 4.26)
Les familles évènementielles B et C
Le volume de gangue produit par ces deux familles d’évènement est :
, i
M
B C j ijV V b pour i<k (Équation 4.27)
95
La famille évènementielle D
Les volume total de matière (incluant le grain d’or libéré se déportant vers les
classes plus fines) associé aux évènements appartenant à la famille évènementielle
D et à la classe de filles i est égal à ,
M
i j jb V . Il faut cependant soustraire le volume
d’or libéré lors de la fragmentation pour caractériser uniquement le volume de
gangue produit dans la classe i. On obtient donc :
3
3i
M kD j ij
j
dV V b
d
pour i<k (Équation 4.28)
Finalement, en multipliant chacun de ces volumes par la probabilité d’occurrence de
leur famille évènementielle, on obtient le volume de gangue de taille i produite lors de
la fragmentation d’une particule mère de taille j contenant un grain d’or de dimension k.
,1 1ik i i ik i
k M M M
ij ij L A ij B C ij L DV b P V b V b P V pour i<k (Équation 4.29)
2. Les filles produites sont de la même taille que le grain d’or (i=k)
Les familles évènementielles A,C et D
Le volume de gangue produit par ces trois familles d’évènement est :
, , i k
M
A C D j kjV V b
pour i=k (Équation 4.30)
La famille évènementielle B
Les évènements appartenant à la famille évènementielle B ont un volume global
(incluant le grain d’or libéré) de matière dans la classe de filles i égal à ,
M
i j jb V . Il faut
96
cependant soustraire le volume d’or libéré lors de la fragmentation pour caractériser
le volume de gangue produit dans la classe i. On obtient donc :
3
3i k
M kB j kj
j
dV V b
d
pour i=k (Équation 4.31)
Finalement, en multipliant chacun de ces volumes par la probabilité d’occurrence de
leur famille évènementielle, on obtient :
, ,1i k i k
k M M
ij ij A C D ij BV b V b V
pour i=k (Équation 4.32)
3. Les filles produites sont plus grosses que le grain d’or (i>k)
Les familles évènementielles A,B et D
Le volume de gangue produit par ces trois familles d’évènement est :
, , i
M
A B D j ijV V b pour i>k (Équation 4.33)
La famille évènementielle C
Le volume total de matière (incluant le grain d’or libéré se déportant vers les classes
grossières) appartenant à la famille évènementielle C et associé à la dimension de
fille i est égal à ,
M
i j jb V . Il faut cependant soustraire le volume d’or libéré lors de la
fragmentation pour caractériser uniquement le volume de gangue de la classe i. On
obtient donc :
3
3i
M kC j ij
j
dV V b
d
pour i>k (Équation 4.34)
97
Finalement, en multipliant chacun de ces volumes par la probabilité d’occurrence de leur
famille évènementielle, on obtient :
, ,1i i
k M M
ij ij A B D ij CV b V b V pour i>k (Équation 4.35)
En développant les expressions des équations 4.29, 4.32 et 4.35, on obtient l’expression
générale suivante :
3 3
3
11
ik ikL i L kk M
ij ij j
j
P d P dV b V
d
pour tous les i (Équation 4.36)
Ce qui donne pour l’ensemble des particules mixtes et sur une base massique :
3 31
, , , 31 1
11
kik ik
i i i i
M M Mn iL i L kij j jk
A B C D Mk j jk j
P d P db S M
d
(Équation 4.37)
4.5 Caractérisation des surfaces d’or d’un échantillon
Les particules alimentées au broyeur ont une granulométrie et une granulochimie connues
(mesurées). Cependant, la caractérisation physique des particules est inconnue (proportion
d’or libre, de mixtes et de gangue libre ainsi que l’emplacement de l’or dans les particules
mixtes). Cette sous-section propose une approche permettant de caractériser les surfaces
d’or accessibles d’un échantillon n’ayant subi aucune autre transformation que la
fragmentation.
Dans le cas où l’on considère une dimension de grains d’or unique, la caractérisation des
particules alimentées peut facilement être déduite. En effet, en considérant des particules
98
mixtes porteuses d’un seul grain d’or, la teneur de ces mixtes (iMt ) dans chacune des
classes granulométriques est parfaitement connue.
3
3 3 3i
i
g Au
M
p g G g Au
dt
d d d
(Équation 4.38)
De plus, puisqu’il n’y a qu’une seule dimension de grain d’or, l’or libre se retrouve en
totalité dans la classe dp=dg. Par conséquent, l’or présent dans les autres classes
granulométriques ( p gd d ) est entièrement attribuable à l’or provenant des mixtes. Pour
ces classes, la proportion de particules mixtes (iMP ) est obtenue par :
i
i
iM
M
tP
t où ti est la tenneur de la classe i (Équation 4.39)
Les proportions d’or libre et de mixtes dans la classe dp=dg sont alors obtenues à l’aide du
système d’équations suivant :
,
,
p g d d d dp g p g
i i p g
d d M M Or L
Tot i M M d d Or L
t P t P
t x P t x P
(Équations 4.40)
où p gd dt
et Tott sont respectivement les teneurs en or dans la classe dp=dg et pour le minerai
global (teneur de tête). ,Or LP est la proportion de particules dans la classe dp=dg qui est de
l’or libre.
Dans le cas qui nous intéresse, la dimension des grains d’or suit une distribution gamma en
nombre. Afin de faciliter la manipulation de cette distribution, elle est discrétisée en nk
classes de grains d’or. Bien que cette discrétisation soit nécessaire pour expliquer la
présence d’or libre dans plusieurs classes granulométriques différentes, elle entraîne une
99
difficulté associée à la caractérisation des particules alimentées au broyeur. En fait, à l’aide
des informations connues, on peut calculer la teneur de chaque particule mixte de
dimension i portant un grain d’or de taille j :
3
3 3 3
j
ij
j ji
g Au
M
p g G g Au
dt
d d d
(Équation 4.41)
où G est la densité de la gangue.
Bien que l’équation 4.41 permette d’obtenir la teneur des mixtes, il est impossible de
déterminer par des bilans de matières simples (tel que l’équation 4.39 et le système
d’équations 4.40) les proportions de mixtes et d’or libre dans chacune des classes
granulométriques. Les multiples teneurs des mixtes (jusqu’à nk par classe granulométrique)
et la proportion d’or libre présente dans les différentes classes rendent le système
d’équations indéterminé, c'est-à-dire que les proportions de mixtes sont non observables.
Afin d’être en mesure de caractériser la matière alimentée à un circuit de broyage (un
simple broyeur en discontinu dans l’étude de cas présentée à la sous-section suivante), il est
nécessaire d’emprunter une autre avenue. La méthode proposée se base sur une
caractérisation physique des mixtes qui est indépendante de l’historique de broyage et fait
appel au modèle géométrique cubique décrit à la section 4.3. La caractérisation est basée
sur la fragmentation directe de la matrice mère vers la granulométrie que l’on cherche à
expliquer. Si on suppose que la fragmentation de la matrice mère métallisée et la
distribution des grains d’or dans cette matrice sont aléatoires, alors la distribution des
centres de masse (point d’ancrage des grains d’or) associés aux différentes classes de
fragments est la même que dans la matrice.
En d’autres mots, les distributions des centres de masse des différents grains d’or sont les
mêmes dans toutes les classes de dimension des fragments et sont donc identiques à la
distribution des tailles de grains d’or de la matrice mère. Ceci ne veut cependant pas dire
100
que toutes les classes de particules auront la même concentration de centres de grains, ni
que tous les grains d’or seront présents dans une classe de fragments donnés, puisque
certains grains d’or seront libérés et joindront une autre classe granulométrique. On doit
donc à ce stade faire une distinction entre la concentration des centres de masse conduisant
à une teneur en or potentielle yj et la teneur réelle tj de la classe après que les grains libérés
aient été redistribués dans les classes appropriées. La Figure 4.13 présente la fragmentation
d’une matrice mère possédant une distribution simplifiée de tailles de grains d’or : un petit
grain d’or pour deux gros grains d’or. Selon la théorie énoncée, chaque fragment a deux
fois plus de chance d’être associé à un grain d’or grossier qu’à un grain d’or fin. C’est-à-
dire que dans chaque classe de particules, la distribution granulométrique de l’or
potentiellement présent dans la matrice mère est identique à celle de la zone métallisée.
Figure 4.13 : Fragmentation de la matrice mère pour une distribution granulométrique de grain d’or connue.
101
Selon la thèse exprimée dans le paragraphe précédent, on sait que la distribution de l’or
associée à la fragmentation de particules vers une dimension donnée est identique à celle de
la matrice mère. Cependant, les masses (ou teneurs) d’or associées à ces classes de
fragments sont inconnues. À la Figure 4.14, les fragments de la matrice présentée à la
Figure 4.13 sont déplacés pour former des zones de fragments unidimensionnels. Bien que
la distribution de l’or dans chacune des zones soit la même (1 petit grain d’or pour 2 gros
grains d’or), la teneur (yj) de chaque zone est différente. Cet effet est causé par deux
phénomènes :
La présence de zones de broyabilités différentes (dans le cas simplifié présent, on
utilise deux broyabilités différentes : les particules mixtes et les particules de
gangue) qui permettent d’expliquer la présence de concentrations en or différentes
d’une classe granulométrique à l’autre.
La redistribution des grains d’or libérés dont les centres étaient potentiellement dans
une classe de particules donnée (par exemple : les gros grains libérés « remontent »
nécessairement dans les classes de dimension supérieures.
Figure 4.14 : Matrice mère divisée en zone de fragments unidimensionnels
102
Le modèle de libération géométrique cubique permet de calculer la probabilité de libération
d’un grain d’or de dimension dg associé à une particule de dimension dp. On peut ainsi
construire une matrice de probabilité de libération de l’or (PL) en fonction de ces deux
dimensions. Puisque l’or libéré par la fragmentation se retrouve dans la classe
granulométrique qui lui est associée (classe dp=dg), il est possible d’utiliser cette matrice de
probabilité pour écrire les bilans d’or dans chaque classe granulométrique. La Figure 4.15
schématise le déplacement de l’or libre d’une classe de fragments à l’autre. On peut donc
reconstruire la teneur réelle ti à partir de la teneur potentielle yi (teneur qu’aurait chaque
zone si on tenait compte uniquement des différences de broyabilité des mixtes et de la
gangue en éliminant le phénomène de redistribution de l’or libre) en écrivant l’équation de
conservation de l’or dans une classe granulométrique i :
,
1 1
1k
k ik dg dp jk i dg dpk i
g pk i
n i
i i Au AuL Au AuL j
k jd d
t y w P w P y
(Équation 4.42)
où kAuw est la proportion massique d’or de dimension k
Le premier terme de l’équation 4.42 est associé à l’or qui reste dans la classe
granulométrique « i » et le second à l’or qui provient de la libération par fragmentation. En
appliquant cette équation à chacune des classes granulométriques, les teneurs (yi) des
différentes zones de fragments unidimensionnels sont observables. On verra à la section 4.7
que les yi sont des paramètres calculables si les teneurs réelles ti et la distribution des grains
d’or sont mesurées. On verra aussi que les teneurs yi et ti sont simulables par le modèle de
fragmentation à deux zones de broyabilité (section 4.6) et on comparera les valeurs
obtenues en 4.6 et 4.7 pour la caractérisation des grains d’or.
103
Figure 4.15 : Schématisation du déplacement de l’or libre suite à la fragmentation de la matrice mère
Une fois les bilans d’or effectués, il suffit de sommer les masses d’or libre dans chacune
des classes granulométriques pour déterminer quelle proportion d’or se retrouve sous une
forme entièrement libérée et quelle proportion est associée aux mixtes. Finalement, afin de
terminer la caractérisation de l’échantillon, le modèle géométrique cubique peut être utilisé
pour déterminer la distribution de l’or dans les mixtes (or émergent, accessible par les pores
du minerai ou inaccessible à une attaque chimique).
4.6 Application du modèle à des essais de broyage discontinu
Le modèle de fragmentation et de libération décrit dans les sections précédentes a été testé
sur des mesures issues d’expériences de broyage discontinu effectuées à l’Université Laval.
Lors de ces expériences, le minerai provenant de la mine de Géant Dormant a été séparé et
ensuite broyé sur quatre périodes différentes de temps. Par la suite, la granulométrie, la
concentration en or dans chacune des classes et les analyses souches (tête) ont été mesurées
sur le minerai non broyé et sur celui issu des quatre essais de broyage. Les données brutes
issues de ces broyages sont présentées à l’annexe IV. Afin d’avoir des données cohérentes
pour calibrer le modèle de broyage, une réconciliation en deux étapes des teneurs en or est
104
effectuée. Premièrement, les résultats sont réconciliés de manière verticale (redondance
entre les mesures des granulochimies et les analyses souches). Ensuite, l’uniformité de la
quantité d’or présent dans chacun des échantillons est forcée par une réconciliation
horizontale. Bien que cette méthode en deux étapes ne soit pas optimale, elle permet de
s’assurer que l’hypothèse d’uniformité de la concentration est cohérente. Les résultats de la
réconciliation verticale sont présentés au Tableau 4.2.
Tableau 4.2 : Résultats de la première étape de réconciliation des tests de broyage
discontinu
Les résultats présentés dans le Tableau 4.2 indiquent que le minerai utilisé pour chacun des
tests comporte une quantité d’or semblable. Ceci permet de considérer que tous les résultats
sont issus d’un lot non broyé ayant une concentration en or unique. Cette hypothèse permet
de calibrer les modèles de broyage et de libération sur les données expérimentales. Le
Tableau 4.3 présente les résultats de la réconciliation des granulochimies du Tableau 4.2.
Cette correction est basée sur une contrainte de concentration en or globale identique d’un
test à l’autre et sur une granulométrie parfaitement connue (sans correction à apporter).
Tableau 4.3 : Résultats de la deuxième étape de réconciliation des tests de broyage - concentrations en ppm
105
4.6.1 Paramètres du modèle
Dans un premier temps, les essais de broyage de 10, 20 et 65 minutes ont été utilisés pour
paramétrer les modèles de fragmentation et de libération. La Figure 4.16 présente
l’algorithme utilisé pour obtenir les paramètres du modèle. La population des grains d’or
présents dans l’échantillon broyé est approximée à l’aide des paramètres dg et dg qui
représentent respectivement la moyenne et l’écart-type caractérisant la distribution gamma
de la taille des grains d’or (Équation 4.43).
( )
( ) où ( ) ( ) (Équation 4.43)
Par la suite, les caractéristiques de l’échantillon non broyé sont obtenues à l’aide des étapes
décrites à la section précédente. Finalement, la simulation du processus de fragmentation à
l’aide des fonctions de broyage et de sélection est effectuée. Le critère J utilisé pour
paramétrer le modèle est un critère des moindres carrés minimisant la somme des erreurs
relatives entre les granulométries et granulochimies simulées à l’aide du modèle et leurs
valeurs réconciliées. Les résultats de l’application de l’algorithme sont présentés dans les
tableaux 4.4 à 4.6. Il est à noter que les valeurs manquantes dans les classes supérieures du
Tableau 4.5 et du Tableau 4.6 n’indiquent pas que la proportion de matériel dans ces
classes est nulle. Les faibles proportions de matières dans ces classes ont été regroupées
avec celles des classes inférieures.
Figure 4.16 : Algorithme utilisé pour paramétrer le modèle de fragmentation
106
Tableau 4.4 : Paramètres du modèle de fragmentation
Tableau 4.5 : Granulométries expérimentales et granulométries issues du modèle
Tableau 4.6 : Granulochimies expérimentales et granulochimies issues du modèle
Les figures 4.17 et 4.18 comparent les courbes cumulées des granulométries et des
granulochimies expérimentales à celles obtenues par le modèle. Ces figures permettent de
synthétiser les informations contenues dans les tableaux 4.5 et 4.6. Mise à part la grande
différence entre les concentrations d’or observées et simulées pour les classes de 300 et 425
Paramètre Valeur Unité Paramètre Valeur Unité
K 0,226 1,88
n1 7,36 mS 0,263
n2 0,843 mB1 0,181
Smin 0,0211 min-1
mB2 0,162
Smax 0,936 min-1
dg 5,49 m
dopt 1132 m dg 2,39 m
107
microns du test de 10 min, les résultats granulométriques et granulochimiques du modèle
de broyage sont comparables aux données expérimentales. Les résultats des simulations
permettent également d’observer l’enrichissement anticipé des particules grossières lors du
processus de broyage. Il est à noter que ce phénomène est causé par la présence de zones
minérales de concentrations et de broyabilité diverses qui sont considérées dans le modèle
développé.
Figure 4.17 : Granulométries cumulées expérimentales et obtenues par le modèle
Figure 4.18 : Granulochimies cumulées expérimentales et obtenues par le modèle
108
Les particules mixtes et la gangue libre sont caractérisées par des fonctions de broyage et
de sélection différentes. La Figure 4.19 présente les fonctions de sélection associées à la
gangue libre et aux particules mixtes. On y remarque que les particules de gangue ont une
cinétique de fragmentation plus rapide que les particules mixtes. Ces fonctions sont
conformes aux observations effectuées à la section 3.4.2 qui démontrent une faible
broyabilité des éléments contenant de l’or et appuient la thèse présentée au chapitre 3 qui
propose que la broyabilité élevée de la gangue soit à l’origine de la diminution de la
concentration en or dans les classes de fines particules.
Figure 4.19 : Fonctions de sélection de la gangue et des particules mixtes
La Figure 4.20 présente les fonctions de broyage cumulées de la gangue et des particules
mixtes. Les proportions de particules ( ,
G
i jb , ,
M
i jb ) issues des fonctions de broyages et utilisées
dans les équations de bilan sont traditionnellement exprimées sous forme de proportion
massique. Afin de permettre la comparaison des deux fonctions de broyage, elles sont
présentées en proportion massique à la Figure 4.20. Les fonctions sont également
disponibles en proportion de nombre de particules à la Figure 4.21. Sur les deux figures, on
remarque que la proportion de particules fines créées par la fragmentation de la gangue est
beaucoup plus grande que celle des mixtes. Cette observation pourrait s’expliquer par la
présence d’un élément ductile et non broyable (ou du moins très difficilement broyable) à
l’intérieur des particules mixtes. En effet, la présence de grains d’or dans ces particules
109
influence probablement la fragmentation de ces dernières. On comprend qu’une particule
mixte contant un grain d’or de 10 microns ne peut pas être fragmentée à une dimension
inférieure à celle du grain d’or puisque ce dernier est considéré non fragmentable.
Figure 4.20 : Fonctions cumulées de broyage de la gangue et des particules mixtes (masse)
Figure 4.21 : Fonctions cumulées de broyage de la gangue et des particules mixtes
(nombre)
En plus de dépendre de deux fonctions de broyage et de sélection, la distribution
granulochimique de l’or est fortement influencée par la distribution de la taille des grains
d’or présents dans l’échantillon broyé. La Figure 4.22 présente la distribution
Fonctions de broyage cumulées de la gangue et des mixtes (masse)
0,0001
0,001
0,01
0,1
1
10 100 1000
Granulométrie (microns)
B
Gangue
Mixtes
Fonctions de broyage cumulées de la gangue et des mixtes (nombre)
0
0,2
0,4
0,6
0,8
1
10 100 1000
Granulométrie (microns)
B Gangue
Mixtes
110
granulométrique de l’or caractérisée par les paramètres ajustés dg et dg. Cette distribution
est également comparée aux données expérimentales issues d’une analyse effectuée par
Mintek sur le minerai de Géant Dormant (annexe III). On remarque que la distribution
théorique obtenue par l’application du modèle semble cohérente avec les analyses
indépendantes effectuées sur le minerai étudié.
Figure 4.22 : Distribution paramétrée de la taille des grains d’or comparée aux observations
effectuée sur le minerai étudié
4.6.2 Utilisation du modèle paramétré en prédiction
Une fois le modèle de fragmentation et de libération paramétré, il est utilisé pour prédire les
résultats du broyage de 55 minutes inutilisé lors de la calibration. Le Tableau 4.7 et la
Figure 4.23 comparent les valeurs prédites par le modèle aux mesures expérimentales. Le
tableau compare les résultats granulométriques et granulochimiques obtenus en prédiction
111
aux valeurs obtenues à l’aide des mesures, alors que la figure compare les granulométries et
granulochimies cumulées. Les résultats obtenus semblent montrer que le modèle calibré est
utilisable en prédiction.
Tableau 4.7 : Données expérimentales et valeurs prédites pour le test de 55 minutes
Figure 4.23 : Granulométries et granulochimies cumulées – Comparaison entre les données expérimentales et les valeurs prédites par le modèle
112
4.7 Comparaison de la caractérisation d’un échantillon à l’aide
de la méthode décrite à la section 4.5 et la caractérisation
obtenue par simulations
En supposant que la méthode décrite à la section 4.5 et permettant de caractériser un échantillon n’ayant subi aucun autre traitement qu’une fragmentation soit efficace, on
devrait être en mesure d’appliquer cette méthode au minerai issu des essais de broyage de périodes diverses. Il faut rappeler que cette méthode permet de caractériser l’accessibilité des surfaces d’or d’un minerai par une fragmentation directe de la matrice mère sans égard
à l’historique de broyage. Afin de valider l’applicabilité de cette dernière et sa validité pour caractériser un minerai frais et fragmenté, les concentrations d’or libre, encapsulé ou
émergeant du cube porteur, obtenues par le résultat des simulations de broyages à 10, 20, 55 et 65 minutes sont comparées aux valeurs obtenues en appliquant directement le modèle de caractérisation présenté à la section 4.5. Les proportions (en nombre) obtenues par les
deux méthodes sont présentées dans les tableaux 4.8 à 4.11. Les proportions indiquées représentent la proportion globale observée pour l’ensemble des dimensions de grain d’or
considérées. Le
113
Tableau 4.12 donne, à titre indicatif, la concentration de chaque zone unidimensionnelle
utilisée pour caractériser le minerai à l’entrée et aux sorties du broyage à l’aide de la
méthode de caractérisation décrite plus tôt (section 4.5). On utilise ici le terme zone
unidimensionnelle parce que l’on considère que tous les fragments de particules
appartenant à une classe granulométrique donnée ont la même taille.
Tableau 4.8 : Proportion d’or libre présent dans chaque classe granulométrique à la fin de chacun des essais de broyage
Simulation Méthode yi Simulation Méthode yi Simulation Méthode yi Simulation Méthode yi
(%) (%) (%) (%) (%) (%) (%) (%)
425 m 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
300 m 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
212 m 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
150 m 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
106 m 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
75 m 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
53 m 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
38 m 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00< 38 m 12,86 12,74 15,48 15,52 19,44 19,32 20,56 20,75
Minerai broyé 10 min Minerai broyé 20 min Minerai broyé 55 min Minerai broyé 65 min
114
Tableau 4.9 : Proportion d’or encapsulé et inaccessible à une attaque chimique à la fin de
chacun des essais de broyage (p 10 microns)
Tableau 4.10 : Proportion d’or émergeant à la fin de chacun des essais de broyage
Tableau 4.11 : Proportion d’or accessible par les pores du minerai (p 10 microns)
Simulation Méthode yi Simulation Méthode yi Simulation Méthode yi Simulation Méthode yi
(%) (%) (%) (%) (%) (%) (%) (%)
425 m 85,49 85,49 85,49 85,49 85,49 85,49 85,49 85,49
300 m 80,39 80,39 80,39 80,39 80,39 80,39 80,39 80,39
212 m 73,07 73,07 73,07 73,07 73,07 73,07 73,07 73,07
150 m 63,54 63,54 63,54 63,54 63,54 63,54 63,54 63,54
106 m 51,56 51,56 51,56 51,56 51,56 51,56 51,56 51,56
75 m 37,35 37,35 37,35 37,35 37,35 37,35 37,35 37,35
53 m 22,12 22,12 22,12 22,12 22,12 22,12 22,12 22,12
38 m 8,76 8,76 8,76 8,76 8,76 8,76 8,76 8,76< 38 m 0,32 0,32 0,31 0,31 0,29 0,29 0,29 0,29
Minerai broyé 10 min Minerai broyé 20 min Minerai broyé 55 min Minerai broyé 65 min
Simulation Méthode yi Simulation Méthode yi Simulation Méthode yi Simulation Méthode yi
(%) (%) (%) (%) (%) (%) (%) (%)
425 m 3,24 3,24 3,24 3,24 3,24 3,24 3,24 3,24
300 m 4,43 4,43 4,43 4,43 4,43 4,43 4,43 4,43
212 m 6,21 6,21 6,21 6,21 6,21 6,21 6,21 6,21
150 m 8,66 8,66 8,66 8,66 8,66 8,66 8,66 8,66
106 m 11,99 11,99 11,99 11,99 11,99 11,99 11,99 11,99
75 m 16,48 16,48 16,48 16,48 16,48 16,48 16,48 16,48
53 m 22,41 22,41 22,41 22,41 22,41 22,41 22,41 22,41
38 m 29,92 29,92 29,92 29,92 29,92 29,92 29,92 29,92< 38 m 36,26 36,31 35,17 35,15 33,52 33,57 33,06 32,98
Minerai broyé 10 min Minerai broyé 20 min Minerai broyé 55 min Minerai broyé 65 min
Simulation Méthode yi Simulation Méthode yi Simulation Méthode yi Simulation Méthode yi
(%) (%) (%) (%) (%) (%) (%) (%)
425 m 11,27 11,27 11,27 11,27 11,27 11,27 11,27 11,27
300 m 15,18 15,18 15,18 15,18 15,18 15,18 15,18 15,18
212 m 20,72 20,72 20,72 20,72 20,72 20,72 20,72 20,72
150 m 27,81 27,81 27,81 27,81 27,81 27,81 27,81 27,81
106 m 36,45 36,45 36,45 36,45 36,45 36,45 36,45 36,45
75 m 46,17 46,17 46,17 46,17 46,17 46,17 46,17 46,17
53 m 55,48 55,48 55,48 55,48 55,48 55,48 55,48 55,48
38 m 61,32 61,32 61,32 61,32 61,32 61,32 61,32 61,32< 38 m 50,56 50,63 49,04 49,02 46,75 46,81 46,10 45,99
Minerai broyé 10 min Minerai broyé 20 min Minerai broyé 55 min Minerai broyé 65 min
115
Tableau 4.12 : Teneurs des zones unidimensionnelles (yi)
Les résultats obtenus n’indiquent pas de biais important entre les prédictions faites par la
méthode de caractérisation décrite plus tôt et les résultats des simulations. L’utilisation de
cette méthode de caractérisation pour prédire le degré de libération de l’or à l’aide de la
granulométrie et de la granulochimie d’un échantillon frais et fragmenté semble applicable.
Il est à noter que cette prédiction n’est possible que lorsque toutes les informations
granulométriques et granulochimiques sont disponibles et lorsque le minerai n’a pas subi
d’autres étapes de traitement que la fragmentation. L’utilisation du modèle géométrique
pour prédire la distribution d’un échantillon à l’aide de la granulométrie seule ne permet
pas de prédire adéquatement les concentrations en or dans les différentes classes
granulométriques (on ne peut pas tenir compte de l’effet des zones de broyabilités
différentes). L’application de la méthode à des minerais classifiés et/ou lixiviés risque
d’entraîner des biais importants causés par les effets physiques et chimiques de
concentration et de dissolution de l’or qui ne sont pas considérés ici. Dans ces conditions, il
semble que la simulation à l’aide de modèle de classification et de lixiviation reste le
meilleur moyen disponible pour caractériser la granulochimie du minerai étudié.
4.8 Conclusions
En résumé, ce chapitre propose de coupler l’utilisation d’un modèle géométrique cubique
de libération des surfaces d’or à un modèle de fragmentation pour prédire la concentration
Non broyé Broyé 10 min Broyé 20 min Broyé 55 min Broyé 65 min
425 µm 8,69 10,51
300 µm 8,29 11,09
212 µm 14,89 9,82 24,62
150 µm 17,09 11,70 10,96 81,38 104,90
106 µm 17,42 13,96 9,46 20,48 28,98
75 µm 20,54 16,83 11,66 14,45 15,73
53 µm 23,03 16,04 14,06 13,74 16,03
38 µm 19,15 15,09 14,78 17,25 18,80
<38 µm 7,81 4,43 3,94 2,42 3,37
Teneurs (ppm) des zones unidimensionnelles de la matrice mère
116
en or dans les classes granulométriques d’un minerai lors de son broyage. Le couplage de
ces deux modèles permet, en plus, d’estimer le degré d’accessibilité des surfaces d’or à une
réaction de cyanuration. Les deux modèles ont conjointement été utilisés pour prédire les
résultats d’essai de broyage discontinu effectués en laboratoire. Les résultats obtenus par
l’application du modèle représentent bien le comportement observé.
117
Chapitre 5 : Identification de l’étape limitant la réaction
de cyanuration en milieu hétérogène agité
Industriellement, la dissolution de l’or à l’aide de cyanure libre est l’une des méthodes de
séparation les plus utilisées. L’une des approches permettant cette dissolution est basée sur
l’exposition de la surface des grains d’or par fragmentation du minerai. Cette exposition
favorise l’attaque de l’or par le cyanure en présence d’oxygène et le fait passer en solution
aqueuse. Cette dissolution est une réaction électrochimique en milieu hétérogène. Les
différentes étapes permettant une telle réaction sont nombreuses et décrites à la section
2.2.1 de la thèse. Chacune de ces étapes se produit plus ou moins rapidement de sorte que
la réaction globale est dictée par l’une ou plusieurs d’entre elles. Le but de ce chapitre est
de faire la lumière sur la ou les étape(s) limitant la réaction de dissolution de l’or en milieu
hétérogène. Pour se faire, les différentes étapes associées à cette réaction sont présentées et
étudiées. Par la suite, un plan d’expériences utilisé pour identifier l’étape limitant la
réaction est présenté. Les conditions expérimentales de chacun des tests effectués sont
ensuite analysées. Finalement, une étude préliminaire des résultats est effectuée.
5.1 Connaissances théoriques permettant d’identifier l’étape
limitant la réaction
Aux cinq étapes associées à la réaction hétérogène qui sont présentées à la section 2.2.1 de
la thèse, il faut ajouter, a priori, l’étape de solubilisation de l’oxygène dans la phase liquide.
Six étapes distinctes sont donc nécessaires pour que la réaction hétérogène se réalise. Ces
étapes sont schématisées à la Figure 5.1.
118
Figure 5.1 : Étapes de la réaction de cyanuration de l’or
Suite à la solubilisation de l’oxygène (1), les réactifs diffusent au travers la couche externe
(couche limite de Nernst) (2) et au besoin (si la surface du grain d’or n’est pas exposée), au
travers des pores et des fractures du minerai (3). Ensuite, la réaction électrochimique de
dissolution a lieu à la surface du grain d’or (4). Finalement, les produits de la réaction
quittent le minerai par diffusion au travers des pores (5) et de la couche limite externe (6).
Le temps nécessaire pour compléter la réaction globale de cyanuration de l’or représente la
somme de la durée de chacune de ces étapes.
6
1
G i
i
(Équation 5.1)
où θG est le temps nécessaire pour effectuer toutes les étapes du processus de cyanuration et
θi est le temps nécessaire pour réaliser l’ie étape.
Selon l’équation 5.1, les étapes beaucoup plus rapides que les autres peuvent être négligées
lors de la modélisation de la cyanuration. En négligeant les effets d’interactions
galvaniques de l’or et en considérant une application sous des conditions industrielles, c'est-
à-dire dans des conditions où l’agitation de la pulpe est faible, les étapes limitantes sont
119
diffusionnelles [5.1]. Or, dans le cas de la cyanuration de l’or, quatre des six étapes décrites
sont associées à la diffusion. Le temps nécessaire à la réalisation des deux autres étapes (1
et 4) serait donc négligeable lors des applications industrielles.
Les lois de transport de la matière, telles que la première loi de Fick, stipulent que
l’amplitude du flux de matière circulant entre deux points est directement proportionnelle
au gradient de concentration observé.
i i MW i (Équation 5.2)
où Wi est le flux molaire surfacique de l’élément i, i représente sa diffusivité et M
i
son gradient de concentration molaire.
L’équation 5.2 régit le transport de la matière par diffusion. Dans le cas de la diffusion des
produits vers la pulpe (étapes 5 et 6), le gradient d’aurocyanure à la surface métallique est
très élevé. La production d’aurocyanure dans un espace restreint engendre une
concentration locale ponctuelle très élevée. Conséquemment, les gradients de concentration
associés aux étapes 5 et 6 sont élevés et les flux molaires des produits sont très rapides. Les
étapes de diffusion des produits vers l’extérieur de la particule de minerai et au travers de la
couche externe seraient donc vraisemblablement négligeables et le temps global nécessaire
pour effectuer l’ensemble des étapes de la réaction de dissolution de l’or pourrait être
supposé dicté par:
2 3G (Équation 5.3)
L’équation 5.3 stipule qu’industriellement le temps nécessaire pour franchir chacune des
étapes de la réaction de dissolution de l’or peut être approximé en considérant uniquement
la diffusion des réactifs vers le site de la réaction. Dans le cas d’or accessible par les pores
ou les fractures du minerai, les étapes de diffusion des réactifs au travers la couche limite
externe et par les pores doivent être considérées. Dans le cas des surfaces d’or accessibles,
120
la seconde étape n’est pas nécessaire et le temps global de la réaction est approximé en
considérant une seule étape : la diffusion des réactifs au travers la couche limite de Nernst.
5.2 Description des essais de cyanuration en milieu hétérogène
agité
La section précédente propose que la cinétique de cyanuration de l’or en milieu hétérogène
agité soit modélisée en considérant uniquement les étapes de diffusion des réactifs vers les
surfaces d’or. Si cette approche est réaliste, la vitesse d’agitation de la pulpe doit avoir un
impact marqué sur la cinétique de dissolution de l’or. En effet, la vitesse d’agitation a une
influence directe sur le transport des réactifs vers le site de la réaction. Les expériences
utilisées pour valider la pertinence d’un modèle diffusionnel sont présentées dans cette
section. Dans un premier temps, les conditions expérimentales recherchées sont énoncées et
les calculs permettant de caractériser les expériences nécessaires pour atteindre ces
conditions sont présentés. Finalement, l’ensemble du plan d’expériences et des conditions
expérimentales choisies pour paramétrer le modèle diffusionnel est présenté.
5.2.1 Conditions expérimentales recherchées
Six caractéristiques ont été priorisées pour assurer que le plan d’expériences choisi
permette de modéliser adéquatement la cinétique de la réaction de cyanuration de l’or en
milieu hétérogène agité.
Être en mesure d’observer l’effet de la diffusion des réactifs sur la cinétique de
dissolution de l’or
L’hypothèse identifiant l’étape de la diffusion des réactifs comme celle limitant la cinétique
de cyanuration de l’or en milieu hétérogène agité permet de négliger le temps nécessaire
pour franchir toutes les autres étapes du processus de lixiviation. Ainsi, les seules étapes
considérées sont celles associées au transport des réactifs vers le site de la réaction. Afin de
caractériser l’impact de ces étapes sur la cinétique de dissolution de l’or, une variable ayant
121
un effet direct sur la diffusion des réactifs est manipulée. La variation de la vitesse de
rotation de l’agitateur utilisé pour garder les particules en suspension dans la pulpe est
préconisée dans l’élaboration du plan d’expériences.
Avoir des conditions opératoires comparables aux conditions industrielles
Les conditions opératoires des essais en laboratoire ayant un impact sur la cinétique
diffusionnelle doivent être comparables à celles observées industriellement. Ceci permet de
comparer les résultats des tests aux cinétiques observées industriellement. Les
concentrations en oxygène et en cyanure présentes dans la cuve de lixiviation jouent un rôle
direct sur le transport des réactifs vers le site de la réaction. Elles doivent donc être
comparables aux valeurs observées industriellement. Le point d’alimentation de la phase
gazeuse se situe industriellement directement sous l’agitateur. La position de cette
alimentation permet de briser les bulles gazeuses lors de leur injection et peut donc avoir un
impact sur la vitesse de solubilisation de l’oxygène. Conséquemment, le point d’injection
doit se situer au même endroit pour les expériences effectuées en laboratoire. Finalement, la
granulométrie du minerai et sa concentration en or doivent être semblables à celles
observées dans les cuves industrielles. Ceci permet d’avoir un ensemble de surfaces
métalliques accessibles comparables.
Assurer la suspension de la totalité des particules
Il est primordial d’assurer la suspension de toutes les particules de minerai. La
sédimentation de particules aurifères n’assurerait pas l’accessibilité directe des surfaces
métalliques libérées aux réactifs. Toutefois, la suspension des particules doit avoir lieu à un
niveau d’agitation comparable à celui des conditions industrielles. Ceci assure que
l’applicabilité d’un modèle diffusionnel sur les essais de laboratoire ne soit pas attribuable à
une trop faible agitation de la pulpe.
S’assurer d’avoir un minerai dont les caractéristiques permettent l’applicabilité du
modèle de libération et de caractérisation des surfaces accessibles
Le modèle de libération et de caractérisation des surfaces accessibles présenté au chapitre 4
permet de caractériser un échantillon n’ayant subi aucun autre traitement qu’une
122
fragmentation. Il est donc primordial, si l’on veut être en mesure de caractériser ces
surfaces à l’aide du modèle développé, que le minerai utilisé soit frais. C’est-à-dire qu’il
n’a pas subi de séparation gravimétrique ou d’exposition préalable au cyanure.
Minimiser la variabilité des facteurs négligés lors de la modélisation
L’effet de certains facteurs n’est pas considéré dans le modèle cinétique de dissolution de
l’or proposé dans la thèse. Ces facteurs doivent être maintenus constants lors du plan
d’expériences. L’influence de ces facteurs est ainsi minimale sur la cinétique observée, ce
qui assure d’avoir un modèle représentatif des phénomènes que l’on cherche à expliquer.
Dans le cas présent, le but est de caractériser l’effet des surfaces accessibles sur la cinétique
de dissolution de l’or. Les impacts de la passivation des surfaces, du pH, de la température
de la solution, des liens galvaniques, du nitrate de plomb et de la préaération du minerai ne
sont pas caractérisés par le modèle. La minimisation de la variabilité des facteurs est donc
importante et permet aux phénomènes qui ne sont pas expliqués par le modèle proposé
d’être maintenus à un niveau constant. Ceci n’indique rien quant à l’ampleur de l’effet de
ces phénomènes sur la réaction de dissolution et permet de focaliser le modèle sur les
éléments que l’on veut quantifier.
Avoir une redondance d’information
L’observabilité d’un système est essentielle pour caractériser ce qui s’y passe. La
redondance des observations permet, à l’aide de méthodes de filtrage, de diminuer la
variance des observations (qui est grande dans le domaine de l’or) et ainsi construire des
modèles dont les paramètres sont plus précis. La répétitivité d’un test assure également
d’avoir un certain type de redondance qui permet de caractériser la reproductibilité des
essais effectués. Ces deux types de redondance doivent être inclus dans le plan
expérimental effectué.
5.2.2 Mise à l’échelle des conditions expérimentales
Les expériences discontinues de cyanuration utilisées pour juger de la pertinence d’un
modèle diffusionnel ont été effectuées au COREM. Afin d’assurer que le fonctionnement
123
des cuves utilisées pour ces essais représente bien les conditions industrielles, une mise à
l’échelle des conditions opératoires a préalablement été effectuée. Cette étape permet
d’assurer que la géométrie des installations en laboratoire et des conditions de mélange
dans les cuves sont comparables à celles implantées industriellement. Cette section présente
une liste de données recueillies au concentrateur de la mine de Géant Dormant ainsi que les
conditions expérimentales fixées par les chercheurs et techniciens du COREM. Les
conditions ajustables des essais en laboratoire sont ensuite choisies pour permettre la
suspension de l’ensemble des particules tout en respectant une géométrie et un type de
mélange comparable au cas industriel.
Le Tableau 5.1 présente une liste de paramètres associés aux cuves de cyanuration de Géant
Dormant et au montage expérimental de COREM. T et D sont respectivement les diamètres
de la cuve et de l’agitateur, z représente la hauteur à laquelle se situe l’agitateur par rapport
au fond de la cuve, ω est la vitesse de rotation de l’hélice. QG et d sont deux variables
associées à l’alimentation d’oxygène aux cuves. QG représente la pression de gaz, alors que
d est le diamètre de la conduite utilisée pour alimenter le gaz à la cuve.
Tableau 5.1 : Paramètres fixes des cuves industrielles et de laboratoire
Nienow [5.2] présente, dans son manuel, des équations empiriques permettant de
déterminer l’agitation minimale requise pour garder des particules solides en suspension
dans un mélange hétérogène. Dans le cas d’une pulpe biphasée (sans gaz), il propose :
Variables Géant Dormant COREM
T 7,31 m (24 pi) 20,5 cm (8,07 po)
D 1,07 m (3,5 pi) 4 cm (1,57 po)
z 2,13 m (7 pi) Ajustable
ω 40 RPM Ajustable
QG ND 2,38 atm (35 psi)
d ND 0,64 cm (0,25 po)
Type d'agitateur Double et plat Hélice marine
ND: Non déterminé
124
0.45
0.13 0.2 0.1 0.85SL
s s L
L
gN A d D
(Équation 5.4)
où SLN est la vitesse minimale de rotations (en Hz) permettant la suspension de particules
de diamètre ds (en m) dans un milieu hétérogène solide-liquide. A est une constante
caractérisant la géométrie du montage. s est la proportion massique de solide dans le
milieu hétérogène, L représente la viscosité du mélange (en Po), g est la constante
gravitationnelle (en m/s2), L la densité de la phase liquide et la différence de densité
entre les particules solides et le liquide. Le diamètre de l’agitateur (D) est exprimé en cm.
Dans le cas d’une cuve à trois phases, il propose :
0.94SLG SL
VGN N Q (Équation 5.5)
où SLGN est le nombre minimal de rotations (en seconde) permettant la suspension de
particules de diamètre ds (en m) dans un milieu triphasique. QVG est le volume de gaz
alimenté au réservoir par unité de volume de pulpe présent dans la cuve et par minute.
La constante A présente dans l’équation 5.4 et caractérisant la géométrie de l’installation
est également utile pour s’assurer que deux montages sont comparables. Deux montages
caractérisés par la même constante sont considérés semblables [5.2]. La valeur de cette
constante dépend du diamètre de la cuve, de la présence de chicanes et de leur nombre, de
la hauteur de matériel présent dans la cuve ainsi que de la position, du diamètre et du type
d’agitateur utilisé. Une série de courbes reliant ces caractéristiques à la constante A sont
disponibles. Les figures 5.2 et 5.3 présentent respectivement les courbes caractéristiques
d’un double agitateur plat et d’une hélice marine utilisée dans un montage où la hauteur de
matériel est égale au diamètre pour une cuve possédant quatre chicanes et un fond plat.
125
Figure 5.2 : Courbe reliant la géométrie d’un montage à ses paramètres physiques – Double agitateur plat de diamètre 0.5D chacun [5.2]
Figure 5.3 : Courbe reliant la géométrie d’un montage à ses paramètres physiques – Hélice
marine [5.3]
Position de l’agitateur pour les essais en laboratoire
À l’aide de la Figure 5.2 et des caractéristiques présentées au Tableau 5.1, on détermine que
la valeur de la constante géométrique A des cuves de cyanuration de Géant Dormant est
environ de 7. La Figure 5.3 est ensuite utilisée pour déterminer, qu’à géométrie semblable,
il est nécessaire d’avoir un rapport T/z d’environ 6 pour les essais au COREM. Cette valeur
correspond à une position d’agitateur à 3,5 cm du fond de la cuve.
Calcul de la vitesse d’agitation pour les essais en laboratoire
Afin de s’assurer d’une suspension de la totalité des particules, les équations 5.4 et 5.5 sont
utilisées. Dans un premier temps, ces équations sont appliquées à une particule d’or libre de
126
13.8 microns de diamètre. La valeur de 13,8 microns est choisie parce que 99% des
particules d’or décrites par la distribution gamma théorique présentée au chapitre 4
(moyenne de 5,49 microns et écart-type de 2,39 microns) et caractérisant le diamètre des
grains d’or présents dans le minerai étudié, sont plus petites que cette valeur. Étant donné
que l’or est l’élément le plus lourd présent dans le minerai, la vitesse de rotation minimale
permettant la suspension de cette particule assure également la suspension des autres
particules présentes. La valeur obtenue par l’application de l’équation 5.5 est de 1323
RPM.
L’un des buts recherchés par la mise en place du plan expérimental est de confirmer l’effet
non négligeable du transport des réactifs dans le processus de dissolution de l’or. Pour ce
faire, la variation de la vitesse d’agitation s’avère un outil intéressant. Quatre vitesses
d’agitation différentes situées autour du point minimal d’agitation ont été choisies. Ces
vitesses sont 1200, 1350, 1500 et 1650 RPM. La valeur minimale de ce spectre permet,
selon les équations 5.4 et 5.5, la suspension de 94,2% des particules d’or libres et plus de
99,99% des particules de gangue.
Type de mélange
Le nombre adimensionnel de Reynolds est défini par :
2
Rem
L
DN
(Équation 5.6)
où m est la densité du mélange hétérogène, permet de caractériser le type de mélange
présent dans une cuve.
Lorsque le nombre de Reynolds est plus élevé que 10000, le mélange est considéré
turbulent [5.4]. Pour les cuves industrielles ainsi que pour la totalité des essais du plan
d’expériences (1200 à 1650 RPM) effectués au COREM, le nombre de Reynolds dépasse
largement cette valeur critique et sont semblables dans les deux cas. Les deux types de
127
mélange sont donc comparables et laissent croire que les vitesses de rotation choisies pour
le plan d’expériences sont représentatives des conditions industrielles.
5.2.3 Plan d’expériences des essais de cyanuration
Un plan d’expériences basé sur la liste de conditions expérimentales recherchées et sur les
calculs présentés aux sections précédentes a été élaboré. Ce plan, transmis aux chercheurs
et techniciens de COREM, est disponible à l’annexe V. En résumé, douze expériences de
lixiviation batch ont été effectuées avec le minerai aurifère provenant de la mine de Géant
Dormant. Dans chacun des cas, le minerai est broyé à une granulométrie de 50% passant 38
microns et ensuite pré-aéré pendant 24 heures. La lixiviation est effectuée à pH 11, à 50 %
solides et à une concentration d'oxygène maintenue à saturation par une injection constante
d’O2. Au départ, 600 ppm de cyanure sont présents dans chacune des cuves. Afin de doser
les concentrations de cyanure et d'or présentes dans la phase liquide au cours des essais, des
échantillons liquides sont recueillis à intervalle de temps régulier. La concentration en
cyanure dans la phase liquide est alors mesurée par méthode de titrage au nitrate d’argent.
Après chaque échantillonnage liquide, une quantité de cyanure est ajoutée au réservoir.
Cette étape est effectuée dans le but de maintenir la concentration de cyanure près de sa
valeur initiale. Finalement, afin d’avoir une redondance d’informations permettant de
réconcilier les analyses d’or, les résidus solides sont lavés et analysés après chaque
expérience. La Figure 5.4 résume les conditions initiales des douze expériences ainsi que la
vitesse d’agitation et la durée de chacune d’entre elles. La Figure 5.5 schématise la
manipulation des échantillons et présente la liste des mesures de concentration en or
effectuées lors des essais.
128
Figure 5.4 : Conditions initiales des essais discontinus de cyanuration
Figure 5.5 : Schématisation des mesures de concentration en or disponibles
129
5.3 Résultats des essais de cyanuration et analyse préliminaire
Les résultats expérimentaux des douze essais de cyanuration effectués au COREM sont
présentés et analysés dans cette section. Dans un premier temps, les mesures brutes
résultant des essais sont présentées et analysées. Par la suite, un modèle empirique de
dissolution de l’or est utilisé pour estimer les concentrations d’or dans chacune des classes
granulométriques avant les essais de cyanuration. Finalement, les estimations obtenues par
l’application du modèle empirique sont utilisées pour estimer la concentration d’or non
lixiviable et les constantes cinétiques associées à chacune des classes granulométriques.
5.3.1 Résultats expérimentaux des essais de cyanuration
Les analyses d’or, les mesures granulométriques et les mesures de concentration de réactifs
effectuées lors des expériences sont particulièrement importantes dans le contexte de ce
projet. Ces données sont donc détaillées et analysées ici. La totalité des mesures issues du
plan expérimental sont disponibles à l’Annexe VI.
Granulométries des échantillons
La granulométrie du minerai joue un rôle direct sur l’accessibilité des surfaces d’or et cette
dernière a un impact important sur la cinétique de dissolution de l’or. Afin de comparer
l’effet de l’agitation sur cette cinétique, il est donc préférable de s’assurer que les douze
expériences sont effectuées à une granulométrie semblable. La Figure 5.6 présente les
courbes granulométriques associées aux douze essais de cyanuration. Les mesures
permettant de construire la figure ont été effectuées à la fin de chaque test.
130
Figure 5.6 : Courbes granulométriques pour les douze essais de cyanuration
On remarque qu’à l’exception de la distribution granulométrique du test d’une heure à 1650
RPM, toutes les courbes se superposent. Afin de déterminer si cette distribution est
statistiquement différente des autres, on la compare à la moyenne des granulométries à
l’aide d’un test de détection multivariable. Le Tableau 5.2 présente la distribution
granulométrique du test d’une heure à 1650 RPM ainsi que la moyenne et l’écart-type
mesurés pour les autres distributions.
Tableau 5.2 : Comparaison entre la granulométrie du test d’une heure à 1650 RPM et celles des autres tests
En considérant que les variables statistiquement comparées sont indépendantes et normales,
on peut comparer les valeurs observées dans chacune des classes de particules aux
distributions de Student caractérisant l’ensemble des onze autres granulométries. Cette
étape permet de déterminer si la quantité de matière présente dans chacune des classes
granulométriques est semblable pour toutes les expériences. Le Tableau 5.3 présente les
131
résultats du test de Student. On y compare les valeurs observées aux valeurs de la
distribution théorique pour un intervalle de confiance de 95% et dix degrés de liberté.
Tableau 5.3 : Test statistique comparant la granulométrie des expériences
Les résultats présentés dans le Tableau 5.3 indiquent que la granulométrie de l’essai d’une
heure à 1650 RPM est différente de celles associées aux onze autres expériences. Puisque la
proportion de surfaces accessibles (et donc la cinétique de cyanuration) est dépendante de
la distribution granulométrique, ce résultat indique que la cinétique de dissolution de l’or
associée à l’expérience d’une heure à 1650 RPM ne peut pas être comparée directement aux
autres résultats.
Concentration en cyanure dans les cuves
Selon la première loi de Fick (équation 5.2), la concentration en cyanure joue un rôle direct
sur son transport vers le site de la réaction. Elle a donc un impact sur une cinétique
caractérisée par la diffusion des réactifs. Afin de comparer l’effet de l’agitation sur ce genre
de cinétique, il est donc préférable de s’assurer que les douze expériences sont effectuées
dans des conditions où la concentration en cyanure est semblable. Le Tableau 5.4 présente
les mesures de concentrations en cyanure libre prises dans les cuves lors des essais.
Tableau 5.4 : Concentrations de cyanure libre mesurées (en ppm) pour les douze essais
132
Afin de déterminer si la concentration moyenne en cyanure libre d’un essai est semblable
aux autres, on utilise un test d’hypothèse applicable à des moyennes inconnues ainsi qu’à
des variances inconnues et différentes [5.5]. L’équation suivante présente la variable
expérimentale caractérisant ce type de test :
exp 0.522
yx
x y
x yt
SS
n n
(Équation 5.7)
où x et y sont respectivement les moyennes mesurées de l’élément comparé et du groupe
de comparaison. 2
xS et 2
yS sont leurs variances mesurées respectives. nx et ny représente le
nombre de mesures respective de chaque échantillon.
La variable expérimentale texp se comporte selon une distribution de Student à min(nx-1, ny-
1) degré de liberté [5.5]. Son utilisation permet de comparer la concentration moyenne de
cyanure libre mesurée dans chacune des cuves. Pour ce faire, la moyenne de concentration
pour chacune des expériences est comparée à celles des onze autres expériences. La
variable expérimentale obtenue est alors comparée à la distribution de Student (tthéo)
correspondante à l’aide d’un intervalle de confiance de 95%. Le Tableau 5.5 présente les
résultats obtenus lors de cette comparaison.
Tableau 5.5 : Test d’égalité comparant la concentration moyenne en cyanure libre de
chacune des expériences aux concentrations moyennes des onze autres essais
Le Tableau 5.5 montre que chacun des douze essais a une concentration moyenne en
cyanure comparable aux autres. On peut donc en conclure que les expériences batch de
133
lixiviation ont toutes été effectuées à des concentrations moyennes de cyanure libre qui
semblent comparables. Les concentrations en cyanure libre de ces essais n’ont pas de raison
d’être considérées statistiquement différentes.
Concentration en oxygène dans les cuves
La concentration en oxygène joue également un rôle important sur la cinétique
diffusionnelle de cyanuration de l’or. Afin de comparer l’effet de l’agitation sur ce genre de
cinétique, il est donc préférable de s’assurer que toutes les expériences sont effectuées dans
des conditions où la concentration en oxygène est semblable. Le Tableau 5.6 présente les
mesures de concentrations en oxygène dissout dans les cuves.
Tableau 5.6 : Concentrations d’oxygène dissout mesurées (en ppm) lors des essais
Afin de déterminer si les concentrations moyennes en oxygène dissout des douze
expériences sont semblables, on procède de la même manière que pour le cas précédent
(concentrations en cyanure libre étudié au point précédent). Le Tableau 5.7 présente les
résultats obtenus par l’application du test d’hypothèses de Student. L’intervalle de
confiance utilisée est de 95%.
Tableau 5.7 : Test d’égalité comparant la concentration moyenne en oxygène dissout de
chacune des expériences aux concentrations moyennes des onze autres essais
Temps
(min) 1200 RPM 1350 RPM 1500 RPM 1650 RPM 1200 RPM 1350 RPM 1500 RPM 1650 RPM 1200 RPM 1350 RPM 1350 RPM Rep 1650 RPM
0 33,5 33,4 35,1 36,9 37,3 38,1 41 37,9 35,3 33,9 37,1 32,8
10 35,7 34,7 36,8 35,9 36,8 36,9 38,5 35,7 36,2 35 39,4 32,7
20 35,6 35,3 36,3 35,9 36,1 37,2 38,9 35,6 35,5 35,5 38,4 31,7
30 34,5 36,7 37,1 38,8 36,5 37,2 34,7 36,7 37 35 38,3 32,7
45 37,2 36,9 37,9 40,1 37,4 37,6 44 38,1 37,7 36,6 39,3 32,9
60 36,8 36,5 37,3 39,8 36,6 38,1 37,9 36,8 38,2 36,4 39,8 33,6
75 36,2 38,5 38,6 39,1 37,9 37,4 39,5 33,4
90 36,8 40,3 38,1 36,9 37,7 36,1 38 33,9
105 37,5 38,1 39 37,2 38,1 36,6 34,2 32,9
120 36,7 37 36,3 38,9 37,7 36,6 34,8 32,5
150 38,1 36,4 36,3 32,1
180 39,1 36,5 34,5 31,3
210 37,7 37,3 32,4 31,5
240 36 37,3 38 32,2
Moyenne 35,6 35,6 36,8 37,9 36,8 37,9 38,7 37,3 37,3 36,2 37,1 32,6
Écart-type 1,4 1,4 1,0 1,9 0,5 1,0 2,5 1,2 1,1 1,0 2,3 0,8
1 heure 2 heures 4 heures
134
Les résultats présentés au Tableau 5.7 montrent que les concentrations moyennes en
oxygène dissout des douze expériences de cyanuration ne sont pas toutes semblables. Étant
donné qu’une valeur extrême influence les calculs de moyenne, il est préférable de la
supprimer avant d’analyser les autres éléments du groupe [5.6]. Ici, l’expérience dont la
moyenne de concentration en oxygène se situe à l’extrémité de la distribution est la dernière
(4 heures à 1650 RPM). Cette valeur est à l’écart des autres et doit être éliminée. On peut
ensuite déterminer si les onze autres expériences sont semblables. Le Tableau 5.8 présente
les résultats des tests d’hypothèses sur les moyennes observées lors des onze premiers
essais discontinus.
Tableau 5.8 : Test d’égalité sur les concentrations en oxygène des onze premiers essais
Les résultats présentés au Tableau 5.8 indiquent que les 11 premières expériences sont
effectuées dans des conditions où la concentration moyenne en oxygène dissout est
semblable. La douzième expérience est par contre effectuée à une concentration
statistiquement plus faible. Comme la diffusion de l’oxygène vers le site de la réaction est
dépendante de sa concentration dans le milieu hétérogène, ce résultat indique que la
cinétique diffusionnelle de l’or de la dernière expérience (quatre heures à 1650 RPM) ne
peut pas directement être comparée aux autres.
pH du milieu
Le pH du milieu réactionnel influence la cinétique de dissolution de l’or [5.7]. Afin de comparer l’effet de l’agitation sur ce type de cinétique, il est donc préférable de s’assurer
que tous les essais sont effectués dans des conditions où le pH du milieu est semblable. Le
135
Tableau 5.9 présente les mesures de pH effectuées dans les cuves.
136
Tableau 5.9 : pH mesurés lors des essais de cyanuration
Afin de déterminer si les pH moyens de la solution des douze essais sont semblables, on
utilise un test d’hypothèse sur l’égalité de moyennes inconnues possédant des variances
différentes et inconnues. Le Tableau 5.10 présente les résultats obtenus par l’application du
test d’hypothèse. L’intervalle de confiance utilisé est de 95%.
Tableau 5.10 : Test d’hypothèse sur le pH moyen des solutions
Le Tableau 5.10 montre que chacune des douze expériences est effectuée à un pH
comparable aux autres. On peut donc en conclure que les essais batch de lixiviation ont
tous été effectués dans des conditions où le pH moyen du milieu réactionnel est semblable.
Concentration en or dans les phases liquides et solides
Le design du plan d’expériences permet d’avoir plusieurs essais de cyanuration dans des
conditions semblables. Les concentrations mesurées d’or dans la phase liquide sont
présentées aux figures 5.7 à 5.9. Les résultats des expériences à 1650 RPM ne sont pas
inclus parce que les essais d’une durée d’une heure et de quatre heures ont respectivement
été effectués à une granulométrie et à une concentration moyenne d’oxygène dissout
différente des autres essais. Conséquemment, ces résultats ne sont pas comparables à l’essai
de deux heures à 1650 RPM. La structure du plan expérimental utilisé permet de
caractériser la répétitivité de chacune des expériences. À priori, pour une vitesse d’agitation
Temps
(min) 1200 RPM 1350 RPM 1500 RPM 1650 RPM 1200 RPM 1350 RPM 1500 RPM 1650 RPM 1200 RPM 1350 RPM 1350 RPM Rep 1650 RPM
0 11,1 11,0 11,1 11,1 11,1 11,1 10,9 11,0 11,2 11,1 11,2 11,0
10 10,9 10,7 10,8 10,7 10,8 10,8 10,7 10,6 11,2 11,1 11,2 11,0
20 11,0 11,0 11,1 11,0 11,0 11,0 11,1 11,1 11,1 11,1 11,2 11,0
30 11,0 11,0 11,1 11,0 11,0 11,0 11,0 11,1 11,2 11,1 11,1 11,0
45 11,0 10,9 11,0 11,0 11,0 11,0 11,3 11,1 11,1 11,1 11,1 11,1
60 11,0 11,1 11,0 11,0 11,0 11,0 11,3 11,2 11,0 11,1 11,1 11,1
75 11,0 11,0 11,3 11,2 11,0 11,1 11,1 11,0
90 11,0 11,0 11,4 11,3 11,0 11,0 11,1 11,0
105 11,0 11,0 11,4 11,3 11,0 11,0 11,0 11,0
120 11,0 11,0 11,4 11,4 11,0 11,0 11,0 11,0
150 10,9 11,0 11,0 11,0
180 10,9 11,0 11,2 11,0
210 10,9 11,0 11,0 11,0
240 10,9 10,9 11,0 11,0
Moyenne 11,0 10,9 11,0 11,0 11,0 11,0 11,2 11,1 11,0 11,0 11,1 11,02
Écart-type 0,1 0,1 0,1 0,1 0,1 0,1 0,2 0,2 0,1 0,1 0,1 0,05
1 heure 2 heures 4 heures
137
donnée et dans des conditions expérimentales semblables (concentration des réactifs, pH,
température, granulométrie), on pourrait croire que les expériences de cyanuration sont
répétables. Or, les résultats présentés sur les figures démontrent que les expériences de
cyanuration sont difficilement répétables et ce, même si les conditions d’opération sont
semblables. Les différences observées lors des expériences sont fort probablement causées
par l’hétérogénéité intrinsèque du minerai. Ceci implique donc une concentration en or
variable des échantillons solides utilisés pour effectuer les essais.
Figure 5.7 : Analyses liquides d’or des expériences effectuées à 1200 RPM
138
Figure 5.8 : Analyses liquides d’or des expériences effectuées à 1350 RPM
Figure 5.9 : Analyses liquides d’or des expériences effectuées à 1500 RPM
Les figures 5.10 à 5.12 présentent la concentration résiduelle d’or dans les différentes
classes granulométriques du minerai. Il est à noter que les concentrations présentées à 4
heures pour une vitesse d’agitation de 1350 RPM représentent une moyenne des valeurs
mesurées sur les résidus des deux expériences effectuées dans les mêmes conditions. Les
figures montrent à certains endroits, pour des conditions expérimentales semblables, une
augmentation de la concentration d’or résiduel dans les solides alors que le temps de séjour
du minerai dans la cuve est plus élevé. Ceci vient appuyer la thèse selon laquelle la
concentration en or des différents échantillons est différente. Bien que l’échantillon mère
utilisé pour les douze essais ait été caractérisé, aucune mesure n’a été effectuée après la
séparation de ce lot en douze sous-échantillons. Conséquemment, la concentration initiale
en or des solides alimentée aux cuves n’a pas été estimée. Afin d’estimer ces
concentrations, un modèle empirique de cyanuration est utilisé. Il est présenté à la sous-
section suivante.
139
Figure 5.10 : Analyses d’or des résidus solides pour les expériences à 1200 RPM
Figure 5.11 : Analyses d’or des résidus solides pour les expériences à 1350 RPM
0
5
10
15
20
25
30
35
40
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5
Temps (heures)
Co
nc
en
tra
tio
n e
n o
r d
an
s l
e m
ine
rai
(pp
m)
>150 microns
75 à 150 microns
45 à 75 microns
38 à 45 microns
<38 microns
Tête (global)
0
5
10
15
20
25
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5
Temps (heures)
Co
nc
en
tra
tio
n e
n o
r d
an
s l
e m
ine
rai
(pp
m)
>150 microns
75 à 150 microns
45 à 75 microns
38 à 45 microns
<38 microns
Tête (global)
140
Figure 5.12 : Analyses d’or des résidus solides pour les expériences à 1500 RPM
5.3.2 Modélisation empirique de la cyanuration
Les résultats présentés aux figures 5.8 à 5.12 semblent indiquer que la quantité d’or et sa
distribution dans les différentes classes granulométriques au début des essais de
cyanuration sont différentes d’une expérience à l’autre. Malheureusement, les seules
mesures granulochimiques effectuées avant la cyanuration sont celles du lot mère. Ce lot a
toutefois été séparé en douze sous lots suite à ces mesures. Le lecteur peut se référer à la
Figure 5.5 pour constater la liste des mesures disponibles.
Bien que les concentrations en or du lot mère soient mesurées (voir le Tableau 5.12 pour les
données), rien ne laisse croire que la séparation effectuée soit parfaite et que les
granulochimies des sous-lots soient identiques. Afin de permettre une estimation de la
concentration en or présente dans les différentes classes granulométriques au début de
chaque expérience, on fait appel à un modèle cinétique empirique de dissolution de l’or. Le
modèle utilisé est inspiré de celui proposé par Hodouin et al. [5.8] qui relie la cinétique de
dissolution de l’or à la concentration d’or lixiviable et à une constante cinétique (k) :
0
1
2
3
4
5
6
7
0 0,5 1 1,5 2 2,5 3
Temps (heures)
Co
nc
en
tra
tio
n e
n o
r d
an
s l
e m
ine
rai
(pp
m)
>150 microns
75 à 150 microns
45 à 75 microns
38 à 45 microns
<38 microns
Tête (global)
141
,
s
s s
d Auk Au Au
dt
(Équation 5.8)
où [Au]S et [Au]S, sont respectivement les concentrations solides en or dans le minerai au
temps t et après un temps infini de lixiviation. α est l’ordre de la réaction.
Dans le cas qui nous intéresse, on souhaite relier la cinétique de dissolution de l’or à
l’accessibilité des surfaces. Ceci peut être effectué, de manière indirecte, en reliant la
cinétique de dissolution de l’or à la granulométrie du minerai [5.9]. L’équation cinétique
utilisée pour estimer les concentrations en or du minerai au début du processus de
lixiviation est :
, ,
, ,
, ,
p
p p
p
d
d dsd s s
d Auk Au Au
dt
(Équation 5.9)
où , ,pd
sAu
est la concentration d’or dans le minerai appartenant à la classe
granulométrique dp pour les expériences effectuées à une vitesse d’agitation ω et une durée
θ. ,
pd
sAu
représente la concentration d’or dans le minerai de classe granulométrique dp
après un temps infini de lixiviation. kdp,ω est la constante cinétique de la réaction associée à
la classe granulométrique dp lors des essais effectués à une vitesse d’agitation ω.
Étant donné que le minerai utilisé lors des expériences est caractérisé par cinq classes
granulométriques et que les essais de cyanuration sont effectués à quatre vitesses
d’agitation différentes, on a un modèle cinétique empirique à vingt-six constantes :
Vingt constantes cinétiques distinctes (kdp,ω)
Cinq concentrations d’or non lixiviable ( ,
pd
sAu
)
L’ordre de la réaction (α)
Le modèle empirique cinétique proposé fait intervenir la granulométrie du minerai, mais ne
considère pas l’effet de la concentration des réactifs et du pH sur la dissolution de l’or.
142
Conséquemment, les expériences dont les conditions sont statistiquement différentes des
autres essais ne peuvent pas être utilisées pour calibrer les constantes cinétiques du modèle
empirique. Les mesures relatives à l’expérience effectuée à 1650 RPM sur une durée de
quatre heures sont donc ignorées lors de la recherche des paramètres du modèle.
Les vingt-six paramètres du modèle ainsi que les cinquante-cinq granulochimies (cinq
concentrations par expérience) peuvent être estimés à l’aide des cinquante-cinq équations
de dissolution de l’or (équation 5.9), des quatre-vingt-quinze concentrations d’or en phase
liquide mesurées lors des essais de lixiviation, des cinq concentrations d’or mesurées dans
les classes granulométriques de l’échantillon mère, des cinquante-cinq concentrations d’or
mesurées dans les résidus des essais de lixiviation ainsi que des contraintes associées à la
présence d’or dans la phase liquide et à la conservation de la masse d’or présent dans les
sous-lots de l’échantillon mère. Les premières contraintes assurent que l’or qui se dissout
lors de chacun des tests se retrouve dans la phase liquide :
, ,,
5
1
p
p
d
sL
d
d Aud Au
dt dt
(Équation 5.10)
où ,
LAu
est la concentration en or dans la phase liquide.
La conservation de la masse d’or entre les sous-lots et l’échantillon mère est dictée par :
1650 4, ,
, ,
1200 1
1650 4
, ,
1200 1
p
pp
p
RPM heuresd o
dsd R RPM heure
RPM heuresso
d
R RPM heure
Au x
Au
x
(Équation 5.11)
où pd
sAu et , , p
o
R dx représentent respectivement la concentration en or dans la classe
granulométrique dp de l’échantillon mère et la proportion de matériel dans la classe dp pour
le test de θ heures à une vitesse d’agitation ω.
143
Il est à noter que l’équation 5.10 est applicable parce que la pulpe est à 50% solide. De
plus, l’équation 5.11 est valide parce que la masse de minerai utilisé pour chacun des tests
de cyanuration est la même. L’algorithme utilisé pour estimer les quatre-vingt-une valeurs
recherchées est présenté à la Figure 5.13.
Figure 5.13 : Algorithme permettant d’estimer les granulochimies au début des onze expériences de cyanuration semblables
Les cinquante-cinq concentrations d’entrée et les vingt-six paramètres du modèle empirique
sont estimés à l’aide de l’algorithme présenté à la Figure 5.13. Dans un premier temps, les
quatre-vingt-une valeurs recherchées sont posées. Les équations 5.9 et 5.10 sont ensuite
utilisées pour simuler la lixiviation discontinue de l’or. Par la suite, les résultats des
simulations sont comparés aux mesures. On estime d’abord le carré des erreurs relatives
associées aux concentrations d’or liquide (JL) à l’aide de :
144
2 2, , 1650 , 1650 ,
240min 1500 4 120min 2, ,
, 1650 ,10min 1200 1 10min 1
( ) ( ) ( ) ( )
( ) ( )
RPM RPMRPM heures heures
L L m L L m
L RPMt RPM heure t heure
L L
Au t Au t Au t Au tJ
Au t Au t
(Équation 5.12)
où ,
,( )
L mAu t
est la mesure de la concentration d’or dans la phase liquide au temps t pour
l’expérience de θ heures à une vitesse de rotation ω.
Ensuite, le carré des erreurs relatives associées aux granulochimies résiduelles des essais
(JS) est obtenue par :
2 2, , , , ,1650 , ,1650 ,
5 1500 4 5 2, ,
, , ,1650 ,1 1200 1 1 1
p p p p
p p
d d d RPM d RPMRPM heures heures
S S m S S m
S d d RPMdp RPM heure dp heure
S S
Au Au Au AuJ
Au Au
(Équation 5.13)
où , ,
,
pd
S mAu
est la granulochimie résiduelle associée à la classe dp pour l’expérience de θ
heures à une vitesse de rotation ω.
Le carré de l’erreur relative associée aux granulochimies de l’échantillon mère (JM) est
ensuite calculé à l’aide de:
2
5,
1
p p
p
p
d d
S S m
M dd
S
Au AuJ
Au
(Équation 5.14)
où ,
pd
S mAu représente la granulochimie de l’échantillon mère dans la classe dp
Finalement, le critère global (JG) est calculé et minimisé par une méthode itérative de
programmation non linéaire.
Les paramètres du modèle sont présentés au Tableau 5.11. On y remarque que les
constantes cinétiques augmentent lorsque la taille des particules diminue. De plus, la
145
concentration d’or non-lixiviable est plus importante lorsque la granulométrie est grossière.
Ces résultats sont cohérents puisqu’une granulométrie plus fine entraîne une plus grande
libération des surfaces d’or et par conséquent une cinétique globale (masse par unité de
temps) de dissolution plus rapide. Conséquemment, une granulométrie grossière est
synonyme d’une proportion d’or encapsulée plus grande. Les résultats présentés au Tableau
5.11 soulignent également une cinétique plus rapide lorsque la vitesse d’agitation de la
pulpe est plus grande. Une vitesse d’agitation élevée favorise la diffusion des réactifs vers
le site réactionnel. Cette dernière observation laisse donc croire que l’étape de diffusion des
réactifs est une étape limitant la réaction de dissolution de l’or en milieu hétérogène agité.
Tableau 5.11 : Paramètres du modèle empirique de dissolution de l’or
L’estimation des granulochimies alimentées aux différents essais de lixiviation est
présentée au Tableau 5.12. Les estimés associés à l’expérience de 4 heures à 1650 RPM
présentées dans le tableau sont obtenus en supposant qu’elles sont égales aux mesures de
l’échantillon mère. Ces valeurs ne peuvent pas être estimées à l’aide du modèle empirique
puisque la concentration moyenne en oxygène y est statistiquement plus faible que pour les
onze autres essais. Finalement, il est à noter que les granulochimies des résidus obtenues
par simulation et celles mesurées sont respectivement disponibles aux annexes VI et VII.
Tableau 5.12 : Estimés des granulochimies (ppm) alimentées aux cuves
dp Au∞
(µm) 1200 RPM 1350 RPM 1500 RPM 1650 RPM (ppm)
> 150 0,0000231 0,0000697 0,000119 0,00102 1,39
75 à 150 0,000102 0,000119 0,00185 0,00237 1,26
48 à 75 0,000118 0,000233 0,00267 0,00297 0,78
38 à 45 0,00165 0,00246 0,00342 0,00522 0,63
< 38 0,0163 0,0165 0,0176 0,0192 0,27
α
k (ppm1-α min-1)
1,73
146
Finalement, les figures 5.14 à 5.17 comparent les estimations du modèle aux mesures
expérimentales pour les 11 essais paramétrés. À l’exception des premières valeurs (0 à 45
minutes) de la seconde expérience de 4 heures à 1350 RPM et des trois derniers points de
l’expérience de 2 heures à 1350 RPM, le modèle représente bien les mesures.
Figure 5.14 : Comparaison entre le modèle empirique et les données expérimentales pour les expériences à 1200 RPM
Figure 5.15 : Comparaison entre le modèle empirique et les données expérimentales pour les expériences à 1350 RPM
0 50 100 150 200 2500
0.5
1
1.5
2
2.5
3
3.5
4
4.5
Temps (minutes)
Concentr
ation o
r liq
uid
e (
ppm
)
Simulation 1h
Simulation 2h
Simulation 4h
Expérience 1h
Expérience 2h
Expérience 4h
0 50 100 150 200 2500
1
2
3
4
5
6
7
Temps (minutes)
Concentr
ation o
r liq
uid
e (
ppm
)
Simulation 1h
Simulation 2h
Simulation 4h
Simulation 4h rep
Expérience 1h
Expérience 2h
Expérience 4h
Expérience 4h rep
147
Figure 5.16 : Comparaison entre le modèle empirique et les données expérimentales pour les expériences à 1500 RPM
Figure 5.17 : Comparaison entre le modèle empirique et les données expérimentales pour
les expériences à 1650 RPM
0 50 100 150 200 2500
1
2
3
4
5
6
7
8
Temps (minutes)
Concentr
ation o
r liq
uid
e (
ppm
)
Simulation 1h
Simulation 2h
Expérience 1h
Expérience 2h
0 50 100 150 200 2500
1
2
3
4
5
6
7
8
9
Temps (minutes)
Concentr
ation o
r liq
uid
e (
ppm
)
Simulation 1h
Simulation 2h
Expérience 1h
Expérience 2h
148
5.3.3 Analyse préliminaire des tests de cyanuration
Les résultats présentés aux figures 5.14 à 5.17 ainsi qu’au Tableau 5.12 démontrent que
l’application d’un modèle empirique d’ordre α dont la constante cinétique est dépendante
de la vitesse d’agitation et de la granulométrie du minerai permet de caractériser la
cinétique de dissolution de l’or dans un milieu hétérogène agité. Une analyse détaillée des
résultats permet aussi de caractériser les constantes cinétiques (kdp,ω) en fonction de la
granulométrie et de la vitesse d’agitation de la pulpe. Il est également possible de
caractériser les concentrations d’or non lixiviable ( ,
pd
sAu
) en fonction de la taille des
particules.
Caractérisation des concentrations d’or non lixiviable
Les concentrations d’or résiduelles obtenues lors de la recherche des paramètres du modèle
empirique (Tableau 5.11) sont dépendantes de la granulométrie du minerai. L’accessibilité
des surfaces joue un rôle primordial dans cette dépendance. Plus les surfaces d’or sont
difficilement accessibles, plus la cinétique de dissolution est faible et plus la proportion
d’or non-lixiviable est grande. Un modèle géométrique permettant de prédire l’accessibilité
des surfaces tel que celui présenté au chapitre 4 devrait donc permettre de caractériser ces
surfaces. L’équation 4.1 caractérise la proportion de surfaces d’or inaccessibles à l’aide de
la dimension des particules de minerai, de la dimension des particules d’or et de la distance
maximale à franchir par les pores qui permet la dissolution de l’or. La structure de cette
équation est réutilisée ici pour caractériser la concentration d’or non lixiviable en fonction
du diamètre des particules.
149
3
3, ,
pd p
S S
p
dAu Au
d
pour dp> (Équation 5.15)
où est une constante qui caractérise la région ou l’or est accessible dans une particule de
minerai et ,S
Au
est la concentration d’or non lixiviable pour une granulométrie de
dimension infinie.
La recherche des paramètres de ce modèle est effectuée par une méthode de recherche non
linéaire permettant de minimiser l’erreur relative au carré entre les concentrations d’or non
lixiviable prédites par l’équation 5.15 et celles obtenues par le modèle cinétique empirique.
La méthode de recherche converge vers des valeurs de 10,33 microns pour et de 1,59 ppm
pour ,S
Au
. La Figure 5.18 compare le modèle calibré aux valeurs obtenues
précédemment. Ces résultats semblent indiquer que l’utilisation d’une équation
géométrique simple (équation 5.15) permet de caractériser la proportion d’or non-lixiviable
dans le minerai.
Figure 5.18 : Caractérisation de la concentration d’or résiduelle
150
Caractérisation des constantes cinétiques
Les constantes cinétiques obtenues lors de la recherche des paramètres du modèle
empirique (Tableau 5.11) sont dépendantes de la granulométrie du minerai et de la vitesse
d’agitation de la pulpe. Contrairement au cas de la concentration d’or non lixiviable, le lien
phénoménologique entre la constante cinétique et ces paramètres est moins évident à
développer. L’approche préconisée pour relier les constantes cinétiques à la granulométrie
et à la vitesse d’agitation est empirique. Dans un premier temps, les tendances générales
entre les paramètres et les constantes cinétiques sont identifiées à l’aide d’une méthode
graphique (figures 5.19 et 5.20). Par la suite, un modèle linéaire est proposé à partir de ces
tendances. Finalement, le modèle linéaire est calibré par régression et les résidus sont
analysés pour justifier sa validité dans le domaine d’observations visé.
Figure 5.19 : Lien entre la granulométrie et la constante cinétique de dissolution de l’or
151
Figure 5.20 : Lien entre la vitesse d’agitation du milieu et la constante cinétique de dissolution de l’or
La Figure 5.19 montre une influence exponentielle inverse de la granulométrie sur la
constante cinétique de dissolution de l’or. La Figure 5.20 semble indiquer, dans le domaine
étudié, un effet linéaire de la vitesse d’agitation du milieu hétérogène sur la constante
cinétique. L’amplitude de cette dernière relation est également influencée par la
granulométrie du minerai. Les constatations faites en observant les figures 5.19 et 5.20
permettent de proposer l’équation empirique suivante :
, 0 1 2 3p p
p
d d
dk e e
(Équation 5.16)
Le modèle dicté par l’équation 5.16 est calibré par régression linéaire [5.10]. Les résultats
de la calibration et l’incertitude sur les paramètres sont présentés au
152
Tableau 5.13. Il est à noter que les incertitudes sont calculées avec un intervalle de
confiance de 95%.
153
Tableau 5.13 : Paramètres et incertitudes du modèle linéaire caractérisant la constante cinétique de dissolution de l’or
Les paramètres du modèle dicté par l’équation 5.15 sont tous significatifs. La Figure 5.21
présente les prédictions du modèle linéaire en fonction des constantes cinétiques à
modéliser. On remarque que le modèle linéaire semble être en mesure de prédire les valeurs
des constantes cinétiques.
Figure 5.21 : Prédiction de l’équation 5.16 en fonction des constantes cinétiques calibrées
par le modèle cinétique empirique
La Figure 5.22 présente un histogramme des résidus du modèle linéaire. On remarque
qu’ils sont normalement distribués et à moyenne nulle. Le modèle linéaire semble donc être
adéquat sur la plage d’opération étudiée.
Paramètres Valeur Incertitude Unités
0 -0,0066 0,0028 ppm-0,73
min-1
1 6,82E-06 2,01E-06 ppm-0.73min-1RPM-1
2 2,60E+06 1,74E+05 ppm-0,73
min-1
3 -1,08E-08 4,16E-09 ppm-0,73
min-1
RPM-1
m-1
0 0.002 0.004 0.006 0.008 0.01 0.012 0.014 0.016 0.018 0.02-5
0
5
10
15
20x 10
-3
Constantes cinétiques par la calibration du modèle cinétique
Consta
nte
s c
inétiques p
ar
modèle
lin
éaire
154
Figure 5.22 : Histogramme des résidus du modèle linéaire
Le modèle linéaire caractérisant les constantes cinétiques du modèle empirique démontre
l’influence de la vitesse d’agitation ainsi que celle de la granulométrie du minerai sur la
cinétique de dissolution. La première influence est reliée aux phénomènes de transport des
réactifs vers le site de la réaction et indique qu’ils sont dominants. La seconde, démontre
l’importance de l’accessibilité des surfaces sur la cinétique de dissolution de l’or. En bref,
un modèle phénoménologique basé sur le transport des réactifs et sur l’accessibilité des
surfaces métalliques devrait permettre de prédire la dissolution de l’or en milieu hétérogène
agité tout en favorisant son applicabilité sur un spectre important de conditions
expérimentales tout en réduisant le nombre de paramètres ajustables. Ce genre de modèle
est proposé au chapitre suivant.
-1.5 -1 -0.5 0 0.5 1 1.5 2
x 10-3
0
1
2
3
4
5
6
7
8
Résidus du modèle
Fré
quence
155
Chapitre 6 : Modélisation de la cinétique de dissolution
de l’or - Application à la cyanuration discontinue d’un
minerai d’or
La dissolution de l’or à l’aide de cyanure libre en solution est une méthode de séparation
largement utilisée pour récupérer l'or présent dans un minerai. Différents procédés
permettent d’effectuer cette séparation chimique. Certains favorisent l'exposition des
surfaces d'or pour améliorer la cinétique de dissolution. Dans ce type d’approche, le
minerai est concassé et broyé dans le but d’exposer la surface des grains d'or à une attaque
chimique éventuelle par le cyanure en présence d'oxygène. Cette réaction chimique produit
un complexe soluble d’aurocyanure qui est par la suite récupéré par adsorption ou
cémentation. D'autres préconisent une approche, appelée ‘lixiviation en tas’, qui consiste à
asperger une solution de cyanure sur un tas de minerai grossièrement concassé. Dans cette
approche, le cyanure et l'oxygène diffusent lentement par les pores et les fractures du
minerai pour atteindre les surfaces d'or.
Ce chapitre propose un modèle cinétique qui tient compte des deux types d’accès possibles
aux surfaces d’or. Le modèle considère la dissolution rapide associée aux surfaces d’or
exposées et une dissolution lente de l'or reliée à son accessibilité par les pores du minerai.
Ici, le ralentissement de la cinétique de dissolution est expliqué par la disparition des
surfaces d’or exposées lors de l’avancement de la réaction. Cette approche innovatrice
exige d’avoir des mesures représentatives de la libération des surfaces d’or ou encore
d’avoir accès à un modèle géométrique permettant de décrire cette libération. Ce modèle est
présenté au chapitre 4 de la thèse. Le présent chapitre est composé de trois sous-sections.
La première partie présente un modèle phénoménologique basé sur l’étape limitant la
réaction et identifiée au chapitre précédent. La section suivante propose un modèle
empirique de consommation du cyanure qui permet de faire le suivi de la concentration en
cyanure lors des simulations de lixiviation. Finalement, les modèles de lixiviation et de
consommation de cyanure sont calibrés et validés. Les résultats obtenus par l’application du
nouveau modèle sont comparés aux résultats du modèle empirique.
156
6.1 Modèle cinétique diffusionnel
Le modèle de dissolution proposé dans cette thèse est fondé sur les mécanismes
fondamentaux diffusionnels et électrochimiques présentés par Habashi [6.1]. Tel que
suggéré par Rubisov et al [6.2], le modèle est modifié afin de représenter une perte possible
d'efficacité de l'oxygène. Rubisov suppose que l'oxygène est consommé par une réaction
intermédiaire produisant du peroxyde et fait appel à un facteur stœchiométrique
représentant le nombre de moles d'or lixiviées par mole d'oxygène consommé pour tenir
compte du phénomène. Selon Habashi [6.1], la réaction anodique est :
22 ( )Au CN Au CN e (Équation 6.1)
Alors que les réactions cathodiques sont dictées par :
2 2 2 2
1 1
2 2O e H O OH H O (Équation 6.2)
2 2
1
2H O e OH (Équation 6.3)
Le mécanisme général de réaction proposé par Habashi (Figure 6.1) suppose que 0,25 mole
d'oxygène permet de dissoudre une mole d'or. L’efficacité de l’oxygène y est considérée
comme maximale. En d’autres mots, l’auteur considère que toutes les moles de peroxyde
produites lors de la réaction 6.2 sont consommées par le processus décrit par l’équation 6.3.
Par contre, si le peroxyde n'est pas complètement détruit de manière à produire des ions
OH-, l’efficacité de l’oxygène est réduite et la consommation d’oxygène, nécessaire pour
dissoudre l’or, augmente. À ce moment, la réaction cathodique et la réaction globale sont
respectivement dictées par :
157
2 2 2 2
1 1 1 1
4 2 2 2O H O e OH H O
r r r
(Équation 6.4)
2 2 2 2 2
1 1 1 12
4 2 2 2Au CN O H O OH H O Au CN
r r r
(Équation 6.5)
où r est l’efficacité de l’oxygène dans la réaction cathodique globale
Figure 6.1 : Schématisation du mécanisme électrochimique de dissolution de l’or
Afin de caractériser le transport des réactifs vers le site de la réaction, on applique la loi de
Fick [6.3] aux limites de la couche externe de Nernst (0). Dans un espace
unidimensionnel, cette loi s’écrit de la manière suivante :
( )( ) M
i i
d i zW z
dz (Équation 6.6)
où Wi(z) est le flux molaire surfacique de l’élément i à la position z, i représente sa
diffusivité et ( )M
i z est sa concentration molaire à la position z.
158
Puisqu’il n’y a aucune accumulation ou consommation de matière à l’intérieur de la couche
de Nernst, on peut effectuer un simple bilan de matière sur un espace différentiel de la
couche limite (z) et ce, pour une surface constante (A) [6.4] :
( ) ( ) 0i iW z A W z z A (Équation 6.7)
0idW
dz (Équation 6.8)
À l’aide de l’équation 6.6, on obtient :
2
2
( )0M
d i z
dz (Équation 6.9)
1 2Mi z K z K (Équation 6.10)
où K1 et K2 sont deux constantes à déterminer à l’aide des conditions limites suivantes :
à z = 0, MM
i z i (Équation 6.11)
à z = 0, 0M
i z (Équation 6.12)
où M
i est la concentration molaire du réactif i dans la phase liquide du mélange
hétérogène.
La première condition stipule que la concentration des réactifs à la limite extérieure de la
couche de Nernst est égale à celle présente dans la phase liquide du milieu hétérogène. La
seconde condition est basée sur la supposition que la réaction chimique est beaucoup plus
rapide que les phénomènes diffusionnels et qu’elle est irréversible. On considère donc que
les réactifs présents à la surface métallique sont complètement consommés instantanément.
L’intégration, de ces deux conditions frontières à l’équation 6.6, permet d’obtenir
l’équation du flux molaire surfacique à l’intérieur de la couche de Nernst :
159
M
i i
o
iW
(Équation 6.13)
Présentée sous une forme de flux molaire (i ), l’équation devient pour chacun des
réactifs :
2
2
2
0
O c MO
A O
(Équation 6.14)
0
CN A MCN
A CN
(Équation 6.15)
où AA et AC sont respectivement les surfaces destinées aux réactions anodiques et
cathodiques. 2 MO et
MCN sont les concentrations en oxygène dissout et en cyanure
libre dans le milieu hétérogène.
Finalement, étant donné que l’on considère que les réactifs sont consommés instantanément
lors de leur arrivée à la surface métallique, la cinétique de dissolution de l’or peut être
calculée à l’aide des proportions stœchiométriques de la réaction :
(Équation 6.16)
où NAu est le nombre de moles d’or présentes sous forme solide
La vitesse de dissolution de l’or (en moles par unité de temps et de surface d’or) est alors
dictée par :
2
2
2
0 2
4
8
CN OM MAu
CN OM M
r CN Ov
CN r O
(Équation 6.17)
où la surface totale d’or disponible pour la réaction est obtenue par:
160
Au A CA A A (Équation 6.18)
Puisque les surfaces d’or présentes dans un minerai sont assujetties à différents degrés de
libération, l'équation 6.17 est adaptée dans les sections suivantes aux différents scénarios
possibles.
6.1.1 Modèle diffusionnel appliqué aux grains d’or totalement libérés
Afin de simplifier le modèle diffusionnel et de le rendre conforme au modèle de libération
proposé dans cette thèse, les grains d'or sont approximés par des cubes dont les côtés sont
d’une longueur dg(t) à l’instant t de la réaction. La surface totale d'or complètement libéré
pour une dimension de grain d’or donné dans un lot de minerai peut donc être obtenue par :
2
( ) 6 ( )LAu L gA t N d t (Équation 6.19)
où NL est le nombre de grains d’or entièrement libérés d’une dimension donnée dans
l’échantillon de minerai. Cette valeur est obtenue par :
3
(0)
(0)
AuLL
Au g
mN
d (Équation 6.20)
où Au est la densité de l’or.
L’équation 4.10 permettant d’estimer la proportion d’or libéré dans un lot aurifère peut être
utilisée conjointement à la méthode décrite à la section 4.5 pour obtenir le nombre de grains
d’or libre d’une dimension données dans un lot de minerai (NL) et, par conséquent, la masse
d’or libre pour cette dimension au début de la réaction de lixiviation ( (0)AuLm ). Finalement,
à l’aide des équations 6.17, 6.19 et 6.20, on peut approximer la cinétique de dissolution
massique de l'or libre :
161
2
3
6 (0)( )
(0)
L
L
Au
Au Au Au g
Au g
mv M d t
d
(Équation 6.21)
où MAu est la masse molaire de l’or.
6.1.2 Modèle diffusionnel appliqué aux grains d’or partiellement libéré
La cinétique de dissolution de l'or partiellement libéré (présent à la surface du minerai) est
semblable à celui de grains totalement libres. La différence majeure entre les deux types
d’or réside dans le fait que la surface accessible de l’or partiellement libéré est beaucoup
plus faible que celle de l’or qui est totalement libre. Dans le cas de l’or partiellement
encapsulé, il est impossible de caractériser la surface accessible par une seule équation.
L’or partiellement libéré présente un continuum de surfaces accessibles qui dépend de la
position du centre de masse du grain d’or. La surface minimale est celle d’un grain
accessible à la limite de la face du minerai. La surface maximale est atteinte lorsque 50%
du volume d’or est exposé (par hypothèse du modèle de libération présenté au chapitre 4).
La Figure 6.2 présente la distribution des surfaces accessibles pour l’or partiellement libéré
et non lixivié. Cette distribution est basée sur une position aléatoire du grain d’or à
l’intérieur de la particule de minerai.
Figure 6.2 : Distribution des surfaces accessibles pour l’or partiellement libéré
162
La distribution des surfaces accessibles présentée à la Figure 6.2 est directement
dépendante de la dimension des grains d’or et de la dimension des particules de minerai
aurifère. Puisque les cubes d’or accessibles par une arête présentent au moins deux faces
aux réactifs, la première partie de la distribution (surfaces dg2 à 2dg2) est associée
exclusivement aux grains d’or accessibles par l’une des faces du cube porteur. La seconde
partie de la distribution est associée aux trois cas de libération partielle. Afin de calculer la
proportion d’or appartenant à chacune des deux parties de la distribution, on s’appuie sur
deux points :
Le volume d’une particule de minerai associé à une libération partielle
o par une face
o par une arête
o par un coin
La distribution uniforme de l’or
À l’aide des équations de libération associées aux trois cas de libération partielle (FAuP ,
AAuP et CAuP par les équations 4.4, 4.6 et 4.8) et à l’aide de bilans massiques, on détermine
les probabilités associées à la première partie et à la seconde partie de la distribution
présentée à la Figure 6.2:
2
1 32
3
2 2
Fp gAu
g p
d dPp
dg d d
(Équation 6.22)
2
2 1 32
3 5 31 1
4 8 24 8A Cg p g p gAu Au
g p
d d d d dP P
p pdg d d
(Équation 6.23)
où FAuP ,
AAuP et CAuP sont respectivement les proportions d’or associées aux faces, aux
arêtes et aux coins du cube de minerai porteur.
163
La Figure 6.3 présente un grain d'or accessible à la surface d'une particule de minerai. Elle
montre qu’au début de la réaction, les réactifs doivent diffuser au travers la couche limite
pour atteindre la surface d’or et que la distance à franchir augmente avec l’avancement de
la réaction. En estimant que la dissolution de l'or est uniforme sur la surface exposée, il est
possible d’approximer cette distance par :
1
( )( ) (0) 1
(0)
S
S
Au
g
Au
m tt d
m
(Équation 6.24)
où 1( )t représente la distance supplémentaire à parcourir. Elle est reliée à l’avancement
de la réaction. ( )SAum t est la masse d’or accessible en surface des particules de minerai au
temps t. (0)SAum est obtenu à l’aide de l’équation 4.9 et de la méthode décrite à la section
4.5 de la thèse.
Figure 6.3 : Distance à parcourir par les réactifs pour accéder à l'or présent à la surface
d’une particule mixte
La vitesse de dissolution de l’or, exprimée en moles par unité de surface et de temps, peut
être déduite à l’aide des équations 6.17 et 6.24 :
2
2
2
0 2
4 ( ) ( )( )
( )(0) 1 ( ) 8 ( )
(0)
S
S
S
CN O
Au
Au
g CN O
Au
r CN t O tv t
m td CN t r O t
m
(Équation 6.25)
164
Dans le cas de l’équation 6.24, la surface exposée est considérée constante durant toute la
réaction. En réalité, l’évolution de la surface accessible dépend de l’emplacement du grain
d’or à la surface du minerai. Les équations permettant de considérer cet effet sont lourdes et
leur impact sur la cinétique globale de la réaction est restreint. Considérant que la majorité
des grains d’or sont partiellement encapsulés (voir les résultats du chapitre 4) et que les
mesures sont souvent imprécises (voir le chapitre 3), il est jugé préférable de définir un
comportement moyen (surface accessible constante lors de la réaction) pour caractériser
l’avancement de la réaction pour les grains d’or accessible en surface. Dans le cas d’une
distribution de surfaces constantes, la cinétique massique de dissolution des grains d’or
partiellement libérés est dictée par :
3
(0)
(0)S E S
AuAu Au Au Au
Au g
mv M S
d
(Équation 6.26)
où SAuS est une distribution de surfaces accessibles qui est présentée à la Figure 6.2 et qui
est discrétisé à l’aide des équations 6.22 et 6.23. mAu(0) est la masse d’or présent dans
l’échantillon de minerai frais.
6.1.3 Modèle diffusionnel appliqué aux grains d’or accessibles par les
pores du minerai
Pour dissoudre l'or accessible par les pores du minerai, les réactifs doivent traverser la
couche limite et ensuite continuer leur progression sur une certaine distance dans le minerai
(p). Les coefficients de diffusivité du cyanure et de l'oxygène diffèrent dans ces deux
zones. Le transport par les pores du minerai est entravé et est donc plus lent qu’au travers
de la couche limite. La Figure 6.4 schématise le processus de lixiviation des grains d’or
accessibles par les pores.
165
Figure 6.4 : Distance à parcourir par les réactifs pour accéder à l'or par les pores
En supposant que la diffusivité des deux réactifs est réduite par un facteur proportionnel
constant () lors de leur passage par les pores et qu'il y a une consommation uniforme le
long de la surface du grain d'or, il est possible d'obtenir les taux de diffusion molaire du
cyanure et de l’oxygène. Pour ce faire, on applique la loi de Fick aux conditions frontières
(présentées à la Figure 6.4). Ainsi, la loi est appliquée sur trois zones distinctes possédant
chacune ses conditions frontière.
À travers la couche limite :
à z = 0, MM
i z i (Équation 6.27)
à z = 0, 0M Mi z i (Équation 6.28)
où M
i est la concentration molaire du réactif i dans la phase liquide
En appliquant ces deux conditions frontières à l’équation 6.10, on obtient :
01
0
( )i M M
i
i iW
(Équation 6.29)
où 1
iW est le flux molaire surfacique du réactif i dans la couche limite de Nernst.
166
Au travers des pores du minerai :
à z = 0+p, 0 pM Mi z i
(Équation 6.30)
En plaçant cette condition et celle dictée par l’équation 6.28 dans l’équation 6.10,
on obtient :
0 02( ) ( )i pM M
i
p
i iW
(Équation 6.31)
où 2
iW est le flux molaire surfacique du réactif i dans les pores du minerai.
Dans la zone libre créée par l’avancement de la réaction :
à z = 0+p+1(t), 0M
i z (Équation 6.32)
Cette condition est basée sur la supposition que la réaction chimique est beaucoup
plus rapide que les phénomènes diffusionnels. On considère donc que les réactifs
présents à la surface métallique sont consommés instantanément. En insérant cette
condition et celle dictée par l’équation 6.30 à l’équation 6.10, on obtient :
03
1
( )
( )
i p M
i
iW
t
(Équation 6.33)
où 3
iW est le flux molaire surfacique du réactif i dans la zone libre créée par
l’avancement de la réaction.
En considérant que le flux molaire surfacique est le même aux frontières des trois zones, on
peut déduire l’équation globale caractérisant le flux molaire surfacique des réactifs vers le
site de la réaction :
167
1 0( )
i M
i
p
iW
t
(Équation 6.34)
Présentée sous une forme de flux molaire (i ), l’équation devient :
2
2
2
1 0( )
O CM
O
p
O A
t
(Équation 6.35)
1 0( )
CN AM
CN
p
CN A
t
(Équation 6.36)
À l’aide des proportions stœchiométriques (équation 6.16) et en considérant la surface d’or
totale (équation 6.18), on déduit la cinétique de dissolution de l’or exprimée en moles par
unité de surface et de temps :
2
2
2
0 1 2
4 ( ) ( )( )
( ) ( ) 8 ( )P
CN O
Au
p CN O
r CN t O tv t
t CN t r O t
(Équation 6.37)
Finalement, en considérant une surface accessible moyenne (2
(0)P gN d ), on peut
caractériser le comportement de l'or accessible par les pores du minerai. La cinétique de
dissolution exprimée en masse d’or par unité de temps est donc :
(0)
(0)
P
P P
Au
Au Au Au
Au g
mv M
d
(Équation 6.38)
où (0)AuPm est la masse d’or accessible par les pores du minerai frais. Cette valeur, ainsi
que le nombre de particules d’or accessibles par les pores sont obtenus à l’aide de
l’équation de libération 4.3 et des bilans massiques présentés à la section 4.5.
168
6.1.4 Grains d’or inaccessibles
Les grains d’or inaccessibles n’offrent aucune zone permettant à la réaction de surface entre
l’or, le cyanure et l’oxygène d’avoir lieu. Conséquemment, la surface accessible est nulle et
la concentration d’or inaccessible est constante dans un minerai lors du processus de
lixiviation. Il est à noter que le modèle présenté dans cette thèse considère que seul l’or
inaccessible n’est pas lixiviable. En réalité, certains minerais contiennent une proportion
d’or réfractaire attribuable à leur association minérale et à leur dissémination.
6.2 Modèle empirique de consommation du cyanure
Le cyanure libre présent dans la solution aqueuse est consommé par plusieurs métaux et
minéraux différents et peut former une variété de complexes. De manière générale, les
sulfures sont de grands consommateurs de cyanure parce qu'ils forment des complexes très
stables [6.5]. Il est difficile de développer un modèle de consommation de cyanure
rigoureux en raison de la variété impressionnante de complexes qui peuvent être formés
lors des multiples réactions potentielles entre le cyanure et les éléments présents dans un
minerai. C’est pour cette raison que la grande majorité des modèles proposés dans la
littérature sont empiriques. de Andrade Lima et Hodouin [5.9] proposent un modèle
empirique pseudo homogène caractérisant la consommation du cyanure libre. Leur modèle
tient compte de l’influence de la concentration de cyanure ainsi que de la granulométrie du
minerai sur la cinétique de consommation du réactif. Cette section propose un modèle
inspiré de cette approche. Le modèle tient compte de ces deux variables ainsi que des
concentrations en cuivre ( Cu ) et en soufre ( S ) dans le minerai. La cinétique de
consommation du cyanure ( ( )CN pd ) associée à chacune des classes granulométriques,
exprimée en masse par unité de temps et unité de masse de liquide dans le réacteur, est
dictée par :
169
1 1 2 2
1 2 3
' '( )d
CN p c c
o p
K CNd K CN Cu K CN S
d
(Équation 6.39)
Le premier terme correspond grossièrement à la dissolution des minéraux de cuivre
(principalement la chalcopyrite dans l'exemple étudié), le deuxième, aux sulfures qui
produisent des complexes de cyanure de soufre et le troisième, à toute autre consommation
de cyanure supposée contrôlée par la diffusion des réactifs et dont l’amplitude est
dépendante de la granulométrie du minerai (accessibilité des surfaces). Les réactions de
consommation du cyanure par les minéraux de cuivre et les sulfures sont des réactions de
surface. Elles sont donc, comme la cyanuration de l’or, gouvernées par l'accessibilité des
surfaces et sont ainsi dépendantes de la granulométrie du minerai. Cette influence est
considérée dans les relations permettant d’estimer les constantes du modèle de
consommation :
1
1
1 1
11
'( )
1(0)
c sc
p c s
Au tKK
Aud K
(Équation 6.40)
2
2
2 2
22
'( )
1(0)
c sc
p c s
Au tKK
Aud K
(Équation 6.41)
où ( )s
Au t est la concentration d’or dans le minerai après un temps de lixiviation t. Les
coefficients Kc1, Kc2, Kc11, Kc22, α1, α2, 1, 2, 1, 2, 1, 2 et 3 sont des paramètres à
estimer à l’aide d’observations expérimentales.
La première partie des équations 6.40 et 6.41 est associée à l’effet de la granulométrie
(forme inspirée de la thèse de L.R.P de Andrade Lima [6.7]). Ces équations contiennent
aussi un effet de ralentissement qui tient compte de la diminution de la cinétique causée par
la disparition des surfaces cyanicides. La deuxième partie des équations est associée à cet
effet. Étant donné que la disparition des surfaces de tous les cyanicides est difficile à
quantifier, elle est empiriquement corrélée à la mesure de dissolution d'or.
170
6.3 Application à des essais discontinus de cyanuration
Les équations présentées dans les premières sections sont écrites pour une dimension
unique de grain d'or (dg). Si la distribution de dimensions des grains d'or est connue ou
approximable (tel que la distribution présentée à la section 4.6.1), ces équations sont
également applicables à un ensemble multidimensionnel de grains d’or. Afin de calibrer les
modèles de dissolution et de consommation de cyanure sur les données expérimentales
présentées à la section 5.3.1, on utilise une distribution gamma à moyenne (g) et à
variance (g2) pour caractériser la dimension des grains d’or.
Les équations permettant la simulation de la lixiviation sont obtenues en écrivant les bilans
massiques des espèces chimiques dans le réacteur. En utilisant les expressions cinétiques de
la section 6.1 pour les différentes classes d'or (libéré, exposé et accessible par les pores du
minerai) de la phase solide, on obtient pour chaque classe de grain et chauqe classe
granulométrique:
1/ 3
2 / 3( ) 6 (0)( ) ( )
(0)
L L
L
Au Au Au
Au Au
Au g
dm t M mv t m t
dt d (Équation 6.42)
3
( ) (0)( )
(0)
S S S
S
Au Au Au Au
Au
Au g
dm t M S mv t
dt d (Équation 6.43)
1/ 3
2 / 3( ) (0)( ) ( )
(0)
P P
P P
Au Au Au
Au Au
Au g
dm t M mv t m t
dt d (Équation 6.44)
Le bilan d’or de la phase liquide est alors obtenu par :
( ) ( )( ) ( )Liq SL P
Au AuAu Audm t dm tdm t dm t
dt dt dt dt (Équation 6.45)
où ( )LiqAum t est la masse d’or dans la phase liquide au temps t.
171
Finalement, le bilan massique de cyanure est obtenu à l’aide du modèle de consommation
présenté à la section précédente et appliqué aux cinq classes granulométriques caractérisant
le minerai utilisé lors des essais.
5
1
( ) ( )( )
p
p
CNCN p d
d liq
d CN t m td x
dt m
(Équation 6.46)
où pdx est la fraction massique de minerai dans la classe granulométrique dont la
dimension moyenne est dp. mCN(t) représente la masse de cyanure ajoutée au réacteur au
temps t et mliq est la masse de liquide dans le réacteur (considérée constante lors des essais).
La présente section traite de la calibration des modèles de lixiviation et de consommation
du cyanure présentés dans les sous-sections précédentes. Dans un premier temps, les
modèles sont calibrés en supposant que les granulochimies d’entrée des expériences sont
connues et égales aux valeurs obtenues lors de la recherche des paramètres du modèle
empirique (section 5.3.2). La seconde partie présente une estimation des granulochimies
d’entrée simultanée à la calibration des modèles. Par la suite, les résultats des deux
méthodes sont comparés et discutés. Finalement, les résultats de la calibration du modèle
sont utilisés pour relier la vitesse d’agitation du milieu hétérogène des essais à l’épaisseur
de la couche limite de Nernst.
6.3.1 Calibration à partir des concentrations d’entrée estimées à l’aide du modèle empirique et validation du modèle
Les paramètres des modèles ont été estimés en utilisant les données obtenues lors des douze
expériences de cyanuration ainsi que les équations de simulation décrites plus haut et les
équations de libération présentées au chapitre 4. Seules les granulochimies de l’essai d’une
durée de quatre heures à 1650 RPM sont estimées ici. Les autres granulochimies d’entrée
sont considérées connues et égales aux valeurs obtenues lors de la paramétrisation du
modèle empirique. Les granulochimies de l’expérience d’une durée de 4 heures à 1650
172
RPM n’ont pas pu être estimées à l’aide du modèle empirique parce que la concentration en
oxygène dissout de ce test n’était pas comparable à celle utilisée pour calibrer le modèle
cinétique (voir les résultats présentés au chapitre 5).
Les résultats de seulement neuf expériences sont utilisés pour calibrer les modèles de
lixiviation et de consommation de cyanure :
les deux expériences effectuées à 1500 RPM,
les expériences d’une durée d’une heure à 1200, 1350 et 1650 RPM,
les expériences d’une durée de 4 heures à 1200, 1350 et 1650 RPM.
Une fois les paramètres des modèles fixés, les expériences inutilisées pour calibrer les
modèles sont utilisées pour valider les modèles et leur applicabilité. Les vingt-quatre
paramètres caractérisant les modèles et les cinq granulochimies d’entrée de l’expérience
effectuée à 1650 RPM sur une durée de quatre heures sont estimés par une méthode de
programmation non linéaire minimisant la somme du carré des erreurs relatives entre les
concentrations de cyanure, d'or dans la phase liquide et d’or résiduel dans la phase solide
obtenues expérimentalement et par les équations de simulation. Au total, cent soixante-
quatre mesures sont utilisées pour calibrer les modèles et estimer les granulochimies
d’entrée de l’expérience effectuée à une faible concentration en oxygène dissout. La Figure
6.5 résume la méthodologie utilisée pour calibrer le modèle et estimer les granulochimies
recherchées.
173
Figure 6.5 : Algorithme utilisé pour calibrer les modèles de lixiviation et de consommation de cyanure en supposant que les granulochimies d’entrée des onze premières expériences
sont connues
Les estimations des paramètres et des granulochimies sont présentées au Tableau 6.1. est
le produit de deux paramètres (r et 2O ). Ces deux paramètres ne sont jamais découplés
dans les équations de simulation et ne peuvent donc pas être calibrés de manière
indépendante. La variation de l’épaisseur de la couche de Nernst (0) en fonction de la
vitesse d’agitation de la pulpe semble confirmer que la diffusion est bel et bien l’étape
limitant la réaction de dissolution. La relation entre ces deux variables est étudiée plus en
détail à la section 6.3.4. De plus, les épaisseurs obtenues sont comparables à celles
reportées par Habashi [6.1] (22 à 97 microns) et provenant de travaux divers à des vitesses
d’agitation plus faibles que celles utilisées lors des expériences présentées dans ce projet. Il
est également à noter que les valeurs des paramètres (g et g) caractérisant la distribution
des grains d’or sont semblables à ceux obtenus lors de l’étude effectuée sur des analyses
d’échantillons provenant du même minerai (g = 5.49 et g = 2.38 au chapitre 4). Ce
174
résultat est intéressant puisque la seule information relative à la distribution de l’or et
incluse dans la calibration du modèle est sa forme théorique (gamma). Finalement, il est à
noter que les résultats obtenus pour la diffusivité du cyanure sont légèrement plus faibles
que ceux publiés par Habashi (10.3 à 12.1 *104 m2/min) [6.1] et provenant de travaux
divers. Par contre, en considérant une réaction complète de l’oxygène (r = 1), on obtient
une diffusivité pour ce réactif qui est semblable à celles publiées (13.2 à 21.2 *104
m2/min) [6.1].
Tableau 6.1 : Valeurs numériques obtenues lors de la calibrations en supposant que les granulochimies d’entrée des onze premières expériences sont connues
Les figures 6.6 et 6.7 comparent respectivement les concentrations de cyanure et d'or dans
la phase liquide obtenues par simulation aux données expérimentales pour les expériences à
1200, 1350, 1500 et 1650 RPM. On peut voir que les comportements simulés
correspondent raisonnablement aux valeurs mesurées. Il est à noter que le comportement en
dent-de-scie du modèle de consommation de cyanure est provoqué par des ajouts ponctuels
de cyanure dans les réacteurs.
175
Figure 6.6 : Comparaison entre les résultats des simulations et les mesures de concentrations d’or dans la phase liquide
a) Résultats à 1200 RPM, b) Résultats à 1350 RPM c) Résultats à 1500 RPM, d) Résultats à 1650 RPM
176
Figure 6.7 : Comparaison entre les résultats des simulations et les mesures de
concentrations en cyanure libre a) Résultats à 1200 RPM, b) Résultats à 1350 RPM
c) Résultats à 1500 RPM, d) Résultats à 1650 RPM
Pour valider les modèles proposés, les trois expériences d’une durée de deux heures qui
n’ont pas été utilisées lors de la calibration des modèles (1200, 1350 et 1650 RPM) sont
simulées à l’aide des modèles paramétrés. Puisque ces expériences n’ont pas été utilisées
lors de la calibration, on peut considérer ces simulations comme des prédictions de la
dissolution de l’or en milieu hétérogène agité. Les résultats obtenus par les simulations sont
comparés aux valeurs expérimentales sur les figures 6.8 et 6.9.
177
Figure 6.8 : Comparaison entre les valeurs prédites et expérimentales pour les concentrations d’or dans la phase liquide
Figure 6.9 : Comparaison entre les valeurs prédites et expérimentales pour les
concentrations de cyanure libre dans la phase liquide
178
Il est à noter que la vitesse d'agitation du milieu influence la cinétique de dissolution de l'or,
mais n’a aucun impact sur la proportion d'or lixiviable. La grande différence, observable
sur la Figure 6.8, entre les concentrations finales d'or à 1600 RPM et aux autres vitesses
d'agitation est fort probablement causée par les différentes granulochimies initiales des
essais (voir le Tableau 5.12) et leurs proportions respectives d’or inaccessible dictées par
les équations de libération.
6.3.2 Calibration simultanée du modèle et des granulochimies d’entrée
La méthode de calibration décrite à la section précédente est basée sur la supposition que
les granulochimies des expériences de lixiviation sont connues. En réalité, ces valeurs sont
inconnues (voir les explications à la section 5.3.2). La supposition effectuée pourrait avoir
un impact significatif sur les résultats de la calibration. Afin de déterminer si tel est le cas,
cette section présente les résultats d’une seconde méthode de la calibration. Selon cette
méthode, les granulochimies de tous les tests et les paramètres des modèles sont estimés
simultanément. La Figure 6.10 présente la méthode de programmation non linéaire utilisée
pour estimer les paramètres des modèles et les granulochimies d’entrée des douze
expériences. On remarque que le critère à minimiser inclus les mesures de concentration en
or (liquide et résidus solides), de concentration en cyanure libre et de granulochimies de
l’échantillon mère. Dans ce cas-ci, les douze expériences sont utilisées pour estimer les
valeurs recherchées. Contrairement au cas de la calibration précédente, il est impossible de
choisir un sous-ensemble d’expériences pour calibrer le modèle et valider ce dernier par un
second sous-ensemble. Cette méthode n’est pas applicable parce que les granulochimies de
l’ensemble des expériences sont reliées par une contrainte (la granulochimie de
l’échantillon mère).
179
Figure 6.10 : Algorithme permettant d’estimer les paramètres des modèles cinétiques et les granulochimies d’entrée des douze expériences simultanément
Les définitions de JL2, JS2 et JM2 sont respectivement:
Le carré des erreurs relatives entre les mesures de concentrations liquides et les
résultats du modèle (JL2) :
2 2, , , ,
240min 1650 4, ,
2 , ,10min 1200 1
, ,
( ) ( ) ( ) ( )
( ) ( )
RPM heuresL L m L L m
L
t RPM heureL m L m
Au t Au t CN t CN tJ
Au t CN t
(Équation 6.47)
où ,
( )L
CN t
et ,
,( )
L mCN t
sont respectivement les concentrations simulées et mesurées de
cyanure libre au temps t pour l’expérience effectuée à une vitesse d’agitation ω et pour une
durée θ.
180
Le carré des erreurs relatives entre les granulochimies mesurées et prédites pour les
résidus solides (JS2) :
2, , , ,
5 1650 4,
2 , ,1 1200 1
,
p p
p
d dRPM heures
S S m
S ddp RPM heure
S m
Au AuJ
Au
(Équation 6.48)
Carré des erreurs relatives entre les granulochimies prédites et mesurées de
l’échantillon mère avant cyanuration (JM2) :
2
5,
2
1,
p p
p
p
d d
S S m
M dd
S m
Au AuJ
Au
(Équation 6.49)
Les estimations obtenues par la méthode décrite à la Figure 6.10 sont présentées aux
tableaux 6.2 et 6.3. Le premier présente les paramètres des modèles de dissolution de l’or et
de consommation du cyanure. Le deuxième donne les granulochimies estimées à l’entrée
des expériences.
Tableau 6.2 : Résultats de la calibration simultanée des modèles et des granulochimies
Paramètre Valeur Unités Paramètre Valeur Unités
p 9,91 m Kc1 8,68E-11 ppmCN1-α1
%Cu1
m1
/min
g 7,57 m Kc2 2,71E-09 ppmCN1-α2
%S2
m2
/min
g 2,12 m Kc11 13,67 m1
Kc22 2,33 m2
Paramètre Valeur Unités Kd 13300000 m31
/min
D 98000 m2/min 1 0,9
Dcn 13400 m2/min 2 1,82
0,0654 3 5,9
0 1200 21,6 m α1 3,42
0 1350 8,13 m α2 2,38
0 1500 5,57 m 1 0,72
0 1650 3,49 m 2 0,88
1 8,12
2 6,17
Paramètres associés au modèle de libération Paramètres reliés au modèle de consommation de CN
Paramètres associés au modèle de lixiviation
181
Tableau 6.3 : Estimations des granulochimies d’entrée pour les douze expériences de lixiviation. Résultats obtenus simultanément à la calibration des modèles cinétiques
6.3.3 Comparaison des résultats obtenus par les différentes méthodes
Cette section permet de comparer les résultats des deux méthodes de calibration utilisées
aux sous-sections précédentes. Rappelons que la première méthode fait appel à un modèle
empirique pour estimer les granulochimies alimentées aux différents essais de broyage. Par
la suite, les paramètres du modèle diffusionnel sont calibrés sur les tests en considérant des
granulochimies d’entrée parfaitement connues. La seconde méthode permet de calibrer les
granulochimies et les paramètres du modèle diffusionnel simultanément. Dans cette
section, les résultats de la calibration des paramètres et des granulochimies par la seconde
méthode sont premièrement comparés aux valeurs supposées de granulochimies et aux
résultats de la calibration des paramètres par la première méthode. Par la suite, afin de
déterminer si les résultats des deux méthodes sont globalement semblables, les critères
minimisant les deux approches sont comparés par un test statistique de Fisher-Snedecor.
Les tableaux 6.4 et 6.5 présentent la différence relative absolue entre les résultats obtenus
par les deux méthodes de calibration. Le premier tableau présente les résultats pour les
paramètres des modèles cinétiques, alors que le second compare les granulochimies
d’alimentation des expériences. On remarque que les valeurs des paramètres ont toutes une
différence de moins de 10%, ce qui laisse croire que les deux méthodes convergent
sensiblement aux mêmes points. Du côté des granulochimies, la différence relative la plus
grande est de 11,3% (0,26 ppm). Cette différence est mineure lorsque l’on considère la
grande variabilité des mesures sur les concentrations en or.
182
Tableau 6.4 : Erreurs relatives absolues (%) sur les résultats de calibration des paramètres obtenus par deux approches différentes
Tableau 6.5 : Erreurs relatives absolues (%) sur les granulochimies d’alimentation des
douze expériences obtenues par deux approches différentes
Afin de déterminer si les résultats des deux méthodes sont globalement semblables, les
valeurs des critères permettant de minimiser le carré des erreurs relatives entre les valeurs
théoriques et expérimentales sont comparées par un test statistique de Fisher-Snedecor. En
d’autres mots, on compare les résidus des deux méthodes pour déterminer s’il y a une
différence significative entre les deux approches. Le Tableau 6.6 présente les informations
permettant d’effectuer ce test. On y retrouve la valeur du critère minimisant chacune des
approches, le nombre de paramètres inclus dans ce critère ainsi que le nombre de degrés de
liberté de chacun des tests. La méthode 1 est associée à l’utilisation du modèle empirique
pour caractériser les échantillons d’entrée suivis de l’application du modèle diffusionnel
pour caractériser la cinétique de la réaction. La seconde méthode permet d’estimer toutes
les variables au même moment. Il est à noter que le nombre de paramètres inclus dans le
critère est différent d’une méthode à l’autre parce que, dans le premier cas, les cinq
granulochimies du test de 4 heures effectué à 1650 RPM ne pouvaient pas être utilisées en
raison de la différence statistique de concentration en oxygène dissous entre ce test et les
autres expériences effectuées.
183
Tableau 6.6 : Valeurs permettant d’effectuer le test de Fisher-Snedecor
La valeur théorique de Fisher-Snedecor à 95% de confiance et pour des degrés de liberté de
134 et 85 est de 1,39. La valeur obtenue par le test est de 1,01. On peut donc conclure, à
l’aide du test que les deux approches sont semblables.
Bien que les deux approches de calibration soient similaires et que les résultats obtenus à
l’aide des modèles phénoménologiques donnent des résultats comparables à ceux obtenus
par le modèle empirique utilisé à la section 5.3.2, il est important de spécifier que le modèle
diffusionnel proposé est un modèle phénoménologique qui est utilisable sur l’ensemble des
classes granulométriques décrites par le modèle de libération du chapitre 4 et qu’il permet
également de caractériser le comportement de la cinétique de dissolution pour toutes les
concentrations en oxygène et en cyanure. Le modèle empirique, de son côté, n’est
applicable que sur le spectre granulométrique et de concentrations étudiées. De plus, le
modèle diffusionnel de cyanuration n’est basé que sur sept paramètres qui permettent à la
fois de prédire le degré de libération de l’or et sa cinétique de dissolution. Le modèle
empirique nécessite d’estimer l’ordre de la réaction en plus d’une constante de vitesse et
d’une concentration d’or non lixiviable pour chacune des classes granulométriques.
6.3.4 Relation entre l’épaisseur de la couche de Nernst et la vitesse d’agitation du milieu hétérogène
Les résultats des deux méthodes de calibration présentées plus haut montrent que
l’épaisseur de la couche limite diminue lorsque la vitesse d’agitation de la pulpe augmente.
Cette constatation est compatible avec l’hypothèse que l’étape de diffusion des réactifs est
l’étape limitant la réaction de dissolution. Les détails du lien entre ces deux variables sont
étudiés ici. Les résultats obtenus lors des calibrations (Tableau 6.7) indiquent un lien
linéaire entre la vitesse de rotation de l’agitateur et l’inverse de l’épaisseur de la couche
limite. L’équation 6.50 présente le modèle proposé pour relier les deux variables.
Valeur du critère Nombres de points Degré de liberté
Méthode 1 57,16 164 134
Méthode 2 58,36 169 85
184
0
0 1
1
(Équation 6.50)
Tableau 6.7 : Résultats obtenus pour la calibration des épaisseurs de couche limite
Les résultats obtenus par la régression linéaire ( intervalle de confiance de 95%) sont :
0 0,510 0,065
4 5
1 4,64*10 5,2*10
La Figure 6.11 compare le modèle dicté par l’équation 6.50, reliant la vitesse d’agitation de
la pulpe à l’épaisseur de la couche limite, aux valeurs obtenues par calibration.
Figure 6.11 : Comparaison entre le modèle empirique reliant la vitesse d’agitation de la pulpe à l’épaisseur de la couche limite et les résultats des calibrations
1100 1200 1300 1400 1500 1600 17000
5
10
15
20
25
30
Vitesse d'agitation (RPM)
Épais
seur
de la c
ouche d
e lim
ite (
mic
rons)
Modèle
Résultats du premier calibrage
Résultats du deuxième calibrage
185
Chapitre 7 : Modélisation de la classification des
particules – Application à un circuit de broyage avec
cyanuration
Les hydrocyclones permettent de classifier la matière par gravimétrie. Le poids des
particules y joue un rôle important sur la séparation de la matière. Une particule d’or libre a
beaucoup plus de chances de se retrouver à la sousverse de l’hydrocyclone qu’une particule
mixte ou de gangue de même dimension. La classification gravimétrique influence donc
différemment le partage des particules mixtes, d’or libre et de gangue entre la surverse et la
sousverse d’hydrocyclones. Étant donné que les particules mixtes et d’or libre ont des
cinétiques de lixiviation différentes, la classification influence également la performance
des circuits de cyanuration positionnés en aval d’hydrocyclones. Ce chapitre propose
d’utiliser un modèle de classification pour prédire le partage des différentes particules (or
libre, gangue et particules mixtes) ainsi que celui des surfaces accessibles et de la phase
liquide entre la surverse et la sousverse des hydrocyclones. Par la suite, le modèle
développé est appliqué à des données industrielles provenant du circuit de broyage de la
mine de Géant Dormant. Puisque dans ce circuit, une cyanuration a lieu à l’intérieur des
broyeurs, il est nécessaire pour être en mesure de simuler le circuit de développer un
modèle qui tient compte de ce phénomène. Un modèle permettant de caractériser la
lixiviation de l’or simultanément à la fragmentation du minerai est donc également proposé
dans ce chapitre.
Plusieurs modèles permettant de prédire le partage de la matière à l’aide d’un hydrocyclone
sont proposés dans la littérature. Certains sont basés sur les équations fondamentales de
mouvement. Ils nécessitent une grande quantité d’informations relatives aux vitesses des
flux présents à l’entrée de l’hydrocyclone et permettent d’obtenir de l’information précise
sur les vitesses de décharges de l’appareil ([7.1] et [7.2]). D’autres proposent des équations
empiriques permettant de prédire le partage de la matière entre la sousverse et la surverse
de l’hydrocyclone. Étant donné le manque de mesures nécessaires à l’application des
modèles phénoménologiques et la nature des variables de sortie recherchées dans le
contexte de ce projet, le modèle empirique de Plitt ([7.3]) a été choisi pour prédire la
186
séparation de la matière de ce module. Puisque ce modèle est empirique, il n’est valide que
sur une certaine plage d’opération. Cette caractéristique rend son utilisation plus difficile en
boucle fermée. En effet, l’algorithme de convergence de la boucle peut provoquer la sortie
du domaine d’applicabilité du modèle de classification. Cette problématique oblige
d’approcher le problème de la classification de la matière sur deux fronts : pour une
utilisation en boucle ouverte ou une utilisation en boucle fermée.
7.1 Modélisation en boucle ouverte
Les prédictions du modèle empirique de Plitt sont axées sur trois variables : l’acuité de
séparation du cyclone (m), le soutirage (Rf) et le diamètre d’équicoupure corrigé (d’50). Les
deux premières variables sont directement associées aux paramètres physiques de
l’hydrocyclone et à son point d’opération, alors que le diamètre d’équicoupure dépend
également de la densité des particules alimentées à l’unité. Puisque dans cette thèse la
description des particules de minerai est regroupée en trois familles (mixtes, gangue et or
libre), plusieurs valeurs de d’50 sont nécessaires pour caractériser le partage des particules
aux hydrocyclones. Au total, 202 valeurs de d’50 sont nécessaires pour caractériser le
minerai. 200 d’entre elles sont associées à la discrétisation des particules mixtes (20 classes
granulométriques de minerai et 10 diamètres de grains d’or). Les deux autres valeurs de
d’50 sont associés aux particules de gangue et à l’or libre.
Le modèle de Plitt [7.4] propose également des équations reliant les paramètres du modèle
aux dimensions physiques de l’hydrocyclone. La première permet de déterminer le
diamètre d’équicoupure corrigé qui correspond au diamètre pour lequel 50% des particules
se retrouvent à la sousverse de l’hydrocyclone si l’on considère un soutirage nul.
2
0.46 0.6 1.21 0.063
50 0.71 0.450.38 0.5'
( )
p c a o
u vp s e
K D D D ed
D h D
(Équation 7.1)
où représente le % volumique de solide à l’entrée, vpD est le débit volumique de pulpe à
l’entrée de l’hydrocyclone, s et e sont respectivement la densité des particules et du
187
liquide. 2
pK est un paramètre de calibration. Les autres variables sont reliées aux
paramètres physiques de l’hydrocyclone. Da, Dc, Do et Du sont respectivement les diamètres
de l’alimentation, du cyclone, de la buse de surverse et de la buse de sousverse. h
représente la hauteur de travail de l’hydrocyclone.
L’acuité de séparation est reliée aux paramètres physiques de l’hydrocyclone par :
0.152
1.581.94 vR c
vp
D hm e
D
(Équation 7.2)
où Rv est la fraction volumique de pulpe récupérée à la sousverse. Cette fraction est obtenue
à l’aide de l’équation suivante :
1
p
v
p
RR
R
(Équation 7.3)
où Rp est le partage volumique de la pulpe entre la sousverse et la surverse. Ce partage est
relié aux paramètres physiques de l’hydrocyclone par :
1
3.310.36
2 20.54 0.0054
1.110.24
up u o
o
p
c
DK h D D e
DR
H D
(Équation 7.4)
où 1pK est un paramètre ajustable et H est la pression à l’entrée de l’hydrocyclone exprimé
en mètre de pulpe. Cette pression est déduite à l’aide de la relation empirique suivante :
3
1.78 0.0055
0.870.37 0.94 2 20.28
p vp
c a u o
K D eP
D D h D D
(Équation 7.5)
où 3pK est un paramètre ajustable et P représente la pression d’opération de
l’hydrocyclone exprimée en kPa.
188
Finalement, le coefficient de partage corrigé des particules de dimension i se retrouvant à la
sousverse est déterminé par :
'50
0.693' 1
m
pid
d
iY e
(Équation 7.6)
Le coefficient de partage corrigé obtenu à l’aide de l’équation 7.6 permet de caractériser le
partage de la matière lorsqu’il n’y a pas de soutirage. Dans le cas où le soutirage n’est pas
nul, on estime le partage réel de la matière à l’aide de la relation suivante :
'
1
iR f
i
f
Y RY
R
(Équation 7.7)
où iRY est le coefficient de partage réel des particules de dimension i
Dans le scénario où les diamètres d’équicoupure corrigés (d’50), l’acuité de séparation (m)
et le soutirage (Rf) au cyclone sont directement spécifiés par l’usager, l’équation 7.6 est
utilisée pour prédire le partage des particules mixtes, de gangue et d’or libre. Le partage de
liquide est connu en spécifiant Rf. Dans le cas où les paramètres du modèle de Plitt sont
calculés à partir des caractéristiques géométriques de l’hydrocyclone, les équations 7.1 à
7.5 sont utilisées pour déterminer les paramètres nécessaires à l’application de l’équation
7.6. Dans ce scénario, on estime le soutirage de manière itérative à l’aide de la relation :
1
v sf
R RR
(Équation 7.8)
où RS représente la proportion volumique de matière solide (minerai) se retrouvant à la
sousverse de l’hydrocyclone.
Les équations 7.7 et 7.8 relient la proportion de particules se retrouvant à la sousverse de
l’hydrocyclone au soutirage. La première est applicable à chaque particule de densités
différentes, alors que la seconde représente le minerai global. Elles sont donc reliées. Pour
les résoudre, on procède de manière itérative. La Figure 7.1 présente les étapes utilisées
189
pour résoudre le système d’équations. Premièrement, on pose une valeur de RS. Par la suite,
on estime le coefficient de partage des particules mixtes, de gangues libres et d’or libre à
l’aide des équations 7.1 à 7.7. Par exemple, pour l’application de l’équation 7.1 à chaque
type de particules, on obtient :
2
0.46 0.6 1.21 0.063
50 0.71 0.450.38 0.5'
( )
p c a oAu
u vp Au e
K D D D ed
D h D
(Équation 7.9)
2
0.46 0.6 1.21 0.063
50 0.71 0.450.38 0.5'
( )
p c a oG
u vp G e
K D D D ed
D h D
(Équation 7.10)
, 2
0.46 0.6 1.21 0.063
50 0.71 0.450.38 0.5
,
'( )
i kp c a oM
M
u vp i k e
K D D D ed
D h D
(Équation 7.11)
Une fois le ratio de partage de chaque type de particules déterminé, on recalcule le partage
volumique global du minerai et on le compare à sa valeur posée. Finalement, on itère sur la
valeur posée jusqu’à la convergence.
Figure 7.1 : Algorithme permettant de déterminer Rf
190
Lorsque les caractéristiques physiques des hydrocyclones ne sont pas utilisées pour
paramétrer le modèle, il n’est pas nécessaire de préciser les 202 diamètres d’équicoupure de
l’hydrocyclone. En spécifiant un diamètre d’équicoupure, par exemple celui de la gangue
libre, il est possible de déduire les diamètres d’équicoupure associés aux autres types de
particules à l’aide de leur densité et des équations 7.8 à 7.10. Finalement, en supposant un
partage égal de la matière (autant au point de vue de la qualité que de la quantité) entre les
différents hydrocyclones formant un nid et en utilisant les équations 7.6 et 7.7 ainsi que les
valeurs de m et Rf pour déterminer le partage de matière solide et liquide entre la sousverse
et la surverse de l’hydrocyclone, on peut effectuer le suivi de toutes les particules aurifères
lors d’une opération de classification.
7.2 Modélisation en boucle fermée
L’application d’un modèle empirique à un procédé possédant des flux de recirculation peut
être une source de problèmes. Leur plage d’opération restreinte rend l’utilisation de ces
modèles difficile dans un algorithme séquentiel de résolution. Tôt ou tard, l’algorithme de
résolution passe par un point d’opération où le modèle empirique est invalide et entraîne
des résultats illogiques tels que des débits négatifs. Afin d’éviter ce problème, un module
de simulation associé à l’utilisation du modèle de Plitt en boucle fermée a été construit. La
Figure 7.2 montre un exemple d’application en boucle fermée. Sur cette figure, le bloc
« module boucle » représente un module quelconque (par exemple un broyeur) qui est placé
dans la boucle de recirculation.
Figure 7.2 : Utilisation d’un hydrocyclone en boucle fermée
191
L’algorithme permettant la simulation statique d’un hydrocyclone en boucle fermée est
schématisé à la Figure 7.3. Cet algorithme nécessite deux entrées de plus que pour une
simulation en boucle ouverte : l’estimation du % solide et du débit de pulpe à l’entrée (E(t))
de l’hydrocyclone lors de sa convergence en régime permanent. Ces informations, ainsi que
celles du débit d’entrée de la boucle (F(t)) permettent d’obtenir, à l’aide du modèle de Plitt
et des équations présentées à la sous-section précédente, une matrice de partage de la
matière. Cette matrice possède toute l’information relative aux partages de la phase liquide
et des différentes particules (or, gangue et mixtes). Il est à noter que cette matrice
représente le partage de la matière dans un cas hybride : % solide et débit de convergence à
l’entrée de l’hydrocyclone, mais où le reste de l’information est associée au débit d’entrée
de la boucle. En bref, elle correspond à un partage de la matière moyen (entre le début et la
fin de la boucle itérative) par l’hydrocyclone. Parallèlement, l’algorithme applique le
modèle de Plitt aux informations relatives au flux d’entrée de l’hydrocyclone (E(t)). À ce
stade, tous les coefficients de partage de la matière sont étudiés. Si l’ensemble des
coefficients se situe entre 0 et 1, alors le modèle de Plitt est appliqué à E(t). Sinon, le
modèle empirique est jugé non applicable pour le point d’opération, car il entraîne un débit
négatif. Dans ce cas, la matrice de partage calculée précédemment est utilisée.
Figure 7.3 : Algorithme permettant l’utilisation d’un hydrocyclone en boucle fermée
192
7.3 Calibration du modèle de classification à l’aide de données
industrielles
Le modèle de classification en boucle fermée a été testé sur des données industrielles. La
Figure 7.4 présente le procédé utilisé pour le paramétrer. Dans un premier temps, les sept
flux présents sur la figure ont été échantillonnés autour du circuit de broyage de Géant
Dormant. Les granulométries ainsi que les analyses chimiques solides et liquides mesurées
ont ensuite été réconciliées en appliquant la méthode décrite au chapitre 3. Les données
mesurées et réconciliées sont disponibles à l’annexe II. Le modèle de classification a été
calibré à l’aide des données réconciliées.
Figure 7.4 : Circuit de broyage de Géant Dormant
193
Dans le cas présent, l’application de la méthode présentée à la section 4.5 et permettant de
caractériser la proportion de particules mixtes ainsi que l’accessibilité des surfaces d’or
dans un échantillon n’est pas applicable aux trois flux qui entourent le nid d’hydrocyclones.
Cette méthode n’est applicable que sur un minerai frais n’ayant subi aucune autre
transformation que la fragmentation (voir les détails au chapitre 4). Dans ce cas-ci, le
minerai contenu dans les trois flux a subi un traitement par classification (nid
d’hydrocyclones) ainsi qu’une cyanuration à l’intérieur des broyeurs. Le seul flux du circuit
pouvant être caractérisé par la méthode décrite à la section 4.5 est le flux d’entrée du circuit
(D2). Ceci implique qu’une simulation complète du circuit de broyage est nécessaire pour
calibrer le modèle de classification sur le nid d’hydrocyclones industriels. La première
sous-section présente les hypothèses et l’algorithme utilisé pour simuler le circuit de
broyage ainsi que les équations permettant de tenir compte de la cyanuration qui a lieu dans
les broyeurs. Par la suite, les résultats de la simulation sont présentés et discutés.
7.3.1 Hypothèses et algorithme
Afin de calibrer le modèle de classification à l’aide de données industrielles, quelques
hypothèses ont été posées. Ces hypothèses sont :
Le procédé est opéré en régime permanent.
Il y a un partage égal de la matière entre les hydrocyclones du regroupement.
La classification n’influence pas les concentrations chimiques liquides. Les
concentrations chimiques de sortie sont donc les mêmes qu’à l’entrée des
hydrocyclones.
Les paramètres caractérisant chacun des hydrocyclones du groupe ont la même
valeur ( 50'Gd , m et Rf).
Le modèle de Plitt est applicable sur toute la gamme de particules (or libre, gangue
libre et particules mixtes).
L’acuité de séparation et le soutirage sont les mêmes pour tous les types de
particules.
194
Le modèle de fragmentation et de libération présenté au chapitre 4 est transférable à
un broyeur opérant en continu.
Les fonctions de broyage et de sélection des deux broyeurs sont identiques.
Les deux broyeurs ont le même volume utile.
La matière présente à l’intérieur des broyeurs est considérée parfaitement mélangée.
Le temps de séjour dans les broyeurs est suffisamment court pour considérer que la
dissolution des particules d’or accessible en surface et par les pores du minerai soit
négligeable. La dissolution de l’or est donc uniquement attribuable à l’or libre.
La cinétique spécifique (par unité de surface) de dissolution de l’or libre est
constante ().
Le temps de séjour dans les broyeurs est suffisamment court pour considérer que la
dissolution des particules d’or libre n’engendre pas une diminution de la taille des
grains justifiant un changement de classe granulométrique entre l’entrée et la sortie
du broyeur.
Le volume utile des broyeurs est de 40%.
La séparation effectuée à la sousverse de l’hydrocyclone est parfaite en qualité
(concentration, %solide, granulométries), mais ne l’est pas en quantité (débits). Le
partage des débits (R) est connu et fixé à la valeur obtenue par la réconciliation
présentée au chapitre 3.
Les caractéristiques d’entrée du système sont parfaitement connues suite à l’étape
de réconciliation des données (flux identifiés d’un point blanc sur la Figure 7.4).
L’algorithme de programmation non linéaire utilisée pour calibrer le modèle de
classification en boucle fermée est présenté à la Figure 7.5. Dans un premier temps, les
paramètres associés à la distribution des grains d’or dans le flux d’entrée du système et aux
modèles de fragmentation, de libération et de classification sont posés à une valeur initiale.
La discrétisation de la distribution des grains d’or et la caractérisation de l’alimentation du
circuit de broyage sont ensuite effectuées à l’aide de la moyenne (dg) et de l’écart-type
(dg) de la taille des grains d’or ainsi que des mesures réconciliées pour les granulométries
et granulochimies du flux d’alimentation. Finalement, les bilans statiques autour de chaque
195
nœud du procédé sont effectués de manière séquentielle jusqu’à la convergence sur le débit
de recirculation de la matière.
Figure 7.5 : Algorithme utilisé pour paramétrer le modèle de classification
Autour de la bâche, les bilans de matière en régime statique sont :
Conservation de la pulpe :
2 19 8 9 3 0D D D D D (Équation 7.12)
Conservation de la phase solide :
% % % %
2 2 8 8 9 9 3 3 0D S D S D S D S (Équation 7.13)
où %
jS représente le % de solide dans le flux j.
196
Conservation de la masse de particules dans chaque classe granulométrique :
% % % %
2 2 2, 8 8 8, 9 9 9, 3 3 3, 0o o o o
i i i iD S x D S x D S x D S x pour i = 1 à ni (Équation 7.14)
Conservation de l’or dans la phase solide :
% % % %
2 2 2, 2, , 8 8 8, 8, , 9 9 9, 9, , 3 3 3, 3, , 0o o o o o o o o
i i Au i i Au i i Au i i AuD S x x D S x x D S x x D S x x
pour i = 1 à ni (Équation 7.15)
Conservation de l’or libre dans la phase solide :
% % % %
2 2 2, 2, , 8 8 8, 8, , 9 9 9, 9, , 3 3 3, 3, , 0L L L L
o o o o o o o o
i i Au i i Au i i Au i i AuD S x x D S x x D S x x D S x x
pour i = 1 à ni (Équation 7.16)
Conservation d’or dans la phase liquide
% % % %
2 2 2, 8 8 8, 9 9 9, 19 19, 3 3 3,100 0l l l l l
Au Au Au Au AuD L x D L x D L x D x D L x (Équation 7.17)
où %
jL représente le % de liquide dans le flux j. Cette valeur est reliée à la fraction
de solide par :
% %100j jL S (Équation 7.18)
La simulation du partage de la matière aux hydrocyclones est effectuée à l’aide des
équations présentées à la section 7.1. À l’aide de ces équations, il est possible de déterminer
le partage de chacune des classes de particules et de la phase liquide vers la sousverse de
l’hydrocyclone. Les caractéristiques de la surverse sont alors obtenues par une simple
différence entre l’entrée et la sousverse. Le bilan au séparateur est effectué à l’aide du
coefficient de partage RD qui représente la proportion de matière se retrouvant dans l’un des
deux flux de sortie.
6 4 DD D R (Équation 7.19)
7 4 1 DD D R (Équation 7.20)
197
Les équations 7.19 et 7.20 permettent donc de déterminer les débits de matière alimentés
aux broyeurs. Étant donné l’hypothèse spécifiant une séparation parfaite en qualité de la
sousverse de l’hydrocyclone, les caractéristiques des flux alimentés aux broyeurs sont
identiques à celles de la sousverse de l’hydrocyclone. À l’aide de ces informations et des
équations du modèle de fragmentation présentées au chapitre 4 et ajustées au cas continu
(voir chapitre 8), il est possible de simuler le comportement des deux broyeurs. À ces
équations développées pour un cas sans cyanuration lors de la fragmentation, on ajoute les
équations de dissolution de l’or dans les broyeurs. Ces équations simplifiées, à l’aide des
hypothèses présentées auparavant, permettent d’effectuer les bilans de matière sur l’or libre
de dimension k et sur l’or présent dans la phase liquide. Le bilan d’or libre est dicté par :
%
, ,% %
, , , ,
60LL
L L
k
o
B p out out k AuAuo o
in in in k Au out out out k Au k
Au g
V S xD S x D S x
d
pour les classes granulométriques k = 1 à nk (Équation 7.21)
où VB est le volume utile du broyeur, p est la densité de la pulpe, , L
o
k Aux est la fraction de
minerai qui est attribuable à l’or libre de dimension k et où les indices « in » et « out » sont
associés aux flux d’entrée et de sortie du broyeur. est la cinétique spécifique de
dissolution de l’or libre considérée constante. Cette constante est appliquée à des grains
d’or considérés cubiques (surface accessible = 6kgd
2). LAu
k représente la production d’or
libre durant la fragmentation et est obtenue par :
,
%
3, ,
,31 ,
i
L
j k k
i
M M nkB p out out i k iAu M
k j i L Au gMi j ii k p
V S x Sb P d
d
(Équation 7.22)
où , ,
M
out i kx est la concentration de particules mixtes de dimension i portant un grain d’or de
dimension k à la sortie du broyeur.
198
Le bilan d’or dans la phase liquide est obtenu par :
%
, ,% %
, ,
1
60
k
L
k
onB p out out k Aul l
in in in Au out out out Au
k Au g
V S xD L x D L x
d
(Équation 7.23)
Il est à noter que l’hypothèse d’une dissolution négligeable de l’or émergeant et de l’or
accessible par la porosité permet de conserver la structure des équations de bilan
développées dans le cas d’un broyage continu sans cyanuration (présentées au chapitre 8).
Une fois que les bilans de matière convergent pour la série de paramètres posés, on itère sur
les valeurs de ces paramètres jusqu’à ce que le critère J représentant le carré de l’erreur
relative entre les résultats de la simulation et les mesures réconciliées soit minimum. Ce
critère englobe les granulométries ainsi que les concentrations d’or présent dans la phase
liquide et dans chacune des classes granulométriques pour les cinq flux échantillonnés.
Lorsque le critère est minimum, la simulation est jugée représentative de la réalité et les
modèles de broyage, de libération et de classification sont calibrés.
7.3.2 Résultats et discussion
Les résultats de la calibration des modèles de fragmentation, de libération et de
classification à l’aide des données industrielles réconciliées pour le circuit de broyage de
Géant Dormant sont présentés à la Figure 7.6. Elle compare la courbe de partage des
hydrocyclones obtenue lors de la calibration des modèles aux courbes dictées par les
mesures réconciliées à l’aide de la méthode décrite au chapitre 3. On remarque que la
simulation de la classification à l’aide du modèle de Plitt permet d’obtenir des résultats
comparables aux valeurs filtrées.
199
Figure 7.6 : Comparaison entre les courbes de partage du minerai et de l’or obtenues à l’aide des données réconciliées et des résultats de la simulation
Le Tableau 7.1 donne les valeurs numériques obtenues lors de la calibration des
paramètres. Ces résultats seront analysés dans les prochaines sous-sections.
Tableau 7.1 : Résultats de la calibration des paramètres
Distribution des grains d’or
Les résultats de la calibration des paramètres du modèle permettent de déduire la
distribution des grains d’or présents dans les échantillons prélevés à l’entrée du circuit de
broyage (Figure 7.7). Cette distribution est différente de celle obtenue lors de la calibration
des paramètres du modèle de fragmentation sur les expériences de broyage discontinu
(chapitre 4). La moyenne des deux échantillons est semblable, mais la variance obtenue lors
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
10 100 1000 10000
Pro
po
rtio
n e
n s
ou
sver
se
Diamètre (µm)
Minerai théorique
Or théorique
Minerai réconcilié
Or réconcilié
Paramètre Valeur Unité Paramètre Valeur Unité Paramètre Valeur Unité
K 0,254 β 2,25 m 2,33
n1 7,27 mS 0,207 Rf 0,0494
n2 0,771 mB1 0,0143 d'50 36,7 µm
Smin 0,782 h-1mB2 1,83 ζ 1,6*10-9 g h-1 µm2
Smax 109 h-1µdg 6,17 µm
dopt 1280 µm σdg 6,52 µm
200
de la calibration en continu est plus élevée. Puisque le minerai utilisé lors des essais de
broyage provient du même endroit, il serait logique d’observer une distribution de la taille
des grains d’or semblable pour les deux échantillons. Or, dans le cas présent, à cause de
l’hypothèse d’unicité des grains d’or dans les particules mixtes, la distribution obtenue pour
les essais discontinus ne permet pas de caractériser l’échantillon plus grossier du broyage
continu. L’algorithme converge donc naturellement vers une distribution ayant une
variance plus élevée dans le cas continu. Ceci permet d’avoir des particules mixtes
grossières contenant des grains d’or plus gros et ainsi obtenir une concentration en or
semblable à celle mesurée pour les classes grossières.
Figure 7.7 : Comparaison entre les distributions de taille de grains d’or obtenues par calibration sur des essais de broyage continu et discontinu.
Cohérence des résultats
La calibration des paramètres à l’aide des données réconciliées du circuit de broyage de
Géant Dormant permet également d’obtenir les fonctions de broyage cumulées et de
sélection associées au broyage continu de la matière. On peut ensuite les comparer aux
fonctions obtenues lors de la calibration du modèle de fragmentation à l’aide d’essais de
broyage discontinu. Théoriquement, la fonction de broyage est influencée par la nature du
minerai broyé, alors que la fonction de sélection dépend des conditions opératoires. Dans ce
0
0,02
0,04
0,06
0,08
0,1
0,12
0,14
0,16
0,18
0,2
0 10 20 30 40 50 60
Pro
bab
ilité
Dimension des particules d'or (µm)
Distribution des essais de broyage discontinu
Distribution des essais de broyage continu
201
cas-ci, l’utilisation du même minerai lors des essais de broyage discontinu et continu
devrait mener vers des fonctions de broyage identiques et des fonctions de sélection
différentes. Les figures 7.8 et 7.9 présentent les fonctions de sélection associées aux
particules mixtes et à la gangue. La première permet de comparer les fonctions sur leur
ensemble, alors que la seconde agrandir la première partie des courbes (10 à 100 microns).
Figure 7.8 : Comparaison entre les fonctions de sélection obtenues par une calibration en
continu et discontinu
Figure 7.9 : Comparaison entre les fonctions de sélection obtenues par une calibration en continu et discontinu (agrandissement)
202
Les fonctions de broyage cumulées de la gangue et des particules mixtes obtenues lors de la
calibration des modèles par la simulation continue sont comparées aux résultats obtenus
lors de la calibration effectuée à l’aide des données expérimentales discontinues (chapitre
4) aux figures 7.10 et 7.11. La première présente les fonctions de broyage où les
proportions sont en nombre, alors que la seconde présente les résultats en proportions
massiques.
Figure 7.10 : Comparaison entre les fonctions de broyage cumulées (en nombre) obtenues par une calibration en continu et discontinu
Figure 7.11 : Comparaison entre les fonctions de broyage cumulées (en masse) obtenues
par une calibration en continu et discontinu
203
On remarque que les fonctions de broyage obtenues lors de la calibration en discontinu et
en continu sont similaires, alors que les fonctions de sélection sont fortement différentes.
Ces constatations sont fort intéressantes lorsque l’on considère qu’aucune contrainte
associée à la similarité des fonctions de broyage et de distributions des grains d’or n’a été
utilisée lors de la calibration des modèles. Les modèles semblent donc converger
naturellement vers des constats physiques qui sont à priori logiques.
Fonctionnement des hydrocyclones
À l’aide des équations 7.7, 7.8, 7.9, 7.10 et 7.11 ainsi que des paramètres calibrés m, Rf et
50'Gd , il est possible de déduire les courbes de partage associées aux particules d’or libre,
aux particules de gangue libre ainsi qu’aux deux cents types de particules mixtes. La Figure
7.12 présente un résumé de ces courbes de partage. Les deux cents courbes de partage
nécessaires pour prédire la répartition des particules mixtes entre la sousverse et la surverse
de l’hydrocyclone se situent entre la courbe de partage de l’or libre et celle de la gangue
libre.
Figure 7.12 : Courbes de partage des particules aux hydrocyclones
204
Sur la Figure 7.12, seules quelques courbes de partage pour les particules mixtes sont
présentées. La présentation de deux cents courbes de partage rendrait la figure illisible. Les
courbes présentées indiquent clairement que pour une dimension de particules donnée, les
particules les plus denses se retrouvent en sousverse de l’hydrocyclone et, par conséquent,
sont retournées vers le circuit de broyage. L’or est donc recyclé plus fréquemment vers le
circuit de broyage que les particules de gangue libre. En effet, selon ces courbes, les
particules d’or de plus de 36 microns sont recyclées (99% d’entre-elles) vers le circuit de
broyage.
Afin de synthétiser le comportement des particules mixtes dans les hydrocyclones, on a
représenté la courbe de partage global des particules mixtes et on l’a comparé à celles de
l’or et de la gangue libre (Figure 7.13). On remarque que les particules mixtes de grosses
dimensions ont un comportement fort semblable à celui de la gangue, alors que les
particules plus fines se comportent davantage comme l’or libre. Cette constatation semble
être logique puisque la proportion d’or présente dans les particules mixtes grossières est
beaucoup plus faible que dans les fines particules. En bref, les particules mixtes ont un
comportement qui est fortement influencé par la proportion d’or qui s’y retrouve.
Figure 7.13 : Comparaison entre le partage des particules mixtes et des particules libres.
205
Dissolution de l’or dans les broyeurs
La constante cinétique de dissolution () obtenue lors de la calibration des modèles autour
du circuit de broyage permet d’estimer la dissolution de l’or dans chacun des broyeurs. Le
Tableau 7.2 présente les distributions granulométriques et les granulochimies des flux
d’entrée et de sortie des broyeurs obtenues à la convergence de l’algorithme de calibration.
Ces résultats permettent de mettre en évidence la faible dissolution de l’or à chacun des
passages dans les broyeurs. L’un des broyeurs dissout 0,33% de l’or présent dans
l’échantillon à chaque passage, alors que celui possédant un temps de résidence plus élevé
en dissout 0,65%. Les mesures réconciliées (disponibles à l’Annexe II) montrent que le
débit d’alimentation à l’un des broyeurs est 2,2 fois plus élevé que l’autre. Puisque les
volumes utiles des broyeurs sont considérés identiques et que la cinétique de dissolution de
l’or libre est d’ordre 0, il est logique de constater cette différence entre les deux broyeurs.
De plus, en utilisant les données réconciliées à l’entrée et à la sortie du circuit de broyage,
on observe une dissolution globale de 26,76% (36,8% pour le résultat de la simulation) de
l’or dans le circuit. Cette dissolution élevée pour l’ensemble du circuit de broyage est
expliquée par la recirculation fréquente de l’or libre vers les broyeurs avant de quitter le
système.
Tableau 7.2 : Granulométries et granulochimies simulées des flux entourant les broyeurs
suite à la calibration des modèles.
206
Chapitre 8 : Conception d’un simulateur statique d’usine
d’extraction de l’or par cyanuration
Les modèles de fragmentation, de libération, de cyanuration et de classification présentés
aux chapitres précédents sont basés sur une description du minerai mettant l’accent sur la
disponibilité des surfaces d’or et sur l’impact de celles-ci lors de la dissolution de l’or. Plus
précisément, ces modèles mettent en évidence l’influence de la granulométrie du minerai et
de la distribution de la taille des grains d’or sur la libération des surfaces métalliques ainsi
que sur la cinétique de lixiviation et de consommation du cyanure libre. Une étude de
l’agencement des différentes unités faisant intervenir ces modèles pourrait permettre
d’identifier des rhéogrammes favorisant la dissolution de l’or ou la minimisation des coûts
associés à l’utilisation de réactifs. Ce chapitre présente les étapes de conception d’un
simulateur statique d’usine d’extraction de l’or qui permet d’effectuer ce genre d’étude.
Dans le prochain chapitre, le simulateur sera utilisé pour effectuer des études
d’optimisation. La première section du chapitre 8 présente les informations relatives au
suivi des données nécessaires à une étude qui relie la cinétique de lixiviation et
l’accessibilité des surfaces d’or. Par la suite, les équations statiques développées pour
caractériser le comportement en continu des différentes unités incluses dans le simulateur
sont présentées. Pour chaque unité, l’ensemble des variables d’entrée nécessaires à la
résolution des bilans et à la prédiction des variables de sorties (ensemble des éléments du
vecteur de sortie) est identifié. Finalement, les liens entre les différentes fonctions du
simulateur et la structure des fenêtres utilisatrices permettant la saisie des variables d’entrée
sont présentés.
8.1 Traitement de l’information nécessaire à la simulation
statique
Les modules du simulateur sont construits sous la forme de fonctions Matlab. Ces fonctions
sont reliées par la plate-forme Simulink qui permet à l’utilisateur de construire le
rhéogramme qu’il veut simuler. Pour ce faire, l’usager n’a qu’à agencer les différents
207
modules proposés et les relier dans l’ordre qu’il le désire. Une fois le rhéogramme
construit, l’utilisateur caractérise les flux d’entrée à l’aide d’une fenêtre permettant la saisie
des données nécessaires à la simulation. Les valeurs saisies sont alors converties sous
forme de débits massiques qui sont ensuite enregistrés dans un vecteur d’informations. Ce
vecteur contient la totalité des données relatives à un flux du procédé et qui sont nécessaires
à la simulation de l’un ou de l’autre des modules d’opération unitaire. Lors de la
simulation, ce vecteur caractérisant l’alimentation du circuit est alimenté au premier
module du circuit et produit un vecteur d’informations sortant. Ce vecteur sortant contient
la même série d’informations que le vecteur d’alimentation. Les données relatives aux flux
et au minerai sont ainsi échangées d’un module de simulation à l’autre. À la fin du
processus séquentiel de simulation, les vecteurs de sortie du rhéogramme sont décomposés
et leur information est synthétisée dans un tableau d’affichage. Cette section présente les
détails relatifs à la structure des vecteurs d’informations et les étapes permettant la création
de ce vecteur à partir des données entrées par l’usager.
8.1.1 Vecteur d’informations
Le simulateur développé permet d’estimer le comportement d’une usine d’extraction de l’or
en mode d’opération statique. Son analyse est basée sur la disponibilité des surfaces d’or à
une réaction chimique avec le cyanure libre en milieu oxygéné. Ce degré d’exposition est
fortement influencé par la granulométrie du minerai et par la dimension des grains d’or. En
réalité, les particules de minerai sont de formes, de dimensions et de compositions diverses.
L’intégration complète de toutes ces formes et de ces dimensions dans un simulateur est
une tâche ardue et complexe. Ici, le minerai y est décrit de manière simple en considérant
que les particules sont constituées exclusivement de deux matières : de l’or et une matière
sans valeur qui est ici nommée « gangue ». De plus, la géométrie des particules et des
grains d’or est approximée par une forme cubique et leur distribution granulométrique est
discrétisée en 20 (ni) classes pour le minerai et 10 (nk) dimensions pour les grains d’or.
L’ensemble des classes granulométriques utilisées pour caractériser la population est
présenté à l’Annexe IX. La description complète des hypothèses associées à la description
208
du minerai est présentée au chapitre 4. Le vecteur d’informations contient toutes les
données relatives aux flux de matière et à la structure du minerai qui sont nécessaires à la
simulation des différents modules. Cette information est strictement présentée sous forme
de débits de matière. Cette structure permet de simplifier le simulateur en assurant
l’additivité des vecteurs d’informations autour du rhéogramme simulé. Le contenu du
vecteur et l’emplacement des différentes données dans ce dernier sont présentés au Tableau
8.1. Il est à noter que l’ensemble de données incluses dans le vecteur est redondant. Par
contre, toutes les données sont compatibles. Bien que cette structure implique la présence
d’une grande quantité d’informations, elle permet un accès rapide et minimise le nombre
d’équations nécessaires pour obtenir une donnée précise. Notons également que certains
espaces du vecteur sont vides. Ceci permet l’ajout de nouveau module au simulateur et
l’intégration des données nécessaires à leur utilisation.
Tableau 8.1 : Contenu du vecteur d’informations
Le vecteur présenté au Tableau 8.1 contient plusieurs sous regroupements de données. Par
exemple, les positions 5 à 24 sont attribuées aux débits de minerai présents dans chacune
des classes granulométriques. Dans ce cas, la position 5 est associée au débit de minerai de
la première classe granulométrique, la position 6 est associée au débit de minerai de la
seconde classe et ainsi de suite. Les regroupements associés aux particules mixtes ont tous
200 données. Dans ce cas, les 10 premières valeurs sont associées aux particules
Position vecteur Description Unités
1 Réservé à la plate-forme Simulink
2 Débit de pulpe tonnes/h
3 Débit de minerai tonnes/h
4 Débit liquide tonnes/h
5 à 24 Débit de minerai dans chacune des 20 classes granulométriques tonnes/h
25 à 44 Débit d'or dans chacune des 20 classes granulométriques g/h
65 Débit d'oxygène en phase liquide g/h
66 Débit de cyanure en phase liquide g/h
67 Débit d'or en phase liquide g/h
101 à 300 Débit d'or libre de dimension j associé à la granulométrie i g/h
301 à 500 Débit de grains d'or de dimension j présent dans les particules mixtes de classe i g/h
501 à 700 Débit de gangue associée aux particules mixtes de classe granulométrique i avec un grain d'or de dimension j g/h
701 à 720 Débit de gangue libre dans chacune des 20 classes granulométriques tonnes/h
801 à 1000 Débit d'or inaccessible à une attaque chimique g/h
1001 à 1200 Débit d'or accessible par la porosité du minerai sur une distance inférieur à 1 micron g/h
1201 à 1400 Débit d'or accessible par la porosité du minerai sur une distance comprise entre 1 et 5 microns g/h
1401 à 1600 Débit d'or accessible par la porosité du minerai sur une distance comprise entre 5 et 10 microns g/h
1601 à 1800 Débit d'or présent à la surface de particules mixtes g/h
209
appartenant à la première classe granulométrique et possédant un grain d’or associé à l’une
des 10 dimensions discrètes. Le même scénario se répète pour les 20 classes
granulométriques. Par exemple, les positions 305 et 322 sont respectivement le débit de
grains d'or de dimension 5 associés aux particules mixtes de la 1ère classe granulométrique
et le débit de grains d'or de dimension 2 présent dans les particules mixtes de la 3e classe
granulométrique.
8.1.2 Création du vecteur d’informations à l’aide des données relatives à un flux d’entrée.
Les données associées aux flux d’entrée du rhéogramme sont fournies par l’utilisateur une
fenêtre de saisie. Une liste d’informations relatives au flux est entrée :
Proportions de particules dans chacune des classes granulométriques i ( o
ix )
Deux des quatre informations suivantes :
o Débit de pulpe (D)
o Débit de minerai (xm)
o Débit de liquide (xl)
o % solide massique ( %S )
Concentration massique d’oxygène dissout dans la phase aqueuse ([O2])
Concentration massique de cyanure libre dans la phase liquide ([CN])
Concentration massique d’or dans la phase liquide ([Au]L)
Ces informations sont utilisées pour déterminer certains débits massiques constituant le
vecteur d’informations. Ces débits sont :
Débit de pulpe (D)
Selon le type d’informations disponibles, ce débit est obtenu par l’une des équations
suivantes :
210
m lD x x (Équation 8.1)
%100
mxD
S (Équation 8.2)
%
1100
lxD
S
(Équation 8.3)
Débit de minerai (xm)
Selon le type d’informations disponibles, ce débit est obtenu par l’équation 8.1, par
l’équation 8.2 ou par:
%
1100
lm lx
x xS
(Équation 8.4)
Débit de liquide (xl)
Selon les informations disponibles, ce débit est obtenu par l’équation 8.1, par l’équation 8.3
ou par l’équation 8.4.
Débits de minerai dans chacune des classes granulométriques i ( o
iD )
Chacun de ces débits est obtenu par :
o m o
i iD x x pour i = 1à 20 (Équation 8.5)
Débit d’oxygène dissout présent dans la phase liquide (2
l
OD )
Ce débit est obtenu par :
2 2
l l
OD x O (Équation 8.6)
Débit de cyanure libre présent dans la phase liquide ( l
CND )
Ce débit est obtenu par :
l l
CND x CN (Équation 8.7)
211
Débit d’or présent dans la phase liquide( l
AuD )
Ce débit est obtenu par :
l l
Au LD x Au (Équation 8.8)
Afin de caractériser l’accessibilité des surfaces d’or ainsi que les flux massiques qui leurs
sont associés, l’utilisateur doit entrer les informations suivantes :
Concentrations en or dans les différentes classes granulométriques i ( ,
o
i Aux )
Dimension moyenne des grains d’or (g)
Écart-type de la dimension des grains d’or (g)
Ces informations permettent d’estimer certains débits massiques associés à l’accessibilité
des surfaces. Ils sont obtenus en appliquant la méthode décrite à la section 4.5. Cette
méthode permet d’estimer :
Débit d’or libre de dimension j appartenant à la classe granulométrique i ( , ,L
o
Au i jD )
Débit d’or de dimension j associé à une particule mixte de dimension i qui est
inaccessible à une attaque chimique ( , ,
o
Au i jD
)
Débit d’or de dimension j associé à une particule mixte de dimension i qui est
accessible à une attaque chimique par les pores du minerai sur une distance inférieure à
1 micron (1 , ,P
o
Au i jD )
Débit d’or de dimension j associé à une particule mixte de dimension i qui est
accessible à une attaque chimique par les pores du minerai sur une distance comprise
entre 1 et 5 microns (2 , ,P
o
Au i jD )
Débit d’or de dimension j associé à une particule mixte de dimension i qui est
accessible à une attaque chimique par les pores du minerai sur une distance comprise
entre 5 et 10 microns (3 , ,P
o
Au i jD )
Débit d’or de dimension j associé à une particule mixte de dimension i qui est situé à la
surface de la particule de minerai ( , ,S
o
Au i jD )
212
Ces débits sont utilisés pour obtenir une série d’informations plus macroscopiques :
Débit d’or de dimension j associé aux particules mixtes de dimension i (, ,M
o
Au i jD )
Le débit massique d’or total contenu dans les particules mixtes représente la somme du
débit d’or accessible en surface du minerai, du débit d’or accessible par les pores du
minerai et du débit d’or qui n’est pas accessible. Les débits totaux d’or de dimension j
contenu dans une particule de minerai de dimension i est donc dicté par :
3
, , , , , , , ,
1
Pour i = 1 à 20
Pour j = 1 à 10M S Pk
o o o o
Au i j Au i j Au i j Au i j
k
D D D D
(Équation 8.9)
Débit de gangue associée aux particules mixtes de dimension i contenant une
particule d’or de dimension j ( , ,M
o
G i jD )
En connaissant le débit d’or associé à des particules mixtes de dimensions connues, il est
possible de déterminer le débit de gangue associé à ces particules. En supposant qu’il n’y a
qu’un grain d’or par particule mixte, l’équation suivante est utilisée pour faire le lien entre
les débits de gangue et d’or associés à des particules mixtes de dimension i contenant un
grain d’or de dimension j :
3 3
, , G
, , 3
Pour i = 1 à 20
Pour j = 1 à 10
M i j
M
j
o
Au i j p go
G i j
Au g
D d dD
d
(Équation 8.10)
213
Débit d’or dans chaque classe granulométrique i (,
o
Au iD )
La masse d’or contenue dans une classe granulométrique représente la somme de la masse
d’or libre et de la masse d’or associée à des particules mixtes appartenant à cette classe
granulométrique. Le débit d’or dans chaque classe granulométrique peut donc être estimé
par :
10
, , , , ,
1
Pour i = 1 à 20M L
o o o
Au i Au i j Au i j
j
D D D
(Équation 8.11)
Le résultat de l’équation 8.11 peut être vérifié à l’aide de la granulochimie du minerai. Pour
ce faire on fait appel à l’équation suivante :
o
, i,Aux Pour i = 1 à 20o o
Au i iD D (Équation 8.12)
Débit de gangue libre dans chaque classe granulométrique i ( ,L
o
G iD )
La matière présente dans une classe granulométrique est composée de gangue libre, d’or
libre et de particules mixtes. Conséquemment, on peut déduire la quantité de gangue libre
dans chaque classe à l’aide de :
10
, , , , , , ,
1
- + + Pour i = 1 à 20L L M M
o o o o o
G i i Au i j Au i j G i j
j
D D D D D
(Équation 8.13)
8.2 Équations continues de fonctionnement
Cette section présente l’ensemble des procédés unitaires inclus dans le simulateur statique
développé pour étudier l’effet de différents rhéogrammes sur la cyanuration de l’or. Pour
chaque unité, une brève description est effectuée et les équations de bilans massiques
dynamiques permettant d’estimer leur fonctionnement sont présentées. L’application du
simulateur en statique est faite en annulant les dérivées des équations présentées dans cette
214
section. Dans chaque cas, les variables d’entrée nécessaires à la simulation de l’unité et à
l’estimation des variables composant le vecteur d’informations de sortie sont énumérées.
Finalement, pour les modules faisant intervenir plusieurs équations de fonctionnement, une
méthode de résolution du système d’équations est proposée.
8.2.1 Point de jonction
Un point de jonction permet de jumeler plusieurs flux en un seul. La Figure 8.1 schématise
le point de jonction entre 3 flux.
Figure 8.1 : Point de jonction de 3 flux de matière
À un point de jonction, la matière provenant de différents flux est additionnée. Puisque les
vecteurs d’informations circulant d’un module à l’autre contiennent uniquement des débits
massiques de matière diverse, il suffit d’additionner les vecteurs d’informations associés à
chacun des flux entrant un point de jonction pour caractériser son flux de sortie. Aucune
autre variable d’entrée n’est nécessaire pour simuler cette unité.
8.2.2 Diviseur
Un diviseur permet de séparer un flux circulant dans un procédé. La Figure 8.2 schématise
la séparation d’un flux en deux.
215
Figure 8.2 : Division d’un flux de matière
Si l’on considère qu’il n'y a aucune ségrégation dans un diviseur, la proportion de matière
appartenant à une dimension de particules, la granulochimie ainsi que les concentrations
chimiques de la phase liquide ont la même valeur pour les flux d’entrée et de sortie de
l’unité. Afin de simuler la division d’un flux sans ségrégation, il est nécessaire de spécifier
le ratio de partage (RD) du diviseur. Ce ratio représente le rapport entre le premier débit de
sortie (sortie supérieure du diviseur sur la Figure 8.2) et le débit d’alimentation du module.
1outD
in
DR
D (Équation 8.14)
L’information alimentée au module de simulation du diviseur est contenue dans un vecteur
d’informations. Celles-ci sont sous la forme de débits massiques de matière (voir la section
8.1 pour les détails). Puisque l’on considère qu’il n'y a aucune ségrégation au diviseur, il est
possible de prédire les débits de sortie de ce dernier à l’aide des données contenues dans le
vecteur d’informations et du ratio de partage. En effet, toutes les caractéristiques contenues
dans le vecteur sont divisées de la même manière que la pulpe, on peut donc appliquer
l’équation 8.14 pour estimer la première sortie du diviseur. Par la suite, les éléments
contenus dans le vecteur d’informations du second flux sont obtenus par une soustraction
vectorielle du premier flux au flux d’alimentation de l’unité. En bref, la simulation du
diviseur ne nécessite que la spécification du ratio de partage (RD).
216
8.2.3 Hydrocyclones
Les hydrocyclones permettent de séparer la matière par gravimétrie. Ainsi, on considère
que la composition de la phase liquide est la même autour de cet équipement. Le poids des
particules joue donc un rôle important sur le partage de la matière. En effet, une particule
d’or libre a beaucoup plus de chance de se retrouver à la sousverse de l’hydrocyclone
qu’une particule de gangue de même dimension. Ce module de séparation permet de
prédire le partage des différentes particules (or libre, gangue et particules mixtes) ainsi que
celui de la phase liquide entre la surverse et la sousverse de l’hydrocyclone. Puisqu’un
hydrocyclone est en quelque sorte un diviseur, le rhéogramme caractérisant son
fonctionnement est présenté à la Figure 8.2. Sur cette figure, la première sortie (Dout1) est
considérée comme étant la surverse et la deuxième sortie (Dout2) comme étant la sousverse.
Le chapitre 7 propose d’utiliser le modèle de Plitt ([8.1]) pour déterminer les coefficients de
partages (RY ) des particules de minerai à l’aide de leur densité, de l’acuité de séparation
(m), du soutirage d’eau (Rf) et du diamètre d’équicoupure corrigé de la gangue ( '
50
Gd ). Une
fois que ces coefficients de partage sont spécifiés, il est possible de caractériser la surverse
et la sousverse de l’hydrocyclone à l’aide de bilans de matière. Ces bilans sont :
Bilan d’or libre
Le bilan d’or libre est effectué à l’aide du cœfficient de partage des particules d’or ( Au
RY )
obtenu grâce aux équations 7.6, 7.7, 7.9 et 7.10. Le débit d’or libre de dimension j à la
sousverse de l’hydrocyclone est obtenu par :
, , , ,L L
o o Au
Au j sous Au j in RD D Y pour j = 1 à 10 (Équation 8.15)
où les indices « sous » et « in » sont respectivement dédiés aux flux de la sousverse et de
l’alimentation de l’hydrocyclone.
Le débit d’or libre de dimension j de la surverse est ensuite déduit par une différence :
217
, , , , , ,L L L
o o o
Au j sur Au j in Au j sousD D D pour j = 1 à 10 (Équation 8.16)
où l’indice « sur » désigne la surverse de l’hydrocyclone
Bilan de gangue libre
Le bilan de gangue libre est effectué à l’aide du coefficient de partage des particules de
gangue ( G
RY ). Celui-ci est obtenu grâce aux équations 7.6 et 7.7. Le débit de gangue libre
appartenant à la classe granulométrique i est donc dicté par :
, , , ,L L
o o G
G i sous G i in RD D Y pour i = 1 à 20 (Équation 8.17)
Le débit de gangue libre à la surverse de l’hydrocyclone est ensuite déduit par une
soustraction (même structure que l’équation 8.16).
Bilans relatifs aux particules mixtes
Les bilans de particules mixtes appartenant à la classe granulométrique i et possédant un
grain d’or de dimension j sont effectués grâce aux coefficients de partage ( ,i jM
RY ) obtenus à
l’aide des équations 7.6, 7.7, 7.9 et 7.11. Le débit de particules mixtes à la sousverse de
l’hydrocyclone est caractérisé par :
,
, , ,i j
i j i j
Mo o
M sous M in RD D Y pour i = 1 à 20 et j = 1 à 10 (Équation 8.18)
Dans un hydrocyclone, les particules sont classifiées par gravimétrie. La taille et la densité
des particules ont donc une influence sur leur partage. L’emplacement du grain d’or présent
dans une particule mixte n’influence pas cette classification. En d’autres mots, les débits
d’or encapsulé (,i j
o
AuD
), d’or accessible par la porosité (1 ,P i j
o
AuD ,2 ,P i j
o
AuD et 3 ,P i j
o
AuD ) et d’or
accessible en surface du minerai (,Si j
o
AuD ) sont tous assujettis aux coefficients de partage des
particules mixtes ( ,i jM
RY ) et à l’équation 8.18.
218
Les débits associés à la surverse de l’hydrocyclone sont ensuite obtenus par de simples
soustractions (même structure que l’équation 8.16).
Bilans d’or global et de minerai
Les bilans d’or et de minerai présents dans les différentes classes granulométriques des flux
entourant un hydrocyclone sont fonction des bilans présentés précédemment. Afin d’obtenir
les débits d’or dans chaque classe granulométrique, il suffit d’additionner les débits d’or
contenu dans les mixtes (obtenu par l’équation 8.9) au débit d’or libre présent dans la classe
visée. L’équation 8.11 permet d’effectuer cette somme. De manière semblable, les débits de
solide (particules) contenu dans chaque classe sont estimables à l’aide de l’équation 8.13.
Cette équation permet d’additionner les débits de gangue libre, d’or libre et de particules
mixtes présents dans chaque classe granulométrique du flux. Finalement, les débits globaux
de minerai sont obtenus en sommant la quantité de matière présente dans chacune des
classes granulométrique :
20
1
o o
i
i
x D
(Équation 8.19)
Bilans relatifs à la phase liquide
Le bilan global de liquide autour de l’hydrocyclone est dicté par le coefficient de soutirage
(Rf) représentant la proportion de liquide qui se retrouve à la sousverse. Ainsi, le débit de
liquide à la sousverse de l’hydrocyclone est estimable par :
l l
sous in fx x R (Équation 8.20)
En considérant que la phase liquide est homogène, on peut appliquer le coefficient de
partage de la phase liquide à tous les éléments chimiques qui s’y retrouvent. Ainsi, on
obtient respectivement pour les débits de cyanure libre, d’oxygène dissout et d’or en phase
aqueuse à la sousverse de l’hydrocyclone :
219
, ,
l l
CN sous CN in fD D R (Équation 8.21)
2 2, ,
l l
O sous O in fD D R (Équation 8.22)
, ,
l l
Au sous Au in fD D R (Équation 8.23)
Une fois les équations 8.20 à 8.23 résolues, on peut estimer les débits d’éléments chimiques
en phase aqueuse et de liquide se retrouvant en surverse de l’hydrocyclone par des
soustractions de la même forme que l’équation 8.16.
Bilan de pulpe
Une fois le partage des éléments de la phase liquide et des différents types de particules
estimés (or libre, particules mixtes et gangue libre), il suffit de sommer les débits de liquide
et de solide aux sorties de l’hydrocyclone pour être en mesure d’estimer le partage de la
pulpe. Les débits de pulpe à la surverse et à la sousverse de l’hydrocyclone sont donc
obtenus par :
où =surverse ou sousversel oD x x (Équation 8.24)
Variables d’entrée et résolution des équations de bilan
En spécifiant l’acuité de séparation (m), le diamètre d’équicoupure corrigé de la gangue (
'
50
Gd ) et le soutirage (Rf), on résout les équations de bilan présentées plus haut dans l’ordre
de leur apparition.
8.2.4 Broyeur
Le chapitre 4 propose un modèle de fragmentation appliqué au comportement des broyeurs
à boulets opérant en discontinu. Ce modèle est basé sur des suppositions reliées à la
broyabilité de différents types de particules. On considère que les particules mixtes et de
gangue libre ont une broyabilité différente (fonctions B et S distinctes), mais que les grains
d’or libres sont imbroyables. On considère ici que la structure des bilans de matière et la
220
forme des équations de broyage sont transposables à une opération continue. Cette sous-
section présente les équations de bilan associées à l’opération des broyeurs à boulets en
opération continue. Dans un premier temps, les équations permettant d’estimer les débits
d’or libre, de particules mixtes et de gangue libre autour du broyeur sont présentées.
Bilan d’or libre
L’accumulation massique d’or libre de dimension k dans un broyeur à boulets est obtenue
en additionnant le débit d’or de dimension k libéré par fragmentation au débit d’or de
dimension k alimenté au broyeur. On soustrait à ceci le débit d’or de dimension k quittant
le broyeur. Ainsi, en considérant que la matière dans le broyeur est parfaitement mélangée,
on obtient le bilan massique suivant :
, , % %
, , , ,L L
L L
o
sol out k Au Auo o
in in in k Au out out out k Au k
dm xD S x D S x
dt
pour les classes granulométriques k = 1 à nk (Équation 8.25)
où msol est la masse de solide dans le broyeur, , L
o
k Aux est la proportion massique de
particules attribuable à l’or libre de dimension k et %S est le % de particules solides. Les
indices « in » et « out » sont associés aux flux d’entrée et de sortie du broyeur. LAu
k
représente la production d’or libre durant la fragmentation et est obtenue par (équation
issue de l’équation 4.3) :
,
3, ,
,31 ,
i
L
j k k
i
M M nksol out i k iAu M
k j i L Au gMi j ii k p
m x Sb P d
d
(Équation 8.26)
où , ,
M
out i kx est la proportion de particules attribuable aux particules mixtes de dimension i
portant un grain d’or de dimension k à la sortie du broyeur. ,
M
j ib et M
iS sont respectivement
les fonctions de broyage et de sélection des particules mixtes. Elles sont dictées par les
équations 4.15 et 4.17. La masse de solide dans le broyeur peut être estimée à l’aide du
volume utile du broyeur (VB) par :
%
sol B p outm V S (Équation 8.27)
221
Bilan de particules mixtes
L’accumulation de particules mixtes de taille i contenant un grain d’or de dimension k est
obtenue en additionnant le débit de particules mixtes apparaissant lors de la fragmentation
de particules mixtes de tailles supérieures au débit de particules mixtes alimentées au
broyeur. On soustrait à ceci le débit de particules mixtes fragmentées vers les classes
inférieures et celles quittant le broyeur. Ainsi, en considérant que la matière présente dans
le broyeur est parfaitement mélangée, on obtient le bilan massique suivant (dont le terme
d’accumulation est issu de l’équation 4.24) :
,
13, ,, , % %
, , , , , , , ,31 ,
1i k i
j
M MM isol out j k jsol out i k M M M M M M
in in in i k out out out i k sol out i k i i j L i k pMj j k p
m x Sdm xD S x D S x m x S b P d
dt d
pour i = 1 à ni et k = 1 à nk (Équation 8.28)
Bilan de gangue libre
L’accumulation massique de gangue libre de dimension granulométrique i est estimable en
additionnant le débit de gangue libre alimentée au broyeur au débit de gangue produite par
la fragmentation de gangue libre de dimensions supérieures et au débit de gangue produite
par la fragmentation des particules mixtes des classes supérieures. À cette somme, il faut
soustraire le débit de gangue libre fragmentée vers les classes inférieures ainsi que le débit
de gangue libre qui quitte le broyeur. En considérant que la matière présente dans le
broyeur est parfaitement mélangée, on obtient le bilan massique suivant :
1, % %
, , , , , , , ,
1i i i i
G isol out i G G G G G G G
in in in i out out out i sol out i i sol out j j i j A B C D
j
dm xD S x D S x m x S m x S b
dt
pour i = 1 à ni (Équation 8.29)
où G
ix est la proportion de particules attribuables à de la gangue libre de dimension i.
, , ,A B C D est le terme de production de gangue libre par l’ensemble des évènements
appartenant aux quatre familles événementielles caractérisant la fragmentation de particules
mixtes (Figure 4.12). , , ,A B C D est obtenu par l’équation 4.37.
222
Bilan de la phase liquide et de la pulpe
Afin de compléter la caractérisation du fonctionnement d’un broyeur à boulets en opération
continue, il ne reste qu’à mettre sous forme d’équations les bilans associés à la phase
liquide et à la pulpe. Dans les deux cas, le fait, de supposer qu’il n’y a aucune réaction de
dissolution ou de précipitation, permet de caractériser les accumulations massiques en
soustrayant le débit de matière quittant le broyeur au débit de matière qui y est alimenté.
Dans le cas de la phase liquide, pour un mélange parfait, on obtient :
%
% %(1 )
(1 ) (1 )B out p
in in out out
dV SD S D S
dt
(Équation 8.30)
Ainsi, pour les bilans sur les espèces chimiques en phase liquide, on a :
%
% %(1 )
(1 ) (1 )B out p out
in in out outin out
dV SD S D S
dt
(Équation 8.31)
où est la concentration de l’élément chimique α dans la phase liquide.
Finalement, le bilan de pulpe est dicté par :
B p
in out
dVD D
dt
(Équation 8.32)
Variables d’entrée, ordre de résolution des équations et caractérisation de
l’accessibilité des surfaces
Mises à part les informations contenues dans le vecteur d’informations alimenté au module
de simulation continue d’un broyeur à boulets, il est nécessaire de spécifier le volume utile
du broyeur (VB) ainsi que les paramètres permettant de caractériser les fonctions de
sélection et de broyage de la gangue et des particules mixtes. Ces fonctions sont décrites
par les équations 4.14 à 4.17 et nécessitent la spécification de 9 paramètres (K, n1, n2, mB1
et mB2 pour les fonctions de broyage ainsi que Smin, Smax, et mS pour les fonctions de
sélection).
223
Une fois les variables d’entrée spécifiées, les équations 8.25, 8.28, 8.29, 8.30, 8.31 et 8.32
sont résolues pour un régime d’opération statique. Pour ce faire, on pose premièrement un
débit d’accumulation nul pour chacun des bilans. Par la suite, pour une alimentation
connue, on résout les équations 8.31 et 8.32. Cette étape permet de déterminer le débit de
pulpe et le % de solide à la sortie du broyeur. Une fois les valeurs de Dout et %
outS connues,
on résout le système de ni*nk équations à ni*nk inconnues ( , ,
M
out i kx ) dicté par l’équation 8.28.
Par la suite, il est possible de résoudre les nk équations de bilans de l’or libre (équation
8.25) permettant d’estimer les nk valeurs de ,LAu
out kx et les ni équations de bilans de gangue
libre (équation 8.29) permettant d’estimer les ,
G
out kx .
Finalement, il est possible de déterminer les proportions d’or non-lixiviable, accessible par
les pores et en surface du minerai pour les particules mixtes. Cette étape est effectuée à
l’aide des équations de libération présentée au chapitre 4.
8.2.5 Épaississeur
Un épaississeur permet de concentrer la pulpe. Son implantation dans le simulateur statique
a pour objectif d’épaissir la pulpe alimentée au circuit de cyanuration à une concentration
solide de 50%. Cette étape permet d’obtenir une pulpe de concentration solide et de densité
semblables à celle utilisée pour calibrer et valider le modèle diffusionnel présenté au
chapitre 6. De plus, le simulateur développé est statique, il n’est donc pas nécessaire de
caractériser la dynamique de ce procédé unitaire. Un modèle simple basé sur quelques
suppositions est donc proposé pour répondre au besoin du simulateur. Ces suppositions
sont :
224
Il n’y a pas de réaction entraînant le partage de matière entre la phase liquide et la
phase solide.
L’épaississeur permet une séparation parfaite. Seule une partie de la phase liquide
est extraite de la pulpe.
La phase liquide est homogène.
À l’aide de ces suppositions, on peut écrire les bilans autour de l’unité. En régime
d’opération statique, le bilan massique de pulpe est :
0in out extraitD D D (Équation 8.33)
où Dextrait est le débit de liquide soutiré de la pulpe alimentée
Le bilan massique de matière solide est alors :
% % 0in in out outD S D S (Équation 8.34)
Les suppositions effectuées ont des conséquences sur l’estimation des concentrations des
éléments chimiques. En fait, les concentrations des éléments chimiques présents dans la
phase liquide et dans la phase solide ne sont pas influencées par l’épaississeur. Les
concentrations de sorties sont donc les mêmes que celle à l’entrée de l’unité. Puisque
l’épaississeur ne joue aucun rôle sur la phase solide, cette remarque est également
applicable à la caractérisation de l’accessibilité des surfaces d’or. On considère donc
qu’aucune réaction n’a lieu dans l’épaississeur.
Si l’alimentation est parfaitement connue, il suffit de spécifier la proportion de solide (50%
dans le cas du simulateur créé) désirée à la sortie de l’épaississeur ou la proportion de
liquide extraite par l’unité, pour résoudre les équations de bilans massiques caractérisant un
épaississeur opérant en régime permanent (équations 8.33 et 8.34).
225
8.2.6 Cuve de lixiviation
La cyanuration est une méthode de séparation chimique par dissolution. En appliquant cette
méthode, l’or est lixivié à l’aide de cyanure libre en solution et d’oxygène dissout. Cette
réaction chimique produit un complexe soluble d’aurocyanure qui est par la suite récupéré
par adsorption ou cémentation. Au chapitre 6, un modèle cinétique de dissolution basé sur
la diffusion des réactifs jusqu’au site de la réaction ainsi qu’un modèle empirique de
consommation du cyanure sont proposés et calibrés sur les résultats d’essais de cyanuration
en discontinu. Ici, ces modèles sont adaptés à un régime d’opération continu et statique.
Dans un premier temps, les équations de bilans continus dynamiques caractérisant la cuve
de lixiviation sont présentées. Par la suite, les entrées nécessaires pour simuler l’opération
du réacteur en régime statique sont énumérées et une méthode de résolution des équations
est proposée.
Bilan de pulpe
L’accumulation de pulpe dans une cuve de lixiviation est obtenue en soustrayant le débit de
pulpe quittant la cuve au débit de pulpe qui y est alimenté. Ainsi, le bilan massique de
pulpe associé à une cuve de lixiviation est :
c p
in out
dVD D
dt
(Équation 8.35)
où Vc est le volume utile de la cuve.
Bilan de particules dans chacune des classes granulométriques et bilan global de
minerai
L’accumulation de minerai dans une cuve de lixiviation est obtenue est soustrayant le débit
de minerai quittant la cuve au débit de minerai qui y est alimenté. À ceci, il faudrait
également soustraire la masse de métaux et de minéraux dissoute lors du séjour du minerai
dans la cuve. Cependant, dans le cas d’un réacteur parfaitement mélangé où la masse
dissoute est négligeable face au débit global de minerai on obtient :
%
% %c p out
in in out out
dV SD S D S
dt
(Équation 8.36)
226
Similairement au bilan de matière sur le minerai global, le bilan massique sur chacune des
classes granulométriques peut être simplifié en considérant que la masse de métaux et
minéraux dissoute lors de la cyanuration est très faible face à la masse de minerai alimentée
et ce, pour chaque classe. Suite à cette simplification, l’accumulation de minerai dans une
classe granulométrique i est obtenue en soustrayant la masse de minerai de dimension i
quittant le réacteur à la masse de minerai de même classe qui y est alimenté. Le bilan
massique de minerai dans la classe i pour un réacteur parfaitement mélangé s’écrit alors
ainsi :
%
, % %
, , i pour i=1 à n
o
c p out out i o o
in in in i out out out i
dV S xD S x D S x
dt
(Équation 8.37)
où ,
o
out ix est la proportion de particules associée à la classe i
Puisque les métaux et minéraux dissouts à Géant Dormant sont présents en très faible
concentration dans le minerai, les équations 8.36 et 8.37 sont applicables à ce minerai.
Bilan d’or inaccessible
L’or inaccessible à une attaque chimique ne passe pas en solution lors de la cyanuration.
Puisque l’on néglige les phénomènes d’abrasion des particules qui pourraient avoir lieu
dans le réacteur, ce type d’or reste donc encapsulé et inaccessible lors de son passage dans
le réacteur. Ainsi, le bilan d’or inaccessible de dimension k présent dans la classe
granulométrique i pour un réacteur parfaitement mélangé est obtenu en soustrayant le débit
d’or inaccessible alimenté à celui sortant du réacteur :
, , , i% %
, , , , , ,
k
pour i=1 à n
pour k=1 à n
k
k k
o o
sol out i out i Au o o o o
in in in i in i Au out out out i out i Au
dm x xD S x x D S x x
dt
(Équation 8.38)
où , , k
o
out i Aux
est la concentration d’or de dimension k encapsulé dans la classe
granulométrique i. msol est la masse de solide dans le réacteur et estimable par :
%
sol c p outm V S (Équation 8.39)
227
Bilan d’or libre
La cinétique de dissolution de l’or libre est modélisée pour une application discontinue à la
section 6.1.1. La transposition de ce modèle au bilan continu implique le suivi de deux
phénomènes associés à la dissolution de l’or libre :
Le passage de l’or libre en solution
Le passage de l’or libre vers les classes granulométriques inférieures
La Figure 8.3 schématise ces deux effets. Les grains d’or entrant dans le réacteur à une
dimension donnée k sont dissouts à l’intérieur du réacteur. À la sortie, la taille des grains
d’or a diminué. Les grains d’or sont alors reclassés selon leur nouvelle dimension. Trois
scénarios sont envisageables :
La taille du grain d’or n’a pas suffisamment diminué pour lui permettre de
changer de classe granulométrique (j = k).
La taille du grain a suffisamment diminué pour lui permettre de changer de classe
granulométrique, mais le grain d’or n’est pas totalement dissout (j = k+1 à j = nk).
Le grain d’or est totalement dissout j = nk+1. La classe nk+1 représente une classe
granulométrique fictive de dimension nulle.
Figure 8.3 : Schématisation de la dissolution d’un grain d’or de dimension k.
228
Le passage de l’or libre vers les classes granulométriques inférieures ainsi que la disparition
complète de certains grains lors de leur dissolution complexifie la formulation du bilan
massique. Un raisonnement basé sur le suivi du nombre de grains d’or dans chacune des
classes de dimension k est plus intuitif. Cette approche est donc préconisée ici pour
démarrer le raisonnement menant à l’élaboration du bilan massique d’or libre. Pour ce faire,
on caractérise premièrement la variation globale du nombre de grains d’or libres dans le
réacteur en soustrayant le nombre de grains d’or quittant le réacteur au nombre de grains
qui y sont alimentés.
1, ,
, ,
1 1
k k
L L
n nN in N outLAu k Au k
k k
dND D
dt
(Équation 8.40)
où NL est le nombre de grains d’or libre dans le réacteur. ,
,L
N in
Au kD et ,
,L
N out
Au kD sont
respectivement les débits, en nombre, de grains d’or libre de dimension k entrant et sortant
du réacteur.
L’accumulation d’or libre dans une classe granulométrique donnée (k) est estimée en
soustrayant la masse d’or libre dissoute vers une classe granulométrique inférieure et la
masse d’or libre quittant le réacteur à la masse d’or libre qui y est alimenté et à la masse
d’or libre qui y apparaît par dissolution de l’or provenant de la classe supérieure. Ainsi, le
bilan du nombre de grains d’or libres est obtenu par :
1
, , ,
, , ,
Débit d'or libre entrant Débit d'or libre sortanten nombre de grains en nombre de grains
Débit de grains d'or libredissouts vers
la classe inférieure
L
L L L
k k
L Au k N in N out kAu k Au k L Au k
g g
dN n vD D N n
dt d d
1
1, 1
Débit de grains d'or libreprovenant de la dissolutiondans la classe supérieure
L
k k
kL Au k
g g
vN n
d d
(Équation 8.41)
où ,LAu kn , vk et kgd sont respectivement, pour les grains d’or libres appartenant à la classe
k, la proportion (en nombre) de grains d’or appartenant à cette classe dans le réacteur, la
vitesse de changement de dimension (vers une classe inférieure) d’un grain d’or et la
229
dimension de l’arête d’un cube d’or. La proportion de grains d’or appartenant à la classe k
est estimée en considérant un mélange parfait dans le réacteur :
,
,
, 1,
,
1
L
L k
L
N out
Au k
Au k nN out
Au k
k
Dn
D
(Équation 8.42)
La vitesse de changement de dimension d’un grain d’or libre est caractérisée par :
kg
k
d dv
dt (Équation 8.43)
On peut relier cette vitesse à la vitesse de dissolution de l’or libre ( Auv ) développée au
chapitre 6 et exprimée en moles par unité de surface et de temps (équation 6.17) à l’aide de
l’équation suivante :
3
2
1
2 26
k k
k
Au g gAu Au kAu
Au AuAu g
d d d vv d
dt M dt MM d
(Équation 8.44)
où MAu et Au sont respectivement la masse molaire et la densité de l’or.
En intégrant l’équation 8.44 à l’équation 8.41, on obtient une expression reliant la variation
du nombre de grains d’or dans chaque classe granulométrique à la vitesse de dissolution de
l’or libre :
1 1
, , 1 ,, ,
, ,
2L L L
L L
k k k k
L Au k Au k Au kN in N out L Au AuAu k Au k
Au g g g g
dN n n nN M vD D
dt d d d d
(Équation 8.45)
230
Sur une base massique, on obtient donc :
, , 1
1 1
2 2
, 1 ,,2L k L k L k L kL
k k k k
Au Au Au k g Au k gAu k
in out L Au Au
g g g g
n d n ddmD D N M v
dt d d d d
(Équation 8.46)
où ,L kAum est la masse d’or de dimension k à l’intérieur du réacteur. Afin de garder la même
nomenclature et le même niveau de détail que pour les autres bilans de matières présentés
dans cette section, on développe ce terme :
, , ,L k L
o oAu sol out out k Au
dm dm x x
dt dt (Équation 8.47)
où msol est la masse de solide dans le réacteur. , , L
o
out k Aux est la concentration d’or libre dans
la classe granulométrique k et o
outx est la proportion de particules de minerai associée à la
classe granulométrique d’or libre k.
Le terme représentant le débit d’or de dimension k alimenté au réacteur ( ,L kAu
inD ) est
développé de manière similaire à l’aide de l’équation suivante :
, %
, ,L k
L
Au o o
in in in in in k AuD D S x x (Équation 8.48)
Le terme représentant le débit d’or de dimension k sortant du réacteur ( ,L kAu
outD ) se développe
de la manière suivante :
, %
, ,L k
L
Au o o
out out out out out k AuD D S x x (Équation 8.49)
Bilan d’or accessible en surface
Comme dans le cas de l’or libre, l’accumulation d’or accessible en surface est estimée en
soustrayant la masse d’or dissoute et quittant le réacteur à la masse d’or qui y est alimentée.
Ainsi, en considérant que le modèle cinétique de dissolution de l’or accessible en surface
231
testé sur des essais discontinus est applicable en continu, on obtient pour un réacteur
parfaitement mélangé, le bilan massique suivant :
,
, , , i% %
, , , , , Au
k
pour i=1 à n -
pour k=1 à n
Sk
Sk Sk Si k
o o
sol out i out i Au o o o o
in in in i in i Au out out out i out iAu
dm x xD S x x D S x x
dt
(Équation 8.50)
où , , Sk
o
out i Aux est la concentration d’or de dimension k qui est accessible à la surface de
particules de minerai appartenant à la classe granulométrique i. ,
AuSi k
représente la
cinétique de dissolution (masse dissoute par unité de temps) de l’or de dimension k
accessible en surface d’une particule de minerai appartenant à la classe granulométrique i.
Cette cinétique est caractérisée par l’équation 6.26.
Bilan d’or accessible par les pores du minerai
Le bilan massique d’or accessible par les pores du minerai est semblable aux bilans d’or
accessible en surface de la particule de minerai. En effet, puisque l’or est dissout lors de son
passage dans le réacteur, il faut considérer cette réaction dans le bilan massique. Pour un
mélangeur parfait, on a donc :
,
i, , , % %
, , , , , Au k
pour i=1 à n
- pour k=1 à n
pour =1, 2 ou 3
P k
P k P k P i k
o o
sol out i out i Au o o o o
in in in i in i Au out out out i out iAu
dm x xD S x x D S x x
dt
(Équation 8.51)
où , , P k
o
out i Aux
est la concentration d’or de dimension k qui est accessible par les pores des
particules de minerai appartenant à la classe granulométrique i. α caractérise la classe de
distance à franchir par les pores de minerai. ,
AuP i k est la cinétique de dissolution (masse
dissoute par unité de temps) de l’or de dimension k accessible par les pores d’une particule
de minerai appartenant à la classe granulométrique i. Cette cinétique est caractérisée par
l’équation 6.38.
232
Bilan d’or présent dans la phase liquide
L’accumulation d’or dans la phase liquide résulte de la quantité d’or en phase aqueuse
alimentée au réacteur et à la quantité d’or dissout dans la cuve. À ces termes, il faut
soustraire la quantité d’or aqueux quittant l’unité. On obtient ainsi pour une cuve
parfaitement mélangée :
i
, ,
n 3% %
Au Au Au
i=1 1 1
(1 ) (1 ) + k
L S Pi i k i k
outn
in outliq Lin in out outL L
k
dm AuD S Au D S Au
dt
(Équation 8.52)
où AuLi
est la masse d’or libre dissoute dans la ième classe de minerai. Cette valeur est
estimable une fois que l’éqution 8.46 est résolue. L
Au est la concentration d’or en phase
aqueuse. mliq est la masse de liquide dans le réacteur. Cette masse est estimable par :
%(1 )liq c p outm V S (Équation 8.53)
Bilan de cyanure libre
Le cyanure libre contenu dans une cuve de lixiviation est consommé par plusieurs métaux
et minéraux. Une tentative de modélisation empirique de la cinétique de consommation de
ce réactif est présentée à la section 6.2 et appliquée à des essais discontinus à la section 6.3.
En supposant que ce modèle est applicable à une opération continue, on peut déduire le
bilan de cyanure dans la cuve par l’équation 8.54. Il est à noter que les ajouts de cyanure
dans les cuves sont effectués à l’aide d’un point d’addition situé imédiatement en amont de
la cuve. Ces ajouts étant ajouté au vecteur d’entrée, ils ne sont donc pas considérés dans
l’équation suivante :
% %
,
1
(1 ) (1 ) i
i
outn
in outliq o
in in out out sol out i CN
i
dm CND S CN D S CN m x
dt
(Équation 8.54)
233
où CN est la concentration de cyanure libre en phase aqueuse. msol est la masse de solide
dans le réacteur. iCN est la cinétique de consommation du cyanure libre associée à la
classe granulométrique i. Cette cinétique est exprimée en masse par unité de temps et est
estimable à l’aide de l’équation 6.39.
Variables d’entrée et étapes de résolution
Les variables d’entrée nécessaires à la simulation continue des cuves de lixiviation sont le
volume utile du réacteur (Vc) ainsi que la concentration en oxygène dissout ([O2]) de la
phase aqueuse et les concentrations de cuivre ([Cu]S) et de sulfure ([S]S) du minerai. De
plus, pour simuler le comportement d’une cuve de lixiviation, il est nécessaire de spécifier
les paramètres des modèles cinétiques de dissolution de l’or (p, 0, , D et CN ) ainsi que
les 14 paramètres du modèle de consommation du cyanure libre.
La Figure 8.4 schématise l’algorithme permettant de résoudre le système d’équations
caractérisant une cuve de lixiviation opérant en régime permanent. Afin de résoudre
l’ensemble des équations caractérisant le fonctionnement d’une cuve de lixiviation en
régime statique, il faut premièrement annuler les termes d’accumulation dans les équations
de bilan 8.35 à 8.38, 8.46, 8.50 à 8.52 et 8.54. Par la suite, à l’aide des équations 8.35 à
8.38, on estime le débit de pulpe, la concentration de solide, la granulométrie et la
concentration d’or non-lixiviable dans chacune des classes granulométriques à la sortie de
la cuve. La résolution des équations de bilan d’or libre, d’or accessible en surface et d’or
accessible par les pores du minerai nécessite de connaître la concentration de cyanure libre
dans la cuve. Cependant, le bilan de cyanure (équation 8.54) dépend aussi de la
concentration globale d’or dans le minerai. En effet, bien que la dissolution de l’or ait un
effet direct négligeable sur la consommation de cyanure, on rappelle que la cinétique de
consommation de l’or proposée au chapitre 6 fait intervenir la concentration en or du
minerai. Cette concentration est en fait utilisée pour caractériser indirectement
l’avancement de la réaction et l’effet de la disparition des surfaces accessibles des autres
métaux (tel que le cuivre) sur la consommation du cyanure. En bref, puisque les équations
de bilans de cyanure sont fonction de la concentration en or du minerai, la résolution des
234
quatre équations de bilan est effectuée de manière itérative. Pour ce faire, on pose
premièrement une concentration en or dans le minerai ([Au]S) à la sortie de la cuve. On
calcule, à l’aide de cette valeur, la concentration de cyanure libre dans la cuve. Cette valeur
permet d’estimer les concentrations d’or libre, accessible en surface ainsi que par les pores
du minerai. Finalement, on recalcule la concentration d’or du minerai ([Au]S’) à l’aide des
concentrations trouvées. Si cette concentration est égale à la concentration posée, les
équations de bilans sont résolues. Sinon, on itère sur la concentration posée jusqu’à
convergence. Une fois les bilans d’or en phase solide résolus, il est possible d’estimer la
concentration d’or dans la phase liquide à l’aide de l’équation 8.52.
Figure 8.4 : Algorithme de résolution des équations de bilan pour une cuve de lixiviation opérant en régime statique
235
8.3 Fenêtres de saisie de l’information et interactions entre-elles
Cette sous-section présente l’architecture des fonctions permettant la simulation de
rhéogrammes d’usine d’extraction de l’or. La structure du simulateur développé permet une
flexibilité au niveau de la conception des rhéogrammes. La Figure 8.5 présente les
différentes fonctions du simulateur qui permettent de saisir les variables d’entrée
nécessaires à la simulation ainsi que le rhéogramme que l’on désire simuler. Une courte
description de chacune de ces fonctions suit la figure.
Figure 8.5 : Architecture des fonctions permettant la simulation d’un rhéogramme d’usine d’extraction de l’or
236
Fonction « Simulateur »
Cette fonction permet :
o L’initialisation des valeurs associées à la densité de la gangue (3 g/cm3), de l’or
(19,3 g/cm3) et de l’eau (1 g/cm3).
o L’initialisation des classes granulométriques du minerai et de l’or (20 classes pour
le minerai et 10 classes pour l’or).
o L’affichage d’une fenêtre contenant un message de bienvenue et sur laquelle se
trouve un bouton intitulé « Démarrer ». Le fait de cliquer sur ce bouton entraîne :
L’appel de la fonction « Liste outils »
L’appel de la fonction « Instructions 1 »
L’appel de la fonction « Nouveau rhéogramme »
Fonction « Instructions 1 »
Cette fonction permet l’affichage d’une fenêtre dictant les instructions nécessaires à la
construction d’un rhéogramme à l’aide de la liste d’outils dans l’espace Simulink approprié.
La fenêtre contient également un bouton qui permet d’accéder à la fonction « Choix
données ».
Fonction « Liste outils »
Cette fonction permet l’affichage d’une fenêtre contenant une liste de modules permettant
la simulation des procédés unitaires dont les équations de fonctionnement sont présentées à
la section précédente. Ces modules permettent de construire un rhéogramme dans la fenêtre
Simulink ouverte par la fonction « Nouveau rhéogramme ». En plus des modules de
simulation, cette fenêtre donne accès à des points de coupures. Ces derniers permettent
d’intercepter l’information contenue dans un flux du rhéogramme afin de le désigner
comme vecteur de sortie de la simulation. Il est donc ainsi possible de désigner une variable
de sortie de la simulation qui diffère de la sortie physique du procédé.
Fonction « Nouveau rhéogramme »
L’appel de cette fonction provoque l’ouverture d’une fenêtre vierge de simulation
Simulink. La fenêtre permet à l’usager de construire le rhéogramme qu’il désire simuler à
l’aide des outils contenus dans la liste d’outils.
237
Fonction « Choix données »
Cette fonction entraîne l’affichage d’une fenêtre permettant à l’usager de choisir s’il veut
entrer de l’information caractérisant un flux d’entrée du rhéogramme ou s’il préfère entrer
les variables nécessaires à la simulation d’un module de procédé unitaire. Pour ce faire, il
suffit de choisir l’une des options suivantes et de cliquer sur le bouton « OK » présent dans
la fenêtre :
o Courant :
Entraîne l’appel de la fonction « Informations flux »
o Cyclone :
Entraîne l’appel de la fonction « Type cyclone »
o Diviseur :
Entraîne l’appel de la fonction « Informations diviseur »
o Cuve :
Entraîne l’appel de la fonction « Type modele cuve »
o Broyeur :
Entraîne l’appel de la fonction « Informations broyeur »
o Épaississeur :
Entraîne l’appel de la fonction « Informations epaississeur »
Fonction « Informations flux »
Cette fonction permet l’affichage d’une fenêtre de saisie des variables d’entrée nécessaires
à la caractérisation d’un flux d’alimentation. L’usager doit premièrement entrer 2 des 4
valeurs suivantes :
o Débit de pulpe
o Débit de minerai
o Débit de liquide
o % Solide
Par la suite, l’usager entre la proportion massique de minerai appartenant à chacune des 20
classes granulométriques. Deux boutons sont également inclus dans cette fenêtre. Le
premier permet à l’usager d’entrer les informations sur les analyses chimiques du flux en
238
appelant la fonction «Analyses chimiques flux ». L’autre permet de quitter la fenêtre de
saisie de l’information et de :
o Caractériser l’ensemble des informations du flux et les placer dans le vecteur
d’informations associé à ce flux. Pour ce faire, on applique la procédure décrite à
la section 8.1.1.
o Appeler la fonction « Menu 1 »
o Envoyer un message d’erreur si la somme des éléments appartenant aux
différentes classes granulométriques n’est pas égale à 100%
o Envoyer un message d’erreur s’il manque de l’information pour caractériser le
flux
o Envoyer un message d’erreur si les données caractérisant la distribution de la
taille des grains d’or ne permettent pas de reproduire les granulochimies d’or
entrées par l’usager.
Fonction « Analyses chimiques flux »
Cette fenêtre permet à l’usager d’entrer les informations relatives aux analyses chimiques
ainsi que la distribution de la taille des grains d’or caractérisant le flux. De manière plus
précise, l’usager entre :
o La concentration d’or dans chacune des classes granulométriques
o Les concentrations en phases aqueuses suivantes :
Concentration d’or
Concentration d’oxygène dissout
Concentration de cyanure libre
o Les deux variables permettant de caractériser la distribution de la taille des grains
d’or selon une forme gamma :
Le diamètre moyen des grains d’or
L’écart-type de la distribution
Une fois les informations entrées, un bouton permet d’enregistrer les données et de quitter
la fenêtre.
239
Fonction « Informations diviseur »
Cette fonction permet la saisie du ratio de partage de la matière (RD) permettant la
simulation du comportement macroscopique d’un diviseur à l’aide d’une fenêtre
d’interactions. Une fois la donnée entrée, l’utilisateur appuie sur le bouton « OK » qui
permet l’enregistrement de l’information et l’appel de la fonction « Menu 3 »
Fonction « Informations broyeur »
L’appel de cette fonction engendre l’apparition d’une fenêtre permettant la saisie des
variables d’entrée nécessaires à la simulation macroscopique d’un broyeur à boulets.
L’usager y entre les informations suivantes :
o Volume utile du broyeur
o Paramètres des fonctions de broyage de la gangue libre et des particules mixtes
o Paramètres des fonctions de sélection de la gangue libre et des particules mixtes
Une fois les informations saisies, l’usager appui sur le bouton « OK » qui permet
l’enregistrement des variables d’entrée et effectue l’appel de la fonction « Menu 5 ».
Fonction « Informations épaississeur »
Cette fonction permet la saisie d’une variable permettant d’effectuer les bilans massiques
autour d’un épaississeur. Une fenêtre permet à l’usager de spécifier l’une des variables
suivantes :
o La concentration de solide à la sortie de l’épaississeur
o La proportion d’eau extraite par l’épaississeur
Une fois les informations saisies, l’usager appuis sur le bouton « OK » qui permet
l’enregistrement des variables d’entrée et effectue l’appel de la fonction « Menu 6 ».
Fonction « Type cyclone »
Cette fonction engendre l’affichage d’une fenêtre permettant à l’usager de spécifier si
l’hydrocyclone sera utilisé en boucle ouverte ou en boucle fermée. La sélection de la boucle
240
ouverte entraîne l’appel de la fonction « Informations cyclone ouvert » tandis que l’autre
choix entraîne l’appel de la fonction « Informations cyclone fermé »
Fonction « Informations cyclone ouvert »
Cette fonction permet la saisie des 3 paramètres permettant la simulation en boucle ouverte
de la classification des particules selon leur densité. L’usager peut également choisir
d’entrer les paramètres physiques de l’hydrocyclone permettant d’estimer les 3 paramètres
recherchés à l’aide du modèle de Plitt. Lorsque les valeurs sont saisies, l’usager appuie sur
le bouton « OK » qui permet la sauvegarde des paramètres spécifiés et appelle la fonction
« Menu 2 »
Fonction « Informations cyclone fermé »
L’appel de cette fonction permet l’affichage d’une fenêtre de saisie de l’information.
L’usager y entre les 3 paramètres permettant la simulation de la classification des particules
selon leur densité ainsi qu’une estimation du % solide et du débit de pulpe à l’entrée de
l’hydrocyclone lors de son opération en boucle fermée. S’il le préfère, l’usager peut
spécifier les paramètres physiques de l’hydrocyclone permettant d’estimer l’acuité de
séparation, le soutirage et le diamètre d’équicoupure corrigé de la gangue libre à l’aide du
modèle de Plitt. Lorsque les valeurs sont saisies, l’usager appuie sur le bouton « OK » qui
permet la sauvegarde des paramètres et appelle la fonction « Menu 2 ».
Fonction « Type modèle cuve »
Cette fonction permet de choisir si l’on veut estimer le comportement d’une cuve de
lixiviation à l’aide d’un modèle empirique ou d’un modèle diffusionnel. Si l’usager choisit
d’utiliser un modèle empirique, la fonction « Informations modèle empirique » est appelée.
Dans l’autre cas, la fonction « Informations modèle diffusionnel » est appelée.
Fonction « Informations modèle empirique »
Cette fonction permet l’affichage d’une fenêtre de saisie des variables d’entrée nécessaires
à la simulation d’une cuve de cyanuration à l’aide du modèle empirique proposé par de
Andrade Lima et Hodouin [8.2]. L’usager doit ainsi spécifier le volume utile de la cuve, la
concentration d’oxygène dissout dans celle-ci, les 9 paramètres associés au modèle de
241
dissolution de l’or ainsi que les 4 paramètres permettant d’utiliser le modèle de
consommation du cyanure proposé par les auteurs. Une fois les variables d’entrée
spécifiées, l’usager appuie sur le bouton « OK » pour enregistrer les valeurs et permettre
l’affichage de la fonction « Menu 4 ».
Fonction « Informations modèle diffusionnel »
L’appel de cette fonction permet la saisie des variables d’entrée nécessaires à la simulation
d’une cuve de cyanuration à l’aide du modèle diffusionnel proposé au chapitre 6. L’usager
doit spécifier le volume utile de la cuve, les 5 paramètres associés au modèle de dissolution
de l’or ainsi que les 14 paramètres permettant d’utiliser le modèle de consommation du
cyanure. Finalement, il est également nécessaire de spécifier la concentration d’oxygène
dissout dans la cuve ainsi que les concentrations en cuivre et en soufre du minerai. Une fois
les variables d’entrée spécifiées, l’usager appuie sur le bouton « OK » pour enregistrer les
valeurs et permettre l’affichage de la fonction « Menu 4 ».
Fonction « Menu 1 »
Cette fonction permet à l’utilisateur de choisir entre les options suivantes :
o Spécifier des variables permettant de caractériser un flux d’entrée du rhéogramme.
Dans ce cas, la fonction « Informations flux » est appelée.
o Spécifier des variables d’entrée d’un module d’opération unitaire. Dans ce cas, la
fonction « Choix données » est appelée
o Lancer la simulation du rhéogramme. À ce moment, la fonction « Informations
simulation » est appelée.
Fonction « Menu 2 »
Cette fonction permet à l’utilisateur de choisir entre les options suivantes :
o Spécifier des variables permettant de caractériser un autre nid d’hydrocyclones.
Dans ce cas, la fonction « Type cyclone » est appelée.
o Spécifier des variables d’entrée d’un autre module d’opération unitaire ou d’un
flux d’entrée. Dans ce cas, la fonction « Choix données » est appelée.
o Lancer la simulation du rhéogramme. À ce moment, la fonction « Informations
simulation » est appelée.
242
Fonction « Menu 3 »
Cette fonction permet à l’utilisateur de choisir entre les options suivantes :
o Spécifier des variables permettant de caractériser un autre diviseur. Dans ce cas, la
fonction « Informations diviseur » est appelée.
o Spécifier des variables d’entrée d’un autre module d’opération unitaire ou d’un
flux d’entrée. Dans ce cas, la fonction « Choix données » est appelée.
o Lancer la simulation du rhéogramme. À ce moment, la fonction « Informations
simulation » est appelée.
Fonction « Menu 4 »
Cette fonction permet à l’utilisateur de choisir entre les options suivantes :
o Spécifier des variables permettant de caractériser une autre cuve de cyanuration.
Dans ce cas, la fonction « Type modèle cuve » est appelée.
o Spécifier des variables d’entrée d’un autre module d’opération unitaire ou d’un
flux d’entrée. Dans ce cas, la fonction « Choix données » est appelée.
o Lancer la simulation du rhéogramme. À ce moment, la fonction « Informations
simulation » est appelée.
Fonction « Menu 5 »
Cette fonction permet à l’utilisateur de choisir entre les options suivantes :
o Spécifier des variables permettant de caractériser un autre broyeur. Dans ce cas, la
fonction « Informations broyeur » est appelée.
o Spécifier des variables d’entrée d’un autre module d’opération unitaire ou d’un
flux d’entrée. Dans ce cas, la fonction « Choix données » est appelée.
o Lancer la simulation du rhéogramme. À ce moment, la fonction « Informations
simulation » est appelée.
243
Fonction « Menu 6 »
Cette fonction permet à l’utilisateur de choisir entre les options suivantes :
o Spécifier des variables permettant de caractériser un autre épaississeur. Dans ce
cas, la fonction « Informations épaississeur » est appelée.
o Spécifier des variables d’entrée d’un autre module d’opération unitaire ou d’un
flux d’entrée. Dans ce cas, la fonction « Choix données » est appelée.
o Lancer la simulation du rhéogramme. À ce moment, la fonction « Informations
simulation » est appelée.
Fonction « Informations simulation »
Cette fonction engendre l’apparition d’une fenêtre demandant à l’usager d’entrer le nombre
de flux de sortie du rhéogramme à simuler. La fermeture de la fenêtre provoque l’appel de
la fonction « Résultats sorties ».
Fonction « Résultats sorties »
Cette fonction engendre l’affichage des résultats contenus dans les vecteurs de sortie du
rhéogramme simulé. Les données contenues dans chacun des vecteurs de sorties sont
extraites afin d’afficher les résultats suivants :
o Débit de pulpe
o Débit de minerai
o Débit de liquide
o Granulométrie du minerai
o Concentration en or dans chacune des classes granulométriques
o Concentration en cyanure libre de la phase aqueuse
o Concentration en or de la phase aqueuse
o Concentration en oxygène dissout
244
Chapitre 9 : Impact de différents rhéogrammes sur la
cyanuration de l’or
Dans ce chapitre, le simulateur statique développé au chapitre précédent est utilisé pour
étudier l’impact de l’agencement des circuits de cyanuration sur la dissolution de l’or. Afin
de pouvoir bien comparer les résultats obtenus lors de la simulation de différents
rhéogrammes, un ensemble de variables est considéré constant. Par exemple, la même
alimentation est utilisée pour simuler chacun des scénarios étudiés. Ainsi, seul le circuit de
cyanuration est ici simulé. Ceci permet de découpler la cyanuration du reste de l’usine et de
caractériser plus aisément l’impact de son optimisation sur la récupération de l’or. En
appliquant la même logique, les paramètres des modèles de dissolution et de consommation
du cyanure sont également constants d’une simulation à l’autre. L’ensemble des paramètres
communs aux différentes études est présenté dès la première section du chapitre. Par la
suite, un cas de base représentant un rhéogramme de cyanuration typique (cuves de
cyanuration en série) est présenté. Dans cette seconde section, les résultats de la simulation
sont comparés aux valeurs échantillonnées au concentrateur de Géant Dormant. Ceci
permet de valider que le cas de base utilisé soit représentatif d’un circuit industriel. Les
sections suivantes sont consacrées à l’optimisation de différents rhéogrammes. La troisième
section étudie l’impact de la stratégie de partage du cyanure sur la dissolution de l’or. La
quatrième section permet de quantifier l’effet qu’aurait une recirculation du cyanure
excédentaire vers le circuit de cyanuration au lieu d’être détruit. La cinquième section
présente l’optimisation d’un circuit de cyanuration où les cuves sont disposées de manière à
dissoudre l’or des fines et des grossières dans deux branches parallèles. La section suivante
est consacrée à l’étude d’un circuit où la cyanuration est effectuée dans des cuves opérant
toutes parallèlement. Finalement, une étude de l’impact de la distribution de la taille des
grains d’or sur l’optimisation des rhéogrammes est présentée.
245
9.1 Caractéristiques communes à l’ensemble des simulations
Afin de quantifier l’impact de certaines variables sur les rhéogrammes de circuits de
cyanuration de l’or, il est préférable de fixer les autres variables du problème. Ainsi,
l’impact observé est réellement attribuable aux variables manipulées. Dans ce chapitre,
l’ensemble des simulations est effectué à l’aide d’une alimentation identique. Cette
décision permet d’avoir une base de comparaison commune entre les différentes
simulations. L’alimentation choisie est fortement inspirée de l’alimentation du circuit de
cyanuration de la mine de Géant Dormant (chapitre 3). Le Tableau 9.1 présente la
granulométrie et la granulochimie de cette alimentation. Elles sont toutes les deux utilisées
pour caractériser l’alimentation des différentes simulations effectuées dans le chapitre.
Tableau 9.1 : Granulométrie et granulochimie d’alimentation des simulations
En plus de fixer la granulométrie et la granulochimie de l’alimentation, on considère que
l’alimentation de chacune des simulations possède les caractéristiques suivantes :
un débit de minerai de 50 tonnes/h
une pulpe à 50% solide.
une concentration en sulfure du minerai de 3%
une concentration en cuivre du minerai 0,158%
une concentration nulle en cyanure libre
Les paramètres du modèle diffusionnel de dissolution de l’or et du modèle de
consommation du cyanure sont également fixés pour chacune des simulations. Ces
246
paramètres sont ceux obtenus lors de la calibration des essais à une vitesse d’agitation de
1200 RPM lors d’essais discontinus (chapitre 6). On rappelle que cette vitesse représente la
vitesse minimale de rotation pour garder toutes les particules en suspension dans la cuve.
Notons également que chaque simulation (à l’exception de celle de la section 9.7) est
effectuée en supposant que la distribution de la taille des grains d’or est caractérisée par :
une distribution gamma
une moyenne (g) de 5,5 m
un écart-type (g) de 2,5 m.
Finalement, il est à noter que chacune des simulations est basée sur une consommation
globale constante de cyanure constante à 175 grammes/tonne. On cherche donc à identifier
le rhéogramme le plus performant pour une consommation de cyanure donnée.
9.2 Cas de base
Afin de comparer les résultats obtenus lors de la simulation de différents circuits de
cyanuration, un cas de base est défini. Ce cas, dont les caractéristiques sont semblables à
celles observées industriellement, servira de point de référence lors de l’évaluation de la
performance des différents rhéogrammes proposés. Ce cas de base est présenté à la Figure
9.1. On y voit cinq cuves disposées en série et un ajout de cyanure situé à la première cuve.
Figure 9.1 : Cas de base permettant la comparaison de l’efficacité de différents
rhéogrammes de cyanuration
247
Le rhéogramme présentée à la Figure 9.1 est simulé pour les conditions opératoires
énoncées à la section précédente (granulométrie, granulochimie, % solide, débit de minerai,
concentration en cuivre et en soufre du minerai et consommation globale de cyanure). De
plus, les cinq cuves ont le même volume (500 m3).
Le problème défini précédemment possède une solution unique. C'est-à-dire qu’il est
caractérisé par un nombre de variables à estimer qui est égal au nombre d’équations
caractérisant le système. Par contre, étant donné la nature des modèles utilisés, un
algorithme de programmation non linéaire est choisi pour résoudre le problème. La Figure
9.2 présente cet algorithme. Dans un premier temps, on pose une valeur pour le débit de
cyanure ajouté à la première cuve. À l’aide de cette valeur, on simule séquentiellement le
comportement statique des cinq cuves en série. Ceci est effectué à l’aide des équations
présentées au chapitre 8 (dissolution des différents types d’or et consommation du
cyanure). Par la suite, on estime la consommation globale du cyanure dans le circuit simulé.
Si cette consommation est égale à la valeur cible de 175 grammes/tonnes de minerai, alors
le problème est résolu. Dans le cas contraire, on itère sur le débit de cyanure ajouté à la
première cuve.
Figure 9.2 : Algorithme permettant d’identifier le débit de cyanure à alimenter à la première
cuve pour obtenir la consommation globale visée
248
Les deux prochaines sous-sections présentent les détails relatifs à la simulation du cas de
base (rhéogramme à la convergence de l’algorithme de la Figure 9.2). Dans un premier
temps, les résultats obtenus lors de la simulation du cas de base sont présentés. Par la suite,
ces résultats sont comparés aux observations industrielles effectuées au concentrateur de
Géant Dormant. Cette dernière étape permet de justifier le choix des caractéristiques du cas
de base ainsi que l’applicabilité des équations du chapitre 8. En bref, si les résultats de la
simulation sont comparables aux observations effectuées en usine, le cas de base est
considéré représentatif des conditions industrielles observées.
9.2.1 Résultats de la simulation
L’algorithme présenté à la Figure 9.2 converge à un débit d’ajout de cyanure de 24,2 kg/h
(≈ 484 g/t). Cette addition de cyanure à la première cuve permet de dissoudre 93,37% de
l’or présent dans le minerai. Le Tableau 9.2 présente les résultats de la simulation du cas de
base. Pour chacune des cuves, on présente la concentration en cyanure libre de la phase
aqueuse, la concentration en or du minerai ([Au]S) ainsi que la concentration en or dans
chacune des classes granulométriques. Les résultats présentés indiquent que la majorité de
l’or est dissout dans la première cuve (76,34%).
Tableau 9.2 : Résultats de la simulation du cas de base
La Figure 9.3 montre l’évolution de la concentration en or du minerai global ainsi que
l’évolution de la concentration en or dans chacune des classes granulométriques. On
remarque que la cinétique de départ (pente de la droite) est plus rapide dans le cas des
Cuve 1 Cuve 2 Cuve 3 Cuve 4 Cuve 5
[CN] (ppm) 415,2 384,8 357,0 331,4 307,9
[Au] >150 mm (ppm) 2,13 1,91 1,8 1,73 1,69
[Au] 106 à 150 mm (ppm) 2,00 1,7 1,55 1,47 1,41
[Au] 75 à 106 mm (ppm) 1,87 1,46 1,27 1,16 1,09
[Au] 53 à 75 mm (ppm) 1,73 1,19 0,94 0,81 0,72
[Au] 38 à 53 mm (ppm) 2,60 1,49 1,01 0,77 0,62
[Au] <38 mm (ppm) 1,51 0,69 0,37 0,22 0,15
[Au]s (ppm) 1,73 1,02 0,72 0,57 0,49
249
classes granulométriques fines. Ceci est causé par la présence d’une plus grande proportion
d’or libre et accessible en surface dans ces classes.
Figure 9.3 : Concentration en or dans les différentes classes granulométriques en fonction
du temps de cyanuration pour le scénario de base
9.2.2 Comparaison entre les résultats de la simulation et les mesures du
circuit de cyanuration de Géant Dormant
Cette sous-section a pour objectif d’assurer que le cas de base utilisé pour comparer
l’efficacité des rhéogrammes industriels est représentatif de ce qui est observé en usine.
Pour ce faire, les résultats de la simulation du cas de base sont comparés à des données
provenant de l’échantillonnage du circuit de cyanuration de Géant Dormant. Cette
comparaison est effectuée pour une alimentation identique du circuit :
Granulométrie,
Concentration en soufre du minerai,
Concentration en cuivre du minerai,
Concentration en or des différentes classes granulométriques,
Concentration en oxygène dissout de la phase aqueuse.
250
Il est à noter que la comparaison est faite en ne considérant que les quatre premières cuves
de la simulation. Lorsque l’on compare le temps de séjour du circuit de Géant Dormant
(29,7 heures) à celui de chacune des cuves de la simulation (7,5 heures), on constate que le
temps de cyanuration global de l’usine réelle est comparable à celui de quatre cuves du
circuit caractérisant le cas de base.
Le Tableau 9.3 résume les caractéristiques des deux circuits de cyanuration. La première
ligne du tableau est consacrée aux valeurs issues de l’échantillonnage de l’usine de Géant
Dormant. La deuxième ligne est associée à la simulation des quatre premières cuves du cas
de base. On remarque que le nombre total de cuves et le débit de minerai alimenté aux deux
circuits sont différents. Par contre, le temps de séjour global, la consommation en cyanure
et la dissolution de l’or semblent être comparables. Sur cette base, on peut penser que le cas
de base simulé est représentatif de ce qui est observé industriellement.
Tableau 9.3 : Comparaison des résultats de la simulation aux données échantillonnées pour
le circuit de cyanuration de Géant Dormant
9.3 Partage optimal du cyanure entre les cuves d’un circuit de
cyanuration en série
Cette section étudie l’effet du partage d’ajout de cyanure dans un circuit de cyanuration. On
tente de maximiser la dissolution de l’or tout en conservant la consommation de cyanure à
la valeur fixée pour le cas de base (175g/t de minerai). On considère quatre scénarios
différents : 2 à 5 points d’ajout de cyanure. Dans un premier temps, le problème
d’optimisation est posé. On présente les variables fixées pour l’étude et celles que l’on fait
varier afin de maximiser la dissolution de l’or. Par la suite, l’algorithme permettant
d’identifier l’optimum de chacun des scénarios est expliqué. Finalement, on présente
l’optimum des différents scénarios simulés et on discute des résultats obtenus.
Débit d'alim. Prop. sol. Temps séj. tot. [CN] Cuve 1 Consom. glob. CN [Au]S Cuve 5 Nombre
(t de min./h) (%) (heures) (ppm) (g/t de min) (ppm) cuves
Circuit de Géant Dormant 38 52,2 29,7 401,7 155,5 0,46 5
Simulation 4 premières cuves 50 50,0 30 415,2 152,6 0,57 4
251
9.3.1 Définition du problème d’optimisation
On veut optimiser le partage du cyanure entre les cuves d’un circuit de cyanuration. Le
circuit est composé de cinq cuves cyanuration opérant en série. L’étude d’optimisation vise
à maximiser la dissolution de l’or tout en conservant une consommation de cyanure de 175
grammes/tonne de minerai (valeur fixée pour le cas de base). De plus, afin de garder ce
scénario comparable au cas de base, on fixe également les paramètres suivants aux mêmes
conditions que le cas de base :
Granulométrie de l’alimentation,
Concentration en or dans les différentes classes granulométriques de l’alimentation,
Concentrations du minerai en :
o Soufre,
o Cuivre,
Concentration d’oxygène dissout,
Distribution de la taille des grains d’or présent dans le minerai,
Nombre de réacteurs,
Volume des réacteurs,
Débit d’alimentation,
Proportion de solide à l’alimentation,
Paramètres du modèle dissolution de l’or,
Paramètres du modèle de consommation du cyanure.
Les variables manipulables pour optimiser la distribution du cyanure sont :
Nombre de points d’ajout de cyanure : quatre scénarios possibles,
Choix du positionnement de l’ajout de cyanure,
Débit de cyanure frais alimenté à chaque cuve.
252
9.3.2 Algorithme utilisé pour optimiser les scénarios
Pour chacun des scénarios étudiés, les débits d’ajout de cyanure permettant de maximiser la
dissolution de l’or sont obtenus à l’aide d’un algorithme de programmation non linéaire. La
Figure 9.4 présente l’algorithme de programmation permettant de déterminer
l’emplacement et le débit des points d’ajout de cyanure qui optimisent la dissolution de l’or
lorsque deux ajouts de cyanure sont utilisés. Selon cet algorithme, on choisit premièrement
l’emplacement du second point d’ajout de cyanure (le premier ajout se positionnant
logiquement à la première cuve) ainsi que les débits de cyanure alimentés aux deux cuves.
On simule ensuite le circuit de cinq cuves en série. On itère sur le second débit afin
d’obtenir la consommation de cyanure visée. Les itérations sur le débit de cyanure de la
première cuve permettent d’identifier le point de dissolution maximal pour un
positionnement d’ajout de cyanure donné. Finalement, la troisième boucle d’itérations
permet d’identifier l’optimum global d’un scénario à deux ajouts.
Figure 9.4 : Algorithme déterminant le débit et l’emplacement de deux points d’ajout de cyanure pour optimiser la dissolution de l’or - consommation globale de cyanure fixée
253
La structure générale de l’algorithme utilisé pour optimiser le scénario à deux ajouts de
cyanure est réutilisée pour maximiser la dissolution de l’or dans les cas où l’on considère 3,
4 et 5 points d’ajout. L’ajout de points de distribution supplémentaires oblige à passer par
un nombre d’itérations plus grand. En effet, dans ces cas, la recherche ne s’effectue pas
seulement en itérant sur un débit d’alimentation de cyanure, mais respectivement sur 2, 3 et
4 débits pour les scénarios à 3, 4 et 5 points d’ajout. À titre d’exemple, la Figure 9.5
présente l’algorithme utilisé pour identifier les débits et emplacements maximisant le
scénario à 4 points d’ajout de cyanure. La convergence de l’algorithme est atteinte lorsque
la concentration en or résiduelle minimale est observée ([Au]S). Notons, que ce résultat est
spécifique au scénario à 4 ajouts de cyanure. Afin d’identifier le partage de cyanure
minimisant la concentration d’or résiduelle, il faut donc comparer les résultats obtenus pour
chacun des scénarios (1à 5 ajouts). Ceci est effectué à la section suivante.
Figure 9.5 : Algorithme identifiant le débit et l’emplacement des quatre points d’ajout de
cyanure qui maximisent la dissolution de l’or pour une consommation de réactifs fixée
254
9.3.3 Résultats et discussion
La maximisation de la dissolution de l’or pour un circuit de cyanuration de cinq cuves en
séries à l’aide des algorithmes présentés à la sous-section précédente convergent vers les
résultats présentés au Tableau 9.4. On y retrouve la concentration résiduelle d’or ([Au]S) et
le débit de cyanure ajouté à chacune des cuves (en kg/h) en fonction du nombre de points
d’ajout que l’on utilise.
Tableau 9.4 : Résultats de l’optimisation de la dissolution de l’or selon le nombre de points d’ajout de cyanure
Le modèle empirique de consommation du cyanure présenté au chapitre 6 est fortement
dépendant de la granulométrie du minerai et de l’avancement de la réaction de dissolution
des métaux et minéraux. Ces deux caractéristiques du modèle permettent de tenir compte de
l’effet de la disponibilité des cyanicides sur la cinétique de consommation du cyanure. En
d’autres mots, plus les cyanicides sont accessibles, plus la consommation du réactif est
rapide. Les résultats présentés au Tableau 9.4 vont dans le même sens que cette explication.
Pour chacun des scénarios étudiés (1 à 5 débits de cyanure), les ajouts de réactifs choisis
par l’algorithme d’optimisation sont situés dans les premières cuves du circuit. On
compense ainsi la disparition rapide du cyanure causée par l’abondance de surfaces
accessibles au début du processus de dissolution. Ce phénomène est moins important dans
les dernières cuves puisque les cyanicides sont majoritairement consommés dans les
premières cuves.
Au fur et à mesure que les réactions de dissolution progressent, l’or libéré et facilement
accessible se consomme et laisse place à celui plus difficilement accessible (par les pores
du minerai par exemple). En considérant que les phénomènes de transport gouvernent les
réactions de dissolution dans la cuve, on peut s’attendre à ce que le gradient de
concentration de réactifs nécessaire pour garder une dissolution rapide soit plus grand que
Cuve 1 Cuve 2 Cuve 3 Cuve 4 Cuve 5 [Au]S (ppm)
1 ajout (cas de base) 24,2 0,495
2 ajouts 14,2 12,7 0,463
3 ajouts 11,8 10,2 8,3 0,454
4 ajouts 11,3 9,8 7,9 2,7 0,447
5 ajouts 11,1 9,7 7,8 2,2 2,1 0,443
255
celui nécessaire à la dissolution de l’or libre (premières cuves). En observant les résultats
obtenus lors de l’optimisation des différents scénarios, on s’aperçoit que l’algorithme de
résolution tend naturellement vers ce constat. Le Tableau 9.5 présente la concentration en
cyanure libre dans chacune des cuves en fonction du scénario étudié. On remarque que
l’algorithme tend naturellement à augmenter la concentration de cyanure nécessaire à la
dissolution de l’or au fur et à mesure que la réaction avance. Les cases grises du Tableau
9.5 identifient les réacteurs où il n’y a pas d’ajout de cyanure.
Tableau 9.5 : Concentration de cyanure libre (ppm) dans les cuves en fonction du scénario
optimisé
Le Tableau 9.6 présente une estimation du profit réalisable en appliquant une stratégie
d’alimentation du cyanure différente de celle proposée traditionnellement. Pour chaque
scénario étudié, on présente les gains potentiels associés à la dissolution de l’or, les pertes
associées à la consommation du cyanure ainsi qu’une estimation du profit annuel. Il est à
noter que les valeurs du Tableau 9.6 représentent des écarts face au cas de base (voir
section 9.2) et que les calculs permettant d’effectuer ces estimations sont basés sur des
hypothèses :
Une récupération totale de l’or dissout,
Un prix de l’or à 1100$/once,
Le réactif utilisé est le cyanure de sodium (NaCN) au coût de 2,50 $/kg,
L’usine opère 24 heures par jour et 365 jours par année,
Les gains potentiels associés à une amélioration de la dissolution des autres métaux
sont négligés,
Les coûts d’opération (tel que la destruction des cyanures) ne sont pas influencés
par le partage du cyanure,
Les coûts d’investissement sont négligés.
256
Tableau 9.6 : Estimation du profit réalisable selon les différentes stratégies de partage
L’analyse économique préliminaire semble favoriser un ajout de cyanure à chacune des
cuves de cyanuration. Cette stratégie permettrait un profit supplémentaire d’environ
450 000 $/an. Il faut toutefois émettre une réserve sur ces résultats qui négligent
l’augmentation des coûts d’opération associée à cette stratégie de partage du cyanure.
L’optimum de chacun des scénarios étudiés provoque une augmentation du débit de
cyanure excédentaire à traiter. Afin de contrer cet effet néfaste, on peut envisager recycler
le surplus de cyanure à la sortie du circuit de cyanuration. Cette avenue est étudiée à la
section suivante.
9.4 Effet d’une recirculation du cyanure sur la dissolution de
l’or
L’étude effectuée à la section précédente permet de comparer l’effet d’une stratégie où les
points d’ajout de cyanure sont multiples à un cas de base où l’ajout de cyanure est effectué
à la première cuve de lixiviation. L’étude est basée sur une consommation globale de
cyanure fixée à 175g/tonne de minerai (identique à celle du cas de base). Cette contrainte
provoque des concentrations de cyanure résiduelles différentes (307,9 à 488 ppm) pour les
scénarios étudiés. Afin de contrer ceci, on propose d’étudier l’effet de la recirculation d’une
proportion du cyanure excédentaire vers les cuves de cyanuration. Cette recirculation de
matière implique une recirculation de tous les composants de la pulpe (éléments de la phase
liquide et de la phase solide) et influence donc aussi les temps de résidence dans le circuit.
En d’autres mots, cette section permet d’effectuer une analyse de la distribution optimale
du cyanure autour d’un circuit de lixiviation en série tout en conservant une consommation
Or ($/an) CN ($/an) Profits ($/an)
5 ajouts de CN pour 5 cuves en série 805 582 $ -359 076 $ 446 506 $
Séparation entre classe 1 et 2 -198 297 $ -94 928 $ -293 225 $
Séparation entre classe 2 et 3 176 608 $ -41 273 $ 135 335 $
Séparation entre classe 3 et 4 869 099 $ -41 273 $ 827 826 $
Séparation entre classe 4 et 5 1 129 364 $ -140 328 $ 989 036 $
Séparation entre classe 5 et 6 1 299 776 $ -243 511 $ 1 056 264 $
257
de cyanure et une concentration de cyanure résiduelle identique à celles du cas de base.
Premièrement, les contraintes du problème d’optimisation permettant d’effectuer cette
étude sont présentées. Par la suite, on propose un algorithme permettant d’identifier le
procédé qui maximise la dissolution de l’or. Finalement, les résultats obtenus sont présentés
et discutés.
9.4.1 Contraintes du problème et variables manipulables
On veut optimiser le partage du cyanure entre les réacteurs d’un circuit de cinq cuves
opérant en série. La maximisation de la dissolution de l’or tout en conservant une
consommation de cyanure de 175 g/t de minerai et un débit de cyanure excédentaire de 15,4
kg/heure (identique au cas de base à 307,9 ppm) est visée. Pour ce faire, on simule la
présence d’une boucle de recirculation qui permet de recycler une partie du cyanure
excédentaire. Cette recirculation est directement alimentée à une seule cuve de lixiviation.
L’emplacement de cette dernière sera identifié par l’algorithme d’optimisation. Afin de
garder ce scénario comparable au cas de base, on fixe également une série de paramètres :
Granulométrie de l’alimentation,
Concentration en or des différentes classes granulométriques de l’alimentation,
Concentrations du minerai en :
o Soufre,
o Cuivre,
Concentration d’oxygène dissout,
Distribution de la taille des grains d’or présent dans le minerai,
Nombre de réacteurs,
Volume des réacteurs,
Débit d’alimentation,
Proportion de solide à l’alimentation,
Paramètres du modèle dissolution de l’or,
Paramètres du modèle de consommation du cyanure,
258
Les variables manipulables pour optimiser la distribution du cyanure sont :
Nombre de points d’ajout de cyanure,
Choix du positionnement des ajouts de cyanure,
Débit de cyanure ajouté à chaque point,
Position du retour de la recirculation de cyanure.
9.4.2 Algorithme
La Figure 9.6 présente un schéma qui résume les différentes possibilités dictées par la
définition du problème d’optimisation présentée à la sous-section précédente. Sur cette
figure les flux représentés par une ligne pleine sont obligatoires et les flux représentés par
des tirets sont des entrées manipulables du problème d’optimisation.
Figure 9.6 : Schématisation des rhéogrammes inclus dans la zone de faisabilité de l’étude
incluant une recirculation du cyanure excédentaire
Pour chacun des scénarios étudiés, les débits d’ajout de cyanure, l’emplacement du retour
de la recirculation et les emplacements des points d’ajout de cyanure permettant de
maximiser la dissolution de l’or sont identifiés. Pour ce faire, un algorithme de
programmation non linéaire est utilisé. La Figure 9.7 présente l’algorithme utilisé pour
optimiser le scénario à deux points d’ajout de cyanure et une boucle de recirculation. Selon
cet algorithme, on détermine premièrement les emplacements des points d’ajout de cyanure
et de la boucle de recirculation. Par la suite, le premier débit de cyanure alimenté à une
259
cuve est posé. Puisque l’ajout total de cyanure au circuit est fixé, on peut ensuite déduire le
débit de cyanure ajouté à l’autre cuve. Ces deux valeurs de débits permettent de simuler le
circuit de cyanuration et de déterminer itérativement le débit de cyanure à recycler dans les
conditions posées. Par la suite, on itère le premier débit de cyanure alimenté. Ceci permet
d’identifier le point de dissolution maximum associé à un certain positionnement des points
d’ajout de cyanure et du flux de recirculation. Finalement, la troisième boucle d’itérations
permet d’identifier l’optimum global d’un scénario à deux ajouts de cyanure et une
recirculation de cyanure.
Figure 9.7 : Algorithme utilisé pour identifier les conditions opératoires maximisant la
dissolution de l’or pour un circuit à 2 ajouts de cyanure et une boucle de recirculation
La structure générale de l’algorithme utilisé pour optimiser le scénario à deux ajouts de
cyanure est réutilisée pour identifier les conditions maximisant la dissolution de l’or pour
les scénarios à 3, 4 et 5 points d’ajout. Lorsque l’on utilise plus de deux points d’ajout, il
260
est nécessaire d’itérer sur plusieurs débits d’alimentation de cyanure afin d’identifier le
point de dissolution maximum. À titre d’exemple, la Figure 9.8 présente l’algorithme utilisé
pour identifier les débits et emplacements maximisant le scénario à trois points d’ajout et
une boucle de recirculation.
Figure 9.8 : Algorithme utilisé pour identifier les conditions opératoires maximisant la dissolution de l’or pour un circuit à 4 ajouts de cyanure et une boucle de recirculation
9.4.3 Résultats et discussion
À l’aide de l’algorithme présenté à la sous-section précédente, quatre scénarios sont étudiés
de manière à maximiser la dissolution de l’or. La différence entre ces scénarios réside dans
le nombre de points d’ajouts de cyanure utilisés autour du circuit (2 à 5). Pour chacun de
261
ces rhéogrammes, cinq cuves de lixiviation sont placées en série. Pour chaque étude, l’ajout
de cyanure frais ainsi que sa consommation globale sont identiques à ce qui est simulé pour
le cas de base (voir section 9.2). Afin d’être en mesure d’atteindre ces deux critères, une
boucle de recirculation est utilisée pour recycler le cyanure excédentaire du circuit. Le point
d’arrivée de cette boucle ainsi que l’emplacement et le débit des points d’ajout de cyanure
sont manipulés lors des simulations. Le Tableau 9.7 compare les résultats du cas de base et
ceux obtenus en maximisant la récupération de l’or pour chacun des scénarios.
Tableau 9.7 : Résultats de l’optimisation des différents scénarios à débits de consommation
et de rejet de cyanure identiques au cas de base
En observant les résultats présentés dans le Tableau 9.7, on remarque plusieurs similitudes
entre les différents scénarios simulés. En effet, pour chaque scénario, le cyanure utile à la
dissolution de l’or est concentré dans les premières cuves du rhéogramme et la boucle de
recirculation est réalimentée à la première cuve. Ces résultats sont probablement associés à
un phénomène : La concentration de cyanure dans la dernière cuve dicte le débit de
recirculation de cyanure. Puisque l’on travaille à débit rejeté de cyanure constant, la
concentration de réactif de la dernière cuve dicte le débit de recirculation. Puisque les
surfaces cyanicides sont partiellement consommées dans les premiers réacteurs, on sait que
la cinétique de consommation du cyanure est plus faible dans les dernières étapes du
processus de cyanuration. Le fait de ne pas ajouter de cyanure frais à la première cuve
permet de diminuer le temps de séjour du réactif avant son arrivée à la dernière cuve et
maximiser son débit de recirculation. Dans ces conditions (pas d’ajout de cyanure frais à la
première cuve), le point d’arrivée de la boucle de recirculation est forcément à l’entrée du
circuit. Cet emplacement permet de maximiser le temps de contact entre le cyanure et l’or à
dissoudre.
262
Les résultats obtenus lors de la simulation de chacun des scénarios montrent une
augmentation de la dissolution de l’or à l’aide de deux débits d’ajout de cyanure et une
boucle de recirculation du cyanure excédentaire. Cependant, cette amélioration devient
moins importante pour les scénarios à quatre et cinq points d’alimentation du cyanure frais.
Le Tableau 9.8 présente une estimation des profits réalisables par l’application d’une
stratégie préconisant de multiples alimentations de cyanure frais ainsi qu’une recirculation
du cyanure excédentaire. Les données du Tableau 9.8 présentent les différences de profits
entre chacun des scénarios optimisés et le cas de base. Ces résultats sont obtenus en
considérant les hypothèses suivantes :
Une récupération totale de l’or dissout,
Un prix de l’or à 1100$ par once,
L’usine opère 24 heures par jour et 365 jours par année,
Les gains potentiels associés à une amélioration de la dissolution des autres métaux
sont négligés,
Les coûts d’opération ne sont pas influencés par le partage du cyanure,
Les coûts d’investissement sont négligés.
Tableau 9.8 : Estimation du profit réalisable pour un circuit utilisant 24,2 kg/h de cyanure
frais et rejetant 15,4 kg/h de cyanure
Profits ($/an)
Cas de base 0 $
2 ajouts 604 187 $
3 ajouts 607 285 $
4 ajouts 608 834 $
5 ajouts 608 834 $
263
9.5 Optimisation de la dissolution de l’or dans un circuit de
cyanuration à deux branches parallèles
Les résultats des essais de cyanuration et de la recherche des paramètres du modèle
diffusionnel présentés au chapitre 6 soulignent une cinétique de dissolution de l’or et une
cinétique de consommation du cyanure plus rapides pour les fines que celles observées
dans les classes granulométriques grossières. Ces différences cinétiques sont attribuables à
une plus grande libération des surfaces métalliques et minérales lors d’une fragmentation
plus fine. En effet, la dissolution de l’or est accentuée par une plus grande disponibilité de
sa surface, alors que le cyanure se voit consommé par l’accessibilité des cyanicides. D’un
point de vue économique, ces deux phénomènes ont un impact opposé. La dissolution
rapide de l’or engendre des profits intéressants, alors que la consommation élevée de
cyanure est associée à un coût plus élevé d’opération. Étant donné les cinétiques fortement
différentes associées aux particules fines et grossières, cette section propose de les séparer
avant de les lixivier. L’application de cette méthode permettrait d’optimiser les conditions
d’opération propres à chaque groupe de particules. Cette approche a déjà été abordé par les
chercheurs du COREM [9.1]. Afin de vérifier la validité de cette stratégie, on effectue
l’étude sur des rhéogrammes simples où l’on considère que la matière est parfaitement
séparée entre deux séries de réacteurs parfaitement mélangés. Afin de comparer l’efficacité
de ces rhéogrammes à ceux simulés aux sections précédentes, on fixe une consommation en
cyanure identique à celle du cas de base. Les trois prochaines sous-sections présentent
l’étude effectuée. Dans un premier temps, on liste les conditions d’opération fixées et les
variables manipulées pour maximiser la dissolution de l’or dans un circuit à deux branches.
Par la suite, les algorithmes utilisés pour optimiser chacun des scénarios étudiés sont
expliqués. Finalement, les résultats obtenus lors des processus d’optimisation sont donnés
et analysés.
264
9.5.1 Définition du problème d’optimisation
On veut optimiser le partage du cyanure entre les branches d’un circuit qui contient cinq
réacteurs répartis sur deux branches opérant en parallèle. L’objectif est de maximiser la
dissolution de l’or tout en conservant une consommation de cyanure de 175 g/t de minerai
(identique au cas de base). Afin de garder ce scénario comparable au cas de base et aux
scénarios optimisés à la section 9.3, on fixe les paramètres suivants :
Granulométrie de l’alimentation,
Concentration en or dans les différentes classes granulométriques de l’alimenta tion,
Concentrations du minerai en :
o Soufre,
o Cuivre,
Concentration d’oxygène dissout,
Distribution de la taille des grains d’or présent dans le minerai,
Nombre de réacteurs,
Volume des réacteurs,
Débit d’alimentation,
Proportion de solide à l’alimentation
Paramètres du modèle de dissolution de l’or,
Paramètres du modèle de consommation du cyanure,
Emplacement des deux points d’alimentation du cyanure frais.
Les variables manipulables pour optimiser la distribution du cyanure sont :
Débits de cyanure ajouté dans chaque branche,
Nombre de cuves par branche,
Séparation de la matière entre les branches.
265
Afin de simplifier la recherche du rhéogramme optimal, on suppose que le partage de la
matière entre les branches est parfait et s’effectue exactement entre deux classes
granulométriques.
9.5.2 Algorithme d’optimisation
La Figure 9.9 présente les rhéogrammes associés au problème d’optimisation défini à la
sous-section précédente. Les éléments représentés à l’aide de ligne pleine sont associés à ce
qui doit obligatoirement faire partie du rhéogramme optimal, alors que les éléments
pointillés sont facultatifs. Le choix du nombre de réacteurs par branche doit toutefois
remplir la contrainte de cinq réacteurs pour le rhéogramme complet.
Figure 9.9 : Schématisation des rhéogrammes associé à l’optimisation de rhéogrammes séparant la lixivation des particules fines des grossières
Afin de résoudre le problème d’optimisation présenté à la section précédente, cinq
scénarios correspondant aux différents partages possibles de l’alimentation entre les deux
séries de cuves sont étudiés. Pour chacun des scénarios, le rhéogramme maximisant la
266
dissolution de l’or est identifié à l’aide de l’algorithme présenté à la Figure 9.10. Pour
appliquer cet algorithme, on pose premièrement un nombre de réacteurs dans chacune des
branches. Par la suite, on pose les débits de cyanure ajoutés à chacune des branches. La
simulation des deux séries de cuves est ensuite effectuée en régime permanent. Afin de
s’assurer que la consommation de cyanure soit celle recherchée, on itère sur le débit
d’alimentation du réactif à la seconde branche (particules grossières). On se sert ensuite du
débit d’alimentation de cyanure à la première série de cuve pour déterminer le point de
dissolution maximum pour l’agencement de réacteur proposé. Finalement, on itère sur
l’emplacement des cuves de cyanuration afin de trouver le point optimal de chaque
scénario.
Figure 9.10 : Algorithme utilisé pour identifier les conditions opératoires maximisant
chacun des scénarios de dissolution de l’or pour une cyanuration à deux branches
267
9.5.3 Résultats et discussions
Les résultats de l’optimisation pour chacun des scénarios étudiés sont présentés au Tableau
9.9. On y retrouve le débit de cyanure ajouté, le nombre de cuves, le temps de séjour et la
concentration en or résiduel associés à chacune des branches du circuit de cyanuration
(Figure 9.9). Pour chaque scénario, le Tableau 9.9 présente également la proportion d’or
dissout par le rhéogramme optimal.
Tableau 9.9 : Résultats de l’optimisation de chacun des scénarios de lixiviation pour deux
séries de cuves en parallèle.
Pour chacun des scénarios étudiés, l’algorithme d’optimisation converge vers un temps de
séjour plus élevé pour les particules grossières que pour les particules fines. Ce constat
semble logique puisque les surfaces d’or associées aux particules grossières sont moins
accessibles que celles associées aux particules fines. Pour des conditions d’opération
similaires, la cinétique de dissolution de l’or est donc plus lente dans la série de cuves
associées aux particules grossières.
L’optimisation de chacun des scénarios étudiés est effectuée en considérant une consommation de cyanure constante sans égard à la quantité de réactif ajouté. Chacun des
rhéogrammes optimisés propose donc d’utiliser un débit d’ajout de cyanure différent.
Conséquemment, le débit de cyanure à traiter diffère d’un scénario à l’autre. Le
Tableau 9.10 présente, pour chacun des scénarios optimisés, les résultats associés à la
concentration de cyanure dans les cuves de sortie de chaque branche ainsi que le débit de
cyanure excédentaire (rejeté).
268
Tableau 9.10 : Concentration de cyanure libre à la sortie de chaque branche et débit de cyanure libre excédentaire (rejeté) pour chaque scénario optimisé
Malgré le fait que le scénario basé sur une séparation de la matière entre les classes 5 et 6
permette d’obtenir la plus grande dissolution de l’or, il est associé à un débit d’ajout de
cyanure plus élevé que les autres scénarios étudiés. Afin de déterminer lequel de ces
rhéogrammes est associé au profit le plus élevé, il est nécessaire d’effectuer une étude
économique comparative. Cette étude est basée sur les hypothèses suivantes :
Une récupération totale de l’or dissout,
Un prix de l’or à 1100$ par once,
Le réactif utilisé est le cyanure de sodium (NaCN) au coût de 2,50$/kg,
L’usine opère 24 heures par jour et 365 jours par année,
Les gains potentiels associés à une amélioration de la dissolution des autres métaux
sont négligés,
Les coûts d’opération ne sont pas influencés par le partage du cyanure (le traitement
du cyanure excédentaire n’est pas comptabilisé).
Les coûts d’investissement sont négligés.
Les résultats de l’étude économique sont présentés au Tableau 9.11. Les données présentées
sont des écarts face au cas de base (section 9.2). On présente également les résultats du cas
jugé le plus profitable financièrement lors de l’optimisation de la stratégie d’ajout de
cyanure (section 9.3).
269
Tableau 9.11 : Estimation du profit réalisable selon les différentes scénarios étudiés
Les résultats de l’analyse économique indiquent que l’optimisation du scénario de
séparation entre les classes 5 et 6 est le plus profitable financièrement. Par contre, on
remarque également que la cyanuration par classe ne garantit pas des profits plus
importants. En effet, on remarque que certains scénarios de dissolution par classe sont
financièrement moins intéressants que l’application du cas de base ou d’une stratégie basée
sur un partage optimum du cyanure pour une série de cuves de cyanuration. Par contre,
l’application efficace d’une cyanuration par classe semble être financièrement attrayante.
La simulation du rhéogramme présenté à la Figure 9.11, pour un débit de 50 tonnes de
minerai à l’heure, souligne un profit annuel réalisable de plus de 1 million de dollars.
Figure 9.11 : Rhéogramme optimal pour une cyanuration effectuée en séparant la matière
alimentée au circuit vers deux séries de cuves opérant en parallèle.
Or ($/an) CN ($/an) Profits ($/an)
5 ajouts de CN pour 5 cuves en série 805 582 $ -359 076 $ 446 506 $
Séparation entre classe 1 et 2 -198 297 $ -94 928 $ -293 225 $
Séparation entre classe 2 et 3 176 608 $ -41 273 $ 135 335 $
Séparation entre classe 3 et 4 869 099 $ -41 273 $ 827 826 $
Séparation entre classe 4 et 5 1 129 364 $ -140 328 $ 989 036 $
Séparation entre classe 5 et 6 1 299 776 $ -243 511 $ 1 056 264 $
270
9.6 Optimisation de la dissolution de l’or dans un circuit de
cyanuration pour des cuves en parallèle
Les résultats de l’étude effectuée à la section précédente démontrent qu’il est possible
d’améliorer la dissolution de l’or et les profits associés à l’exploitation de rhéogrammes
axés sur une cyanuration par classe granulométrique. Cette manière de faire permet de tirer
avantage de la dissolution rapide de l’or associé à une grande libération de leur surface dans
les classes fines tout en minimisant la consommation de cyanure souvent accentuée par
l’accessibilité des cyanicides dans ces classes. La section 9.6 pousse ce concept à l’extrême
en étudiant un rhéogramme où cinq cuves de cyanuration (même nombre que le cas de
base) sont disposées en parallèle. Afin de comparer l’efficacité de ces rhéogrammes à ceux
présentés aux sections précédentes, on fixe une consommation en cyanure identique à celle
du cas de base. Les prochaines sous-sections présentent l’analyse effectuée. Dans un
premier temps, on liste les conditions d’opération fixées et les variables manipulées pour
maximiser la dissolution de l’or dans un circuit de cyanuration où les cuves opèrent en
parallèle. Par la suite, l’algorithme utilisé pour optimiser le circuit est présenté. Finalement,
les résultats obtenus par l’application de l’algorithme d’optimisation sont donnés et
analysés.
9.6.1 Définition du problème d’optimisation
La Figure 9.12 présente le rhéogramme à optimiser pour évaluer l’impact d’une
cyanuration par classe dans des réacteurs opérant en parallèle. Afin de simplifier le
problème d’optimisation, on suppose que le partage de la matière entre les cuves est parfait
et s’effectue exactement entre deux classes granulométriques. Afin de maximiser l’impact
de la stratégie axée sur le partage des classes granulométriques, le débit de cyanure et le
volume de chaque cuve n’est pas préalablement fixé. Ces variables seront optimisées de
manière à ce que les résultats obtenus soient comparables au cas de base et aux résultats des
études présentées aux sections précédentes. Pour ce faire, la consommation globale de
271
cyanure (175 g/t de minerai) et le volume total des cuves (2500 m3) sont fixés aux mêmes
valeurs que pour les autres études. Le partage des 2500 m3 utile pour les 5 cuves sera donc
optimisé lors de l’étude.
Figure 9.12 : Rhéogramme général pour une cyanuration effectuée dans des cuves opérant en parallèle
L’optimisation du rhéogramme de la Figure 9.12 est effectuée en fixant l’alimentation du
circuit aux mêmes valeurs que pour les autres études. On utilise aussi les mêmes paramètres
pour les modèles de dissolution de l’or et de consommation du cyanure. En bref, les
conditions suivantes sont fixées aux mêmes valeurs que lors des autres études :
272
Granulométrie de l’alimentation,
Concentration en or des différentes classes granulométriques de l’alimentation,
Concentrations du minerai en :
o Soufre,
o Cuivre,
Concentration d’oxygène dissout,
Distribution de la taille des grains d’or présent dans le minerai,
Nombre de réacteurs,
Volume total des réacteurs,
Débit d’alimentation.
Proportion de solide à l’alimentation,
Paramètres du modèle de dissolution de l’or,
Paramètres du modèle de consommation du cyanure,
Consommation en cyanure (175 g/tonne de minerai).
Les variables manipulables pour optimiser la dissolution de l’or sont :
Débits de cyanure ajouté à chaque cuve,
Volume de chaque cuve,
Séparation de la matière entre les cuves.
9.6.2 Algorithme d’optimisation
L’optimisation du rhéogramme présenté à la section précédente est faite en appliquant
l’algorithme de la Figure 9.13. Dans un premier temps, on pose un partage de la matière
entre les cinq cuves opérant en parallèle. Il est à noter que la supposition d’un partage
parfait de la matière s’effectuant exactement entre deux classes granulométriques a pour
effet de donner cinq possibilités discrètes de séparation du flux d’alimentation vers les
cuves de cyanuration. Une fois le partage de matière choisi, on pose des volumes pour les
quatre premières cuves (le cinquième volume est dépendant des quatre premiers) et le débit
273
d’ajout de cyanure à chacune des cuves de cyanuration. Suite à la simulation statique du
rhéogramme, on itère sur le cinquième débit de cyanure pour atteindre la consommation de
cyanure fixée. Les débits de cyanure ajoutés aux quatre premières cuves sont utilisés pour
connaître le point de dissolution maximum associé à un partage de matière et à des volumes
de cuves donnés. Par la suite, on itère sur le volume des quatre premières cuves du
rhéogramme pour trouver le point de dissolution maximum associé à l’une des cinq options
de partage de la matière. Finalement, les itérations sur le partage du flux d’alimentation
vers les cuves de cyanuration sont utilisées pour identifier l’optimum global.
Figure 9.13 : Algorithme utilisé pour identifier les conditions opératoires maximisant la
dissolution de l’or pour une cyanuration effectuée dans cinq cuves parallèles
274
9.6.3 Résultats et discussions
Le
Tableau 9.12 montre les résultats du problème d’optimisation posé aux sous-sections
précédentes. On y présente les classes de particules alimentées à chaque cuve, le volume de
chacune de ces cuves ainsi que le temps de séjour moyen et le débit de cyanure ajouté qui
leur est associé.
Tableau 9.12 : Résultats pour l’optimisation de cinq cuves de lixiviation en parallèle
Les résultats présentés au
Tableau 9.12 indiquent que le temps de séjour des particules grossières est plus grand que
celui des fines. Cette constatation semble en accord avec le ralentissement de la cinétique
globale de dissolution de l’or observé lorsque l’on augmente la granulométrie du minerai
(réduction des surfaces d’or accessible selon le modèle géométrique cubique). De plus, on
remarque que le temps de séjour associé aux particules fines est considérablement plus
faible que celui nécessaire pour les autres classes granulométriques. Ceci peut s’expliquer
par le fait que, pour le minerai utilisé, la grande majorité des particules d’or libre se
retrouve dans la 6e classe granulométrique (<38 m). Le fait que l’or libre ait une cinétique
de dissolution beaucoup plus rapide que l’or des mixtes explique qu’un temps de séjour
plus petit soit nécessaire pour les dissoudre. Le
275
Tableau 9.13 montre la dissolution de l’or observée dans chacune des cuves (classes
granulométriques) ainsi que la concentration d’or présent dans le minerai à l’alimentation et
à la sortie des réacteurs.
276
Tableau 9.13 : Dissolution de l’or par classe granulométrique
Le Tableau 9.14 présente les résultats relatifs à la gestion du cyanure pour le rhéogramme
optimisé. On y voit la concentration en cyanure présente dans chacune des cuves, la
consommation de cyanure (exprimée en gramme par tonne de minerai) pour chacune des
classes granulométriques ainsi que le débit de cyanure excédentaire (rejeté) à la sortie de
chaque réacteur.
Tableau 9.14 : Gestion du cyanure
En observant les résultats présentés au Tableau 9.14, on constate qu’en plus de favoriser la dissolution de l’or, le rhéogramme optimal permet de réduire la quantité de cyanure à traiter
en aval. Ces deux observations sont favorables économiquement. Le
Tableau 9.15 présente l’analyse économique du circuit optimum de cinq cuves opérant en
parallèle. Les profits annuels potentiels associés à l’exploitation de ce rhéogramme sont
comparés aux résultats obtenus lors des analyses précédentes (section 9.3 à 9.5). Il est à
noter que les résultats présentés sont des écarts face au cas de base et que l’analyse
économique est basée sur les hypothèses suivantes :
Une récupération totale de l’or dissout,
277
Un prix de l’or à 1100$ par once,
Le réactif utilisé est le cyanure de sodium (NaCN) au coût de 2,50$/kg,
L’usine opère 24 heures par jour et 365 jours par année,
Les gains potentiels associés à une amélioration de la dissolution des autres métaux
sont négligés.
Les coûts d’opération ne sont pas influencés par le traitement du cyanure
excédentaire,
Les coûts d’investissement sont négligés.
Tableau 9.15 : Comparaison économique entre les rhéogrammes optimaux
9.7 Effet de la distribution de la taille des grains d’or sur
l’optimisation des rhéogrammes de cyanuration
Cette dernière sous-section du chapitre 9 est consacrée à l’étude de l’effet de la dimension
des grains d’or sur leur dissolution par cyanuration. Pour se faire, on optimisera, à
différentes tailles de grains d’or, un rhéogramme de 5 cuves de manière à obtenir une
dissolution maximale de l’or. Puisque les études effectuées aux sous-sections précédentes
indiquent que la configuration permettant de maximiser la dissolution de l’or est celle de
cinq cuves parallèles de tailles variables, on fixe cette configuration pour effectuer l’étude.
Ce choix permet de réduire considérablement la panoplie de rhéogrammes à étudier tout en
permettant une solution optimisée en faisant varier le temps de séjour et la concentration en
cyanure associée à chacune des classes granulométriques. En résumé, pour chaque
distribution de tailles de grain d’or, le problème d’optimisation est défini par les
caractéristiques énumérées à la section 9.6.1 et l’algorithme d’optimisation présenté à la
section 9.6.2 est utilisé pour identifier le rhéogramme optimal de dissolution de l’or.
Or ($/an) CN ($/an) Profits ($/an)
Optimisation du partage de CN pour une série de cuves 805 582 $ -359 076 $ 446 506 $
Optimisation du partage de CN pour une série de cuves avec recirculation 608 834 $ 0 $ 608 834 $
Optimisation d'un circuit à deux branches parallèles 1 299 776 $ -243 511 $ 1 056 264 $
Optimisation d'un circuit de cuves en parallèle 1 674 681 $ 61 910 $ 1 736 591 $
278
9.7.1 Distributions de grain d’or
La variété des dimensions de grains d’or présents dans le minerai est estimée par une
distribution gamma (tel qu’observé à la Figure 4.22) de moyenne g et d’écart-type g. Afin
de simplifier l’analyse des résultats, seule la dimension moyenne des grains sera manipulée.
L’écart-type choisi est le même que celui fixé lors de toutes les analyses précédentes (2,5
m). En tout, l’effet de cinq distributions de grain d’or sur la cinétique de dissolution sera
comparé. La Figure 9.14 présente ces distributions.
Figure 9.14 : Cinq ditributions (en nombre) de grains d’or utilisées pour l’étude.
En observant la Figure 9.14, on remarque que les cinq distributions ont des dimensions
moyennes fortement différentes. En travaillant à granulométrie de minerai constante, on
devrait donc observer un effet marqué sur la libération et l’accessibilité des surfaces d’or.
La Figure 9.15 présente cet effet. Les résultats présentés sont obtenus en discrétisant
chacune des distributions et en appliquant les équations de libérations proposées au chapitre
4.
279
Figure 9.15 : Effet de la taille moyenne des grains d’or sur l’accessibilité des surfaces
En observant les résultats présentés à la Figure 9.15, on remarque que sur l’intervalle
étudié, la taille moyenne du grain d’or ne joue pas un rôle important sur la proportion d’or
inaccessible. Cette observation implique qu’en permettant au circuit de cyanuration d’avoir
un temps de séjour suffisamment long pour dissoudre l’or accessible, la récupération
globale de l’or ne devrait pas être grandement affectée. Cependant, la Figure 9.15 indique
que la taille moyenne des grains d’or influence radicalement le type d’or accessible
(totalement libre, accessible en surface ou par les pores du minerai). Cette grande diversité
des types d’or entre les scénarios influencera les tailles des réacteurs et les concentrations
en cyanure permettant d’optimiser chaque scénario (taille moyenne différente). La section
suivante présente les résultats de l’optimisation et permet de valider cette hypothèse.
9.7.2 Résultats et discussions
Pour chacune des distributions présentées à la Figure 9.14, on optimise la dissolution de
l’or à l’aide d’un rhéogramme à cinq réacteurs en parallèle. Ces réacteurs sont de
dimensions variables et leur débit d’ajout de cyanure est manipulable. Dans chacun des cas,
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0 2 4 6 8 10 12 14 16 18
Dimension moyen des grains d'or (um)
Pro
po
rtio
n
Or totalement libéré
Or accessible en surface
Or accessible par les pores
Or encapsulé
280
l’optimisation est effectuée à l’aide des entrées énumérées à la section 9.6.1 (seule la
distribution de l’or diffère) et de l’algorithme présenté à la section 9.6.2. On suppose donc
que la matière est divisée de manière parfaite entre deux classes de particules et on
manipule trois groupes de variables pour optimiser la dissolution de l’or. Ces groupes sont :
La répartition des classes granulométriques dans chaque réacteur,
Le volume de chaque réacteur de manière à obtenir un volume total de 2500m3,
Les ajouts de cyanure dans chacun des réacteurs de manière à limiter la
consommation globale à 175 g/t de minerai.
Indépendamment de la distribution des grains d’or étudiée, la répartition optimale de la
matière dans les 5 réacteurs est la même. La Figure 9.16 présente cette répartition des
classes granulométriques.
Figure 9.16 : Rhéogramme permettant d’optimiser les cinq scénarios ayant des distributions
de grains d’or différentes
281
Les trois sous-sections qui suivent présentent les résultats de manière plus détaillée. Dans
un premier temps, les volumes des cuves permettant de maximiser la récupération de l’or
sont présentés et les résultats sont discutés. Par la suite, les débits d’ajout de cyanure
obtenus sont présentés et expliqués. Finalement, on discute des résultats obtenus pour la
dissolution de l’or dans chacune des classes granulométriques.
Volumes des cuves et temps de séjour
Le Tableau 9.16 présente les volumes optimaux des cuves. Afin de faire le lien entre le
numéro de la cuve et les classes granulométriques alimentées à ces dernières, on peut se
référer à la Figure 9.16. Chaque colonne du tableau est associée à une distribution
différente de grains d’or. La taille moyenne des grains y est présentée.
Tableau 9.16 : Volumes (m3) optimaux des cuves en fonction du diamètre moyen (m) des
grains d’or pour chacune des distributions étudiées
Le Tableau 9.17 présente les temps de séjour de la matière dans chaque réacteur. Ces
valeurs sont obtenues à l’aide des débits de pulpe associés à chacune des classes
granulométriques et des volumes présentés au tableau précédent.
Tableau 9.17 : Temps de séjour (heures) optimaux des cuves pour chacune des distributions
de grains d’or étudiées (dimension moyenne en m)
g 2,75 5,5 8,25 11 16,5
Cuve1 293 248 343 403 445
Cuve2 364 323 423 483 503
Cuve3 486 430 530 606 603
Cuve4 287 270 307 324 284
Cuve5 1070 1229 897 684 665
g 2,75 5,5 8,25 11 16,5
Cuve1 45,7 54 63,3 74,3 82
Cuve2 44,2 49,9 58 66,1 68,9
Cuve3 43,1 48,7 53,1 60,6 60,3
Cuve4 40,6 43,1 46,1 48,7 42,7
Cuve5 32,9 28,7 24 18,4 17,8
282
En observant les résultats présentés au Tableau 9.17, on remarque que le temps de séjour
optimal des fines (cuve 5) diminue lorsque la taille moyenne des particules d’or augmente.
On observe également le processus inverse pour les classes grossières (cuve 1). Ceci peut
être expliqué par les phénomènes de libération. En effet, lorsqu’une particule d’or est
totalement libérée, sa surface disponible à la dissolution est plus importante que lorsqu’elle
est partiellement libérée ou accessible via les pores du minerai. Le Tableau 9.18 présente
l’effet de la dimension moyenne des grains d’or sur la proportion d’or totalement libéré, et
ce, dans chacune des classes granulométriques. Les valeurs présentées sont des proportions
d’or libre.
Tableau 9.18 : Effet de la taille moyenne des grains d’or (m)sur la proportion d’or libre
Sur l’intervalle étudié, on remarque que l’impact de la dimension des grains d’or sur la
libération est très marqué pour les classes fines et beaucoup plus marginal pour les classes
grossières. La libération marquée de l’or dans les fines entraîne un temps de séjour optimal
faible pour dissoudre l’or. Des réacteurs plus gros peuvent ainsi être utilisés pour dissoudre
l’or des classes grossières dont l’or est principalement accessible par la porosité et a une
cinétique de dissolution lente.
Débits d’ajout de cyanure
Le
dp\g 2,75 5,5 8,25 11 16,5
200 0,0027 0,0058 0,0083 0,0111 0,0344
128 0,0052 0,0126 0,0247 0,0408 0,1113
90,5 0,0101 0,0297 0,0501 0,0824 0,1828
64 0,0177 0,0523 0,0863 0,1445 0,3093
45,5 0,0439 0,0955 0,1625 0,3015 0,5906
19 0,1424 0,3113 0,5661 0,8361 0,9851
283
Tableau 9.19 présente les débits de cyanure ajoutés à chacune des cuves pour optimiser le
circuit.
284
Tableau 9.19 : Débit de cyanure ajouté (kg/h) pour optimiser chacun des scénarios (variation de la taille moyenne des grains d’or)
Les résultats des quatre premières simulations (taille moyenne de 2,75 à 11 m) présentés
aux tableaux 9.17 et 9.19 montrent que la diminution du temps de séjour des particules
fines entraîne la nécessité d’augmenter la concentration en cyanure afin de conserver une
dissolution globale maximale. Les résultats de la dernière simulation (16,5 m) semblent
toutefois un peu différents. Son cas est abordé plus en détail à la sous-section suivante. Une
tentative d’explication du résultat est également fournie.
Dissolution de l’or dans chacune des classes granulométriques
Le Tableau 9.20 présente, pour chaque configuration, la proportion d’or dissout dans
chacune des classes granulométriques.
Tableau 9.20 : Proportion d’or dissout pour chacun des scénarios optimisés
En observant le Tableau 9.20 on remarque que lorsque la taille moyenne des particules d’or
augmente, le point optimum (dissolution globale maximale) de chacun des scénarios
étudiés implique une augmentation systématique de la dissolution de l’or dans chacune des
classes granulométriques. Ceci peut être expliqué par une accessibilité des surfaces
grandissantes lorsque la taille moyenne des grains d’or augmente.
g (m) 2,75 5,5 8,25 11 16,5
Cuve1 1,6 1,3 1,1 1,0 0,8
Cuve2 2,4 1,8 1,6 1,3 1,4
Cuve3 3,4 2,6 2,2 2,0 2,6
Cuve4 2,5 2,1 2,1 2,0 3,9
Cuve5 12,4 14,9 16,1 17,7 15,7
g (m) 2,75 5,5 8,25 11 16,5
Cuve1 53,38% 56,30% 55,97% 57,51% 60,81%
Cuve2 68,96% 71,16% 73,23% 74,68% 78,68%
Cuve3 84,45% 86,39% 87,07% 88,53% 92,02%
Cuve4 95,91% 96,17% 96,93% 97,49% 98,16%
Cuve5 98,16% 98,33% 98,59% 98,61% 98,41%
Total 94,47% 94,72% 95,12% 95,40% 95,84%
285
Un seul résultat défit la tendance présentée au paragraphe précédent : la récupération de l’or
dans la 5e cuve pour une dimension moyenne de grains d’or de 16,5 m. Ce résultat est cependant explicable. L’optimisation multivariable semble avoir atteint son optimum à un
point permettant une récupération légèrement plus faible de l’or dans les fines tout en permettant une récupération globale plus importante. En d’autres mots, un ajout de cyanure
moins important pour les fines (
286
Tableau 9.19) permet de sacrifier légèrement la récupération de l’or des fines (-0,2%) et
concentrer le cyanure dans les classes supérieures afin d’y dissoudre une proportion d’or
plus importante (+0,67% à +4%).
Analyse économique
Le
287
Tableau 9.21 présente l’analyse économique des cinq scénarios optimisés. Les profits
annuels potentiels associés à l’exploitation de chacun des rhéogrammes optimaux sont
comparés au résultat obtenu lors de l’optimisation d’un circuit de cinq cuves en séries
(section 9.3). Il est à noter que les résultats présentés sont des écarts face au cas de base et
que l’analyse économique est basée sur les hypothèses suivantes :
Une récupération totale de l’or dissout,
Un prix de l’or à 1100$ par once,
Le réactif utilisé est le cyanure de sodium (NaCN) au coût de 2,50$/kg,
L’usine opère 24 heures par jour et 365 jours par année,
Les gains potentiels associés à une amélioration de la dissolution des autres métaux
sont négligés,
Les coûts d’opération ne sont pas influencés par le traitement du cyanure
excédentaire,
Les coûts d’investissement sont négligés.
288
Tableau 9.21 : Analyse économique des cinq scénarios optimisés pour une taille moyenne de particules d’or différente
On remarque que pour une granulométrie identique, l’optimisation du circuit de
cyanuration d’un minerai aurifère contenant des particules d’or de grosses dimensions,
permet de réaliser des profits plus importants que lorsque les particules (grains d’or) sont
plus petites. Cette différence est explicable par l’augmentation de l’accessibilité des
surfaces d’or. En résumé, plus le minerai alimenté au circuit de cyanuration offre de
surfaces accessibles, plus il est possible de le rentabiliser en l’optimisant. Théoriquement,
le broyage plus fin d’un minerai permettrait donc une dissolution plus importante (ou
rapide) de l’or et engendrerait des profits plus importants associés à la partie cyanuration. Il
faut cependant souligner que pour ce faire, une énergie de broyage supplémentaire est
nécessaire et entraîne une augmentation des coûts d’opération. La granulométrie optimale
d’alimentation d’un circuit de cyanuration représente donc un compromis entre
l’augmentation des coûts de broyage associés à la libération des surfaces d’or et
l’augmentation des gains potentiels associés à la dissolution de l’or.
Or ($/an) CN ($/an) Profits ($/an)
Optimisation du partage de CN pour une série de cuves 805 582 $ -359 076 $ 446 506 $
Optimisation d'un circuit de cuves en parallèle g = 2.75 m 1 363 293 $ 78 419 $ 1 441 711 $
Optimisation d'un circuit de cuves en parallèle g = 5.5 m 1 674 681 $ 61 910 $ 1 736 591 $
Optimisation d'un circuit de cuves en parallèle g = 8.25 m 2 122 399 $ 45 400 $ 2 167 799 $
Optimisation d'un circuit de cuves en parallèle g = 11 m 2 447 730 $ 8 255 $ 2 455 985 $
Optimisation d'un circuit de cuves en parallèle g = 16,5 m 2 943 473 $ -8 255 $ 2 935 218 $
289
Chapitre 10 : Conclusions et recommandations
Cette thèse présente une liste de travaux préliminaires permettant de caractériser et
modéliser les liens existants entre les phénomènes de libération, de fragmentation, de
classification et de cyanuration des minerais aurifères. Les travaux présentés permettent
certaines avancées scientifiques sur ce sujet. Il reste cependant plusieurs avenues
potentielles à explorer afin d’approfondir la compréhension et la modélisation des liens
existant entre ces différents phénomènes. Ce chapitre résume les contributions scientifiques
des travaux de la thèse ainsi que les limites d’applicabilité des méthodes et modèles
proposés dans celle-ci. Dans un deuxième temps, des recommandations associées aux
travaux futurs dans le domaine sont données. Ces recommandations touchent autant
l’amélioration potentielle de la modélisation de la libération, de la fragmentation, de la
classification et de la cyanuration des minerais aurifères que la structure des expériences
utilisées pour calibrer ces modèles.
10.1 Conclusions
Cette section présente les conclusions de la thèse. Dans un premier temps, les contributions
scientifiques des travaux sont résumées. Dans un deuxième temps, on aborde les limites de
l’applicabilité des méthodes et modèles proposés.
10.1.1 Contributions scientifiques
Quelques avancées scientifiques ont été effectuées au cours des travaux associés à cette
thèse. Ces avancées sont résumées dans les prochains paragraphes.
La grande variance associée à l’hétérogénéité naturelle d’un minerai aurifère a un impact
direct sur la représentativité des mesures associées à ce type de minerai ([10.1], [10.2]).
290
L’utilisation de ces mesures pour effectuer des bilans métallurgiques ou de la modélisation
peut donc entrainer des problèmes. Afin de minimiser ces problèmes potentiels, la
réconciliation des mesures peut être utilisée. Or, dans le cas des minerais aurifères,
l’hétérogénéité naturelle du minerai et la présence de mesures de niveaux hiérarchiques
différents entrainent des difficultés supplémentaires. Le chapitre 3 propose une série
d’étapes permettant d’effectuer une réconciliation de données sur des mesures associées à
des minerais aurifères et présents sur plusieurs niveaux hiérarchiques différents.
L’application de la méthode proposée permet d’estimer la qualité des mesures et de les
corriger à l’aide des équations de conservation de la matière caractérisant le circuit à
étudier.
L’accessibilité des surfaces d’or joue un rôle important dans la réaction de cyanuration de
l’or. Le chapitre 4 propose l’utilisation d’un modèle géométrique cubique pour caractériser
le degré de libération des surfaces d’or à l’aide de la distribution granulométrique du
minerai ainsi que celle des grains d’or. Dans ce chapitre, on propose également un modèle
de fragmentation des minerais aurifères basés sur les bilans de matière. Ce modèle permet
d’effectuer le suivi de l’or dans les différentes classes granulométriques ainsi que le suivi
de ses surfaces accessibles. On caractérise ainsi la concentration en or présent dans les
différentes classes granulométriques et leur degré d’accessibilité en vue d’une réaction de
cyanuration.
Un modèle de cyanuration novateur est proposé au chapitre 6. Ce modèle fait intervenir de
manière directe l’effet de l’accessibilité des surfaces d’or sur la cinétique de cyanuration.
Les résultats issus des modèles de libération et de fragmentation y sont utilisés comme
variable d’entrée. Le modèle fait ainsi intervenir quatre classes d’or de lixiviabilités
différentes. Les grains d’or entièrement libres, ceux accessibles en surface, l’or encapsulé
accessible par les pores du minerai et l’or totalement encapsulé inaccessible à une réaction
de cyanuration. Chacune des cinétiques proposées fait intervenir simultanément les
concepts de surfaces accessibles, de diffusivité des réactifs vers le site de la réaction et la
stœchiométrie de la réaction électrochimique.
291
Le chapitre 7 de la thèse propose un modèle de classification permettant de suivre les
surfaces d’or accessible autour d’un hydrocyclone. Le modèle utilise les résultats des
modèles de fragmentation et de libération pour déterminer les proportions de particules de
gangue libre, d’or libre et de mixtes alimentés à l’hydrocyclone. Le classement des
particules est ensuite déterminé à l’aide de la densité des différentes particules (qui est
fortement dépendantes de leur contenu en or), de l’acuité de séparation et de la proportion
d’eau soutirée à la sousverse.
Dans une dernière étape, les modèles proposés au cours de la thèse sont mis en commun
pour développer un simulateur statique reliant la cinétique de cyanuration de l’or à
l’accessibilité des surfaces. Ce simulateur est exploité pour étudier une série de
rhéogrammes novateurs et leur effet sur la consommation de cyanure et la dissolution de
l’or.
10.1.2 Limites des modèles et méthodes proposés
L’applicabilité des avancées méthodologiques et de modélisations proposées dans la thèse
est limitée par la série d’hypothèses et de suppositions effectuées pour bâtir ces méthodes et
proposer ces modèles. Les limites d’applicabilité sont résumées dans les paragraphes qui
suivent.
La méthode de réconciliation des mesures associées aux minerais aurifères présentée au
chapitre 3 permet de réconcilier simultanément des mesures situées sur plusieurs niveaux
hiérarchiques différents. Cependant, il est à noter que cette réconciliation est basée sur des
équations statiques de conservation de la matière. Les mesures issues d’un échantillonnage
effectué lorsqu’un procédé est en régime d’opération transitoire ne sont donc pas traitables
par cette méthode.
Le chapitre 4 de la thèse propose des modèles de libération et de fragmentation basés sur
une liste d’hypothèses simplificatrices qui restreignent son domaine d’applicabilité. Par
292
exemple, l’hypothèse de forme cubique des grains d’or permet d’avoir un modèle
géométrique de libération relativement simple et applicable à des gisements où la forme des
grains d’or s’approche de cette forme optimale. Or, on peut imaginer que les prédictions à
partir de ce modèle sont moins efficaces pour les minerais dont la forme des grains d’or
s’éloigne fortement de celle-ci. L’hypothèse de la présence d’un seul grain d’or par
particule mixte simplifie les équations de bilans permettant de prédire la concentration en
or dans chacune des classes granulométriques ainsi que leur degré d’accessibilité. Cette
hypothèse s’avère fort plausible pour les particules de petites dimensions, mais semble
inappropriée à une échelle plus macroscopique. Le champ d’applicabilité du modèle de
fragmentation présenté au chapitre 4 est donc restreint à une gamme granulométrique fine
où l’hypothèse de présence de mixtes unigrains est logique. Le même type de raisonnement
s’applique aux hypothèses qui rendent les grains d’or libre inertes au processus de
fragmentation. En réalité, les grains d’or subissent des changements qui engendrent un
pliage et un aplatissement des grains causant ainsi un déplacement de ceux-ci d’une classe
granulométrique à l’autre. Selon les travaux publiés sur le sujet ([10.3]) ce phénomène est
relativement fréquent dans les classes grossières, mais s’estompe dans les classes
granulométriques fines. Le domaine d’applicabilité du modèle proposé est donc restreint
par la taille des grains d’or, la granulométrie du minerai étudié et la proportion de grains
d’or libérés dans le minerai.
Le modèle de lixiviation proposé est construit pour mettre en évidence l’effet de la
libération de l’or sur sa cinétique de dissolution. Ainsi, pour développer le modèle, une
série d’autres facteurs, tels que la température, le pH, etc. ont été gardés constants tout au
long de l’étude pour minimiser leur impact sur le modèle développé. Le modèle étant
développé sur la base des phénomènes de la diffusivité des réactifs, de la stœchiométrie de
la réaction et du degré de libération de l’or, il ne permet donc que de comparer l’efficacité
de la dissolution en fonction :
Du degré de libération de l’or,
De l’efficacité de la réaction électrochimique,
De la concentration de réactifs.
293
La validation directe des modèles proposés dans la thèse est complexe et coûteuse
puisqu’elle implique une caractérisation de la disponibilité des surfaces d’or et donc un
polissage de milliers de surfaces minérales et une recherche exhaustive des grains d’or pour
déterminer leur degré de disponibilité. Les modèles proposés dans cette thèse sont validés
indirectement en comparant certaines observations aux résultats de simulation. Cette
méthode permet de conclure que les modèles proposés représentent bien les mesures
utilisées pour la validation, mais limite les conclusions pouvant être effectuées quant à la
représentativité réelle des modèles sur le degré de libération des surfaces d’or.
10.2 Recommandations
Cette section présente certaines recommandations pouvant permettre d’améliorer les
modèles et méthodes proposés dans la thèse et apporte quelques suggestions permettant de
peaufiner les procédures expérimentales utilisées pour calibrer les modèles de libération,
fragmentation, classification et cyanuration.
10.2.1 Amélioration de la méthode de réconciliation
La méthode de réconciliation de mesures associées aux minerais aurifères proposée au
chapitre 3 de la thèse attribue une importance égale à toutes les mesures utilisées lors de la
réconciliation. C’est-à-dire que le poids attribué à chacune des mesures est le même et ce
peu importe son degré de représentativité. Or, l’analyse effectuée après la réconciliation
démontre clairement que certains types de mesures nécessitent une correction importante
pour satisfaire aux équations de bilan de matière, alors que d’autres collent pratiquement
parfaitement aux équations utilisées. La correction variable sur les différentes mesures
indique donc que certaines variables sont plus représentatives que d’autres. Il serait
intéressant d’utiliser les résultats de l’analyse effectuée après la réconciliation pour
pondérer adéquatement l’importance de chacune des mesures dans le critère des moindres
294
carrés utilisés pour réconcilier l’ensemble des mesures lors d’un second tour de
réconciliation [10.4].
Les contraintes associées à la méthode de réconciliation proposée au chapitre 3 sont
entièrement reliées aux équations de conservation de la matière. L’intégration des modèles
de libération, de fragmentation et de classification aux contraintes de bilan pourrait
permettre d’améliorer la qualité des informations utilisées pour réconcilier les mesures
industrielles.
10.2.2 Améliorations potentielles aux modèles proposés
Différents modèles sont proposés et utilisés dans cette thèse. Ces modèles sont basés sur
une série d’hypothèses simplificatrices qui rendent les modèles plus ou moins applicables
selon les conditions observées. Cette section propose d’inclure l’effet de certains
phénomènes aux modèles proposés pour les rendre applicables sur un spectre opératoire
plus grand.
Modèle de fragmentation
Le chapitre 4 propose de coupler un modèle de libération cubique à un modèle de
fragmentation pour prédire le déplacement de l’or dans les différentes classes
granulométriques. Ces deux modèles novateurs sont basés sur une série d’hypothèses qui
restreignent la plage d’applicabilité du modèle. Ceux-ci sont applicables aux minerais dont
la forme des particules d’or s’approche d’une forme cubique et dont la distribution des
grains d’or et la granulométrie du minerai est suffisamment petite pour que les hypothèses
de grains d’or non fracturable (un comportement entièrement intergranulaire en
fragmentation) et de la présence de mixtes unigrains soit applicables. Pour élargir le spectre
d’applicabilité de ces modèles, il serait intéressant d’investiguer en profondeur et d’y
inclure, si possible, les thèmes suivants :
295
Effet de la forme des grains d’or sur les phénomènes de libération et de classement
des particules dans les différentes classes granulométriques après la libération.
Effet de l’aplatissement et du pliage des grains d’or lors de la fragmentation et leur
impact sur la concentration en or dans les différentes classes granulométrique.
L’effet de la présence de mixtes porteuses de plusieurs grains d’or sur la libération
et la répartition de l’or au cours de la fragmentation.
Modèle de classification
Le fait d’intégrer plusieurs phases minérales différentes dans le modèle de fragmentation
des mixtes et des particules d’or libre permettrait de faire le suivi de plus de métaux et de
phases minérales de manière simultanée. Cette façon de faire pourrait, par le fait même,
enrichir le modèle de classification de l’or en considérant son association à différentes
phases minérales de broyabilité différente.
Modèle de cyanuration
Le modèle de cyanuration proposé au chapitre 6 de la thèse est novateur puisqu’il fait
intervenir des cinétiques de lixiviation différentes selon le degré d’accessibilité des surfaces
d’or. Ce modèle est toutefois basé sur une structure considérant une forme cubique des
particules d’or. En incorporant un suivi des phénomènes d’aplatissement et de pliage des
grains d’or lors de la fragmentation, il serait également possible de faire le suivi de la
distribution de surfaces accessibles pour des grains d’or de formes diverses. L’évolution de
la dissolution des particules d’or pourrait alors inclure une variation des surfaces
accessibles dépendantes de leur forme.
Les études effectuées au cours de cette thèse sont avant tout construites pour souligner
l’effet de la libération sur la cinétique de dissolution de l’or. Les effets associés à
l’environnement électrochimique y sont négligés. Les effets de différents composés
chimiques sur la réaction de cyanuration pourraient être intégrés au modèle développé. On
296
pourrait ainsi quantifier et inclure l’effet du nitrate de plomb, de la présence de différents
métaux ou minéraux et de l’étape de préaération sur la cinétique de dissolution de l’or.
Modèle couplant la fragmentation et la cyanuration dans un broyeur
Au chapitre 7 de la thèse, un modèle simplifié de cyanuration à l’intérieur des broyeurs est
utilisé. Ce modèle est basé sur une série d’hypothèses extrêmement simplificatrices. On y
considère, entre autres que seul l’or libre y est lixivié et qu’un modèle à cœur rétricissant
de dynamique constante (dissolution de l’or par unité de surface) est applicable. On
suppose également que les phénomènes de fragmentation et de lixiviation n’ont pas
d’interaction. Une étude permettant de démystifier les conditions hydrométallurgiques à
l’intérieur des broyeurs et les liens directs entre les phénomènes de fragmentation et de
cyanuration dans un broyeur permettrait de jeter les bases d’un modèle plus complet
intégrant la fragmentation et la lixiviation des minerais aurifères. Ce modèle intègrerait
alors plus d’éléments phénoménologiques et serait applicable sur un spectre opératoire plus
grand.
10.2.3 Améliorations potentielles aux expériences
Une série d’expériences de broyage ([10.5]) et de cyanuration effectuées en laboratoire a
été utilisée pour calibrer et valider les modèles de broyage, de libération et de cyanuration
proposés dans cette thèse. L’utilité de ces expériences et la facilité de traitement des
résultats obtenus auraient pu être améliorées en travaillant la structure du plan d’expérience
et les méthodes de mesures utilisées.
Structure des expériences
Afin d’optimiser l’applicabilité des modèles calibrés sur des données issues de tests en
laboratoire, il est important de s’assurer que les conditions expérimentales des tests en
laboratoire sont représentatives du cas industriel. En ce sens, les essais de broyage effectués
297
en laboratoire devraient se situer dans le même spectre granulométrique qu’en usine. Ceci
aurait permis d’avoir une comparaison directe entre les granulométries expérimentales et
industrielles obtenues.
Dans le but de faciliter l’analyse des résultats, il est également recommandé de faire varier
une seule variable du plan d’expérience à la fois. Ainsi, il est préférable de fixer tous les
paramètres qui ne sont pas étudiés et de les contrôler adéquatement. Le recours à un plan
factoriel d’expériences se veut également une alternative intéressante. Dans ce cas, il faut
toutefois s’assurer que toutes les variables n’intervenant pas dans le plan (et dont l’effet
n’est pas capté par le modèle) soient contrôlées à des valeurs semblables d’une expérience à
l’autre.
Amélioration de la qualité de l’information
L’application de la réconciliation de données au chapitre 3 souligne la grande variabilité
des mesures de concentration d’or associées à la forte hétérogénéité des minerais aurifères.
Cette grande variabilité des mesures complexifie l’analyse des résultats et fait en sorte qu’il
est difficile d’avoir une confiance absolue face aux résultats des tests effectués. En estimant
préalablement l’erreur fondamentale à l’aide d’une série de mesures répétitives sur un
échantillon, il serait plus facile :
D’attribuer un poids adéquat aux différents types de mesures lors d’une
réconciliation de données. Les mesures répétables seraient ainsi moins corrigées que
les mesures à grande variabilité. On aurait ainsi des mesures corrigées encore plus
représentatives de la réalité physique observée.
D’analyser les résultats des tests de cyanuration et de broyage dont la concentration
granulochimique en or au départ des tests est fortement variable.
La grande variabilité intrinsèque des minerais aurifères provoque une grande disparité au
niveau de la concentration en or et au niveau du degré de libération des surfaces d’or des
298
échantillons une granulométrie fortement semblable. Ceci fait en sorte que des tests de
broyage et de cyanuration effectués à partir de deux échantillons aurifères de granulométrie
semblable peuvent engendrer des comportements fortement différents. Afin de faciliter
l’analyse des résultats de ces tests, il serait intéressant, préalablement aux essais, d’amasser
le plus d’information possible sur :
les concentrations granulochimiques d’or,
le niveau de libération des particules d’or.
Une analyse par image des particules fines (< 35µm)
La collecte de ces informations supplémentaires engendre des coûts importants, mais
permet de faciliter l’analyse des résultats et vient appuyer fortement les thèses élaborées.
Bibliographie
[1.1] Site web : http://www.goldprice.org/
[1.2] de Andrade Lima, L.R.P., Modélisation, automatisation et optimisation appliquées
à l’hydrométallurgie de l’or, Thèse de doctorat , Département des mines et de
métallurgie, Faculté des sciences et de génie, Université Laval, 2001.
[1.3] PDAC, A special report from the Metal Economics Group for the PDAC 2010 International Convention, World Exploration Trends, Metal Economics Group, 2010.
[1.4] Lorenzen, L. and Van Deventer, J.S.J., The interrelationship between mineral
liberation and leaching behaviour, International Journal of Mineral Processing, 41, 1-15, 1994.
[1.5] Annandale, G.J., Lorenzen, L., Vandeventer, J.S.J. and Aldrich, C., Neural net analysis of the liberation of gold using diagnostic leaching data, Minerals
Engineering, 9, 195-213, 1996. [1.6] Marsden, J. and House, I., The chemestry of gold extraction, 2nd Edition, Ellis
Horwood, New York, New York, 2006. [1.7] Hodouin D., Bazin, C. and Duchesne, C., Conception optimale des usines
d’extraction de l’or par cyanuration, Subvention de recherche et développement coopérative, Projet RDC du CRSNG en partenariat avec COREM.
[1.8] de Andrade Lima, L.R.P. and Hodouin, D., A lumped kinetic model for gold ore
cyanidation, Hydrometallurgy, 79, 121-137, 2005.
[1.9] Egan, J., Effet de la granulométrie sur la cyanuration de l’or, Thèse de maîtrise,
Département des mines et de métallurgie, Faculté des sciences et de génie, Université Laval, 2007.
[1.10] Khalesi, M.R., Integrated modeling of grinding, liberation and leaching of gold ores, Thèse de doctorat, Département des mines et de métallurgie, Faculté des
sciences et de génie, Université Laval, 2010. [2.1] Bass, L., Contribution to the theory of grinding processes, Z. Angew, Math. Phys.,
5, 283-292, 1954.
[2.2] Epstein, B., Logarithmico-normal distribution in breakage of solids., Industrial and Engineering Chemistry, 40, 2289-2291, 1948.
300
[2.3] Austin, L.G. and Bhatia, V.K., Experimental methods for grinding studies in laboratory mills, Powder Technology, 5, 261-266, 1971.
[2.4] Herbst, J.A., Rajamani, K., Lin, C.L. and Miller, J.D., Development of a multicomponent-multisize liberation model, Mineral Engineering, V1, 2, 97-111,
1988. [2.5] Gaudin, A.M., Principles of mineral dressing, McGraw Hill, New York, NY, 1939.
[2.6] Wiegel, R.L. and Li, K., A random model for mineral liberation by size reduction,
Society of Mining Engineers, 179-189, 1967. [2.7] King, R.P., A model for the quantitative estimation of mineral liberation by
grinding, International Journal of Mineral Processing, 6, 207-220, 1979.
[2.8] Klimpel, R.R. and Austin, L.G., A preliminary model of liberation from a binary system, Powder Technology, 34, 121-130, 1983.
[2.9] Klimpel, R.R., Application of a model for the analysis of liberation from a binary system, Powder Technology, 39, 117-128, 1984.
[2.10] Serra, J., Image analysis and mathematical morphology, Academic Press, London,
1982.
[2.11] Davy, P.J., Probablility models for liberation, Journal of Applied Probability, 21,
260-269, 1984.
[2.12] Barbery, G., Random sets and integral geometry in comminution and liberation of
minerals, Mineral and Metallurgical Processing, V4, 2, 96-102, 1987. [2.13] Barbery, G. and Leroux, D., Prediction of particle composition distribution after
fragmentation of heterogenous materials, International Journal of Mineral Processing, 22, 9-24, 1988.
[2.14] Stamboliadis, E. T., The evolution of a mineral liberation model by the repetition of
a simple random breakage pattern, Minerals Engineering, 21, 213-223, 2008.
[2.15] Fleming, C.A., Hydrometallurgy of precious metal recovery, Hydrometallurgy, 30,
127-162, 1992. [2.16] Noaparast, M. and Laplante, A.R., Free gold particles selection and breakage
functions estimation, Iranian Journal of Science & Technology, TB, V28, B6, 667-677, 2004.
301
[2.17] Lorenzen, L. and van Deventer, J.S.J, The interrelationship between mineral liberation and leaching behaviour, International Journal of Mineral Processing, 41, 1-15, 1994.
[2.18] Wen, S.B., Hsihm C.S. and Kuan, C.C., The application of a mineral exposure
model in a gold leaching operation, International Journal of Mineral Processing, 46, 215-230, 1996.
[2.19] Free, M.L., Modelling of heterogeneous material processing performance, Canadian Metallurgical Quaterly, V47, 3, 277-284, 2008.
[2.20] Habashi, F., 100 Years of cyanidation, CIM Bulletin, 80, 108-114, 1987.
[2.21] Marsden, J. and House, I., The chemestry of gold extraction, 2nd Edition, Ellis Horwood, New York, New York, 2006.
[2.22] Kudryk, V. and Kellogg, Mechanism and rate-controlling factors in the dissolution
of gold in cyanide solution, Journal of Metals, 6, 541-548, 1954.
[2.23] Habashi, F., Kinetics and mechanism of gold ans silver dissolution in cyanide
solution, Bulletin of the Bureau of Mines and Geology, 59, 1967. [2.24] Jeffrey, M.I. and Ritchie, I.M., The leaching and electrochemistry of gold in high
purity cyanide solutions, Journal of Electrochemical Society, v148, 4, D29-D36, 2001.
[2.25] de Andrade Lima, L.R.P., Modelisation, automatisation et optimisation appliqués à l’hydrométallurgie de l’or, Thèse de doctorat, Département des Mines et de
Métallurgie, Faculté des Sciences et de Génie, Université Laval, Québec, 2001. [2.26] Crundwell, F.K., Godorr, S.A., A mathematical model of the leaching of gold in
cyanide solutions, Hydrometallurgy, 44, 147-162, 1997.
[2.27] Senanayake, G., Kinetics and reaction mechanismof gold cyanidation : surface reaction model via Au(I)-OH-CN complexes, Hydrometallurgy, 80, 1-12, 2005.
[2.28] Wadsworth, M.E., Rate process in the leaching of gold and other metals forming stable complexexes., International Synposium, Quantitative Description of Metal
Extraction Processes, Minerals, Metals & Materials Society, 197-216, 1991. [2.29] Li, J., Zhong, T.K. and Wadsworth, M.E., Application of mixed potential theory in
hydrometallurgy, Hydrometallurgy, 29, 47-60, 1992.
[2.30] Brittan, M.I., Variable activation energy model for leaching kinetics, International Journal of Mineral Processing, 2, 321-331, 1975.
302
[2.31] McLaughlin, J. and Agar, G.E., Development and application of a first order rate equation for modelling the dissolution of gold in cyanide solution, Minerals Engineering, 4, 1305-1314, 1991.
[2.32] Nicol, M., Fleming, C. & Cromberge, G., The absorption of gold cyanide onto
activated carbon. II: Application of the kinetic model to multistage absorption circuits, Journal of the South African Institute of Mining and Metallurgy, 84, 70-78, 1984.
[2.33] Hodouin, D., Bissonnette, B., and Kane, M., An instrumented laboratory cell for
gold cyanidation modelling, Proceedings of the 22th Annual Meeting of the Canadian Mineral Processors, 562-574, 1990.
[2.34] Ling, P., Papangelakis, V.G., Argyropoulos S.A. and Kondos, P.D., An improved rate equation for cyanidation of gold ore, Canadian Metallurgical Quaterly, V35, 3,
225-234, 1996. [2.35] Rubisov, D.H., Papangelakis, V.G. and Kondos, P.D., Fundamental kinetic models
for gold ore cyanide leaching, Canadian Metallurgical Quaterly, V35, 4, 353-361, 1996.
[2.36] Wadsworth, M.E., Zhu, X., Thompson, J.S. and Pereira, C.J., Gold dissolution and
activation in cyanide solution : kinetics and mechanism, Hydrometallurgy, 57, 1-11,
2000. [2.37] Wadsworth, M.E., Surface processes in silver and gold cyanidation, International
Journal of Mineral Processing, 58, 351-368, 2000.
[2.38] de Andrade Lima L.R.P. and Hodouin D., A lump kinetic model for gold ore cyanidation, Hydrometallurgy, 79, 121-137, 2005.
[2.39] Prosser A.P., A general model for the reaction of several minerals and several reagents in heap leaching and dump leaching, Hydrometallurgy, 6, 77-92, 1986.
[2.40] Bouffard S. and Dixon D., On the rate-limiting steps of pyritic refractory gold ore
heap leaching: results from small and large column tests, Mineral Engineering, 15,
859-870, 2002.
[2.41] Bouffard S. and Dixon D., Evaluation of kinetic and diffusion phenomena in cyanide leaching of crushed and run-of-mine gold ores, Hydrometallurgy, 86, 63-71, 2007.
[2.42] Sanchez-Chacon A and Lapidus G., Model for heap leaching of gold ores by
cyanidation, Hydrometallurgy, 44, 1-20, 1997.
303
[2.43] Madron, F. Veverka, V. and Vanecek, V., Statistical analysis of material balance of a chemical reactor, AICHE Journal, 23, 482-486, 1977.
[2.44] Romagnoli, J.A. and Stephanopoulos, G., Rectification of process measurement data in the presence of gross errors, Chemical Engineering Science, 36, 1849-1863,
1981. [2.45] Crowe, C.M., Garcia Campos, G.Y. and Hrymak, A., Reconciliation of process flow
rates by matrix projection, AICHE Journal, 29, 881-888, 1983.
[2.46] Crowe, C.M, Data reconciliation –Progress and challenges, Journal of Process Control, 6, 89-98, 1996.
[2.47] Romagnoli, J.A. and Sanchez M.C., Data processing and reconciliation for chemical process operations, Academic Press, 2000.
[2.48] Narasimhan, S. and Jordache, C., Data reconciliation and gross error detection: an
intelligent use of process data, Gulf Publishing Company, Houston, Texas, 2000.
[2.49] Bagajewicz, M., Process plant instrumentation design and upgrade, Technomic
Publishing Company, Lancaster, Pennsylvania, 2001. [2.50] Hodouin, D. and Everell, M.D. A hierarchical procedure for adjustment and
material balancing of mineral processing data. Journal of Mineral Processing, 7, 91-116, 1980.
[2.51] Schraa, O.J. and Crowe C.M., The numerical solution of bilinear problems using unconstrained optimization methods, Event of the European Federation of Chemical
Engineering., 20, s727-s730, 1996. [2.52] Hodouin, D. and Vaz Coehlo, S., Mass balance calculations around mineral
processing units using composition analyses within particle-size classes, International Journal of Mineral Processing, 21, 65-82, 1987.
[3.1] Laplante A.R., Plant sampling and mass balancing for gold ores, Proceeding of the
First International Symposium on Precious Metals Recovery, v1-v25, 1984.
[3.2] Cimon, D., Barbery, G., Flament, F. and Hodouin, D., Materials balance in gold
processing plants, Proceedings of the Gold Metallurgy International Symposium., 9-21, 1987.
[3.3] De Andrade Lima, L.R.P, Nonlinear data reconciliation in gold processing plant, Minerals Engineering, 19, 938-951, 2006.
[4.1] Wiegel, R.L. and Li, K., A random model for mineral liberation by size reduction,
Society of Mining Engineers, 179-189, 1967.
304
[4.2] King, R.P., A model for the Quantitative Estimation of Mineral Liberation by
Grinding, International Journal of Mineral Processing, 6, 207-220, 1979.
[4.3] King, R.P., The Prediction of Mineral Liberation from Mineralogical Texture, XIV
International Mineral processing Congress CIM, 8, 1-18, 1982. [4.4] Barbery, G., Mineral Liberation: Measurement, Simulation and Practical Use in
Mineral Processing, Éditions GB, 1991.
[4.5] Gay, S., A liberation model for comminution based on probability theory, Minerals Engineering, 17, 525-534, 2004.
[4.6] Stamboliadis, E.T., The evolution of a mineral liberation model by the repetition of a simple random breakage pattern, Minerals Engineering, 21, 213-223, 2008.
[4.7] Lorenzen, L. and Van Deventer, J.S.J., The interrelationship between mineral
liberation and leaching behaviour, International Journal of Mineral Processing, 41,
1-15, 1994.
[4.8] Wen, S.B., Hsih, C.S. and Kuan, C.C., The application of a mineral exposure model in a gold leaching operation, International Journal of Mineral Processing, 46, 215-230, 1996.
[4.9] Habashi, F., Kinetics and mechanism of gold and silver dissolution in cyanide
solution, Bulletin of the Bureau of Mines and Geology, 59, 1967.
[4.10] Rubisov, D.H., Papangelakis, V.G and Kondos, P.D., Fundamental kinetic models
for gold ore cyanide leaching, Canadian Metallurgical Quaterly, 35, 4, 353-361, 1996.
[4.11] Crundwell, F.K. and Godorr, S.A., A mathematical model of leaching of gold in cyanide solutions, Hydrometallurgy, 44, 147-162, 1997.
[4.12] Wadsworth, M.E., Zhu, X., Thompson, J.S. and Pereira, C.J., Gold dissolution and
activation in cyanide solution: kinetics and mechanism, Hydrometallurgy, 57, 1-11,
2000.
[4.13] de Andrade Lima, L.R.P. and Hodouin, D., A lumped kinetic model for gold ore cyanidation, Hydrometallurgy, 79, 121-137, 2005.
[4.14] Senanayake, G., Kinetics and reaction mechanism of gold cyanidation: Surface reaction model via Au(I)-OH-CN complexes, Hydrometallurgy, 80, 1-12, 2005.
[4.15] Brittan, M.I,, Kinetic and equilibrium effects in gold ore cyanidation, Mineral and
Metallurgical Processing, 25, 3, 117-122, 2008.
305
[4.16] Khalesi, M.R, Bazin C., Hodouin D., Bellec S., Simulation of gold grain exposure
of ground ore using Voronoi tesselation, IFAC Conference on Automation in
Mining, Mineral and Metal Industry, 2009.
[4.17] King, R.P., Modeling and simulation of mineral processing systems, Butterworth-Heinemann, 2001.
[4.18] Bazin, C., Broyage et liberation: Quelques idées …Projet de modélisation de la cyanuration par classe granulométrique, Documentation interne, 1-29, 2008.
[5.1] Brittan M.I., Kinetic and equilibrium effects in gold ore cyanidation, Minerals and
Metallurgical Processing, 25, 117-122, 2008.
[5.2] Nienow A.W., Mixing in the process industries, 2nd Edition, Butterworths, London,
1992. [5.3] Perry R.H. and Green D.W., Perry’s chemical engineers’ handbook, 8th Edition,
McGraw-Hill, New York, New York, 2008.
[5.4] Sinnott R.K., Coulson & Richardson's Chemical Engineering, Volume 6: Chemical Engineering Design, 4th Edition, Butterworth-Heinemann, Oxford UK, 1993.
[5.5] Ostle, B., Turner K.V., Hicks C.R. and McElrath G. W., Engineering Statistics – The Indusrial experience, Duxbury Press, Belmont, California, 1996
[5.6] Marsden, J. and House, I., The chemestry of gold extraction, 2nd Edition, Ellis Horwood, New York, New York, 2006.
[5.7] Narasimhan, S. and Jordache, C., Data reconciliation and gross error detection: an
intelligent use of process data, Gulf Publishing Company, Houston, Texas, 2000.
[5.8] Hodouin, D., Bissonnette B. and Kane, M., An instrumented laboratory cell for gold
cyanidation modelling, Proceedings of the 22th annual meeting of the Canadian mineral processors, Ed CIM, 562-574, 1990.
[5.9] de Andrade Lima, L.R.P. and Hodouin, D., A lumped kinetic model for gold ore cyanidation, Hydrometallurgy, 79, 121-137, 2005.
[5.10] Duchesne, C., Notes de cours : Planification et analyse des expériences, Université
Laval, Québec, Québec, 2005.
[6.1] Habashi, F., Kinetics and mechanism of gold and silver dissolution in cyanide
solution, Bulletin of the Bureau of Mines and Geology, 59, 1967.
306
[6.2] Rubisov, D., Papangelakis, V.G. and Kondos, P.D., Fundamental kinetic models for gold ore cyanide leaching, Canadian Metallurgical Quarterly, 35, 353-361, 1996.
[6.3] Bird, R.B., Stewart, W.E. and Lightfoot E.N. Transport phenomena, John Wiley & sons, New York, New York, 1960.
[6.4] Fogler, H.S., Elements of chemical reaction engineering, 3rd Edition, Prentice Hall,
New Jersey, 1999.
[6.5] Marsden, J. and House, I., The chemestry of gold extraction, 2nd Edition, Ellis
Horwood, New York, New York, 2006. [6.6] de Andrade Lima, L.R.P. and Hodouin, D., A lumped kinetic model for gold ore
cyanidation, Hydrometallurgy, 79, 121-137, 2005.
[6.7] de Andrade Lima, L.R.P., Modélisation, automatisation et optimisation appliqués à l’hydrométallurgie de l’or, Thèse de doctorat, Université Laval, 2001.
[7.1] Narasimha, M., Sripriya, R. and Banarjee, P.K., CFD modelling of hydrocyclone – prediction of cut size, International Journal of Mineral Processing, 75, 53-68, 2005.
[7.2] Neesse, T.H. and Dueck, J., Dynamic modelling of the hydrocyclone, Minerals
Engineering, 20, 380-386, 2007.
[7.3] Plitt, L.R., A mathematical model of the hydrocyclone classifier, CIM Bulletin, 114-
123, 1976..
[7.4] Plitt, L.R. and Kawatra, S.K., Estimating the cut (d50) size of classifiers without
product particle size measurement, International Journal of Mineral Processing, 5, 369-378, 1978.
[8.1] Plitt, L.R. and Kawatra, S.K., Estimating the cut (d50) size of classifiers without product particle size measurement, International Journal of Mineral Processing, 5,
369-378, 1978. [8.2] de Andrade Lima, L.R.P. and Hodouin, D., A lumped kinetic model for gold ore
cyanidation, Hydrometallurgy, 79, 121-137, 2005.
[9.1] Gagnon, C., Landry, G., Ourriban, M., Pelletier P. and Bouajila, A., Implementation of cyanidation by size class at Sleeping Giant Mill, CMP 2009, 347-361, 2009.
[10.1] Laplante A.R., Plant sampling and mass balancing for gold ores, Proceeding of the First International Symposium on Precious Metals Recovery, v1-v25, 1984.
[10.2] De Andrade Lima, L.R.P, Nonlinear data reconciliation in gold processing plant,
Minerals Engineering, 19, 938-951, 2006.
307
[10.3] Noaparast, M. and Laplante, A.R., Free gold particles selection and breakage
functions estimation, Iranian Journal of Science & Technology, TB, V28, B6, 667-
677, 2004.
[10.4] Poulin, E., Hodouin, D. and Lachance, L., Estimation of measurement error variance in data reconciliation using a flow distribution model, 15th IFAC Symposium on System Identification, Saint-Malo, France, 2009.
[10.5] Khalesi, M.R., Integrated Modeling of Grinding, Liberation and Leaching of Gold
Ores, Thèse de Doctorat, Departement de Génie des Mines, de la Métallurgie et des Matériaux, Faculté de Sciences et de Génie, Université Laval, Québec.
Annexe I : Rhéogramme de l’usine de traitement du minerai de Géant Dormant
309
Annexe II : Mesures brutes et réconciliées au circuit de broyage de Géant
Dormant
Code échantillonage RMD CF UFC OFC BMF1 BMF2 BMD1 BMD2 MixW
Variable Numéro du courant 2 3 4 5 6 7 8 9 19
XAj 1700 µm 1,28 0,67 0,51 0,00 0,25 0,22
XBj 1180 µm 4,09 1,62 1,40 0,01 0,40 0,42
XCj 850 µm 8,23 3,06 2,76 0,01 0,77 0,96
XDj 600 µm 11,15 4,56 4,50 0,02 1,79 1,86
XEj 425 µm 11,68 5,97 6,29 0,00 3,31 3,62
XFj 300 µm 9,39 7,56 8,32 0,04 5,47 5,92
XGj 212 µm 7,83 10,91 12,52 0,22 9,72 10,13
XHj 150 µm 7,15 17,67 20,63 1,53 17,82 18,73
XIj 106 µm 5,69 17,96 20,42 4,94 21,23 21,32
XJj 75 µm 4,44 11,01 11,30 9,13 13,96 13,86
XKj 53 µm 4,38 6,89 5,79 12,46 9,16 8,73
XLj 38 µm 2,88 3,10 1,97 9,13 4,21 4,03
XMj < 38 µm 21,82 9,03 3,59 62,50 11,91 10,20
%Solides αj (%) 70,9 44,9 66,9 14,6 66,0 66,9
Aj Ag 0,1 1,56 1,66 1,46 1,56 1,98 1,02
Gj Au 1,87 4,16 4,36 3,94 6,67 5,88 2,79
Cj Cu 26,4 45,8 45,8 44,5 53,2 48,8 44,3
θj O2 dissou 0,9 5,5 5,7 5,4 0,9 3,0 6,8
λj CN libre 8,8 19,8 18,6 21,3 31,0 31,5 17,2
Débits minerais Dj T/h 38
Ag Head Asj ppm 28,90 59,80 269,00 17,60 75,30 57,90
Cu Head Csj % 0,205 0,193 0,193 0,210 0,217
Fe Head Fsj % 8,56 9,66 10,30 8,41 8,61
Au Head Gsj ppm 8,83 86,20 119,00 6,04 68,80 75,10
Stot Head Ssj % 2,30 5,03 5,62 2,17 5,12 5,15
Ag +400 Apj ppm 18,90 66,60 71,00 9,40 60,70 59,60
Cu +400 Cpj % 0,167 0,183 0,186 0,132 0,185 0,189
Fe +400 Fpj % 7,69 10,00 9,74 6,84 9,56 9,60
Au +400 Gpj ppm 21,50 83,40 94,40 5,28 77,80 92,30
Stot +400 Spj % 3,22 5,09 5,52 2,16 5,11 5,28
Ag -400 Amj ppm 17,40 42,30 83,60 45,90 46,80 47,50
Cu -400 Cmj % 0,305 0,348 0,387 0,257 0,286 0,306
Fe -400 Fmj % 9,33 11,60 13,40 9,00 10,50 10,80
Au -400 Gmj ppm 5,65 34,50 111,00 6,11 34,90 40,40
Stot -400 Smj % 2,89 4,88 7,99 3,51 5,30 5,56
Mesures effectuées au cicrcuit de broyage - Granulométries - Têtes et Classes grossières/fines
Granulométries(%)
Anal. chim. liq (mg/L)
310
Code échantillonage RMD CF UFC OFC BMF1 BMF2 BMD1 BMD2 MixW
Variable Numéro du courant 2 3 4 5 6 7 8 9 19
Ag 1700 µm AsAj ppm 7,4 7,22 7,77
Ag 1180 µm AsBj ppm 9,74 7,99 10,8 13,9 7,8
Ag 850 µm AsCj ppm 9,48 29,7 34,8 36,2 40,8
Ag 600 µm AsDj ppm 10,8 24,7 17,1 25,8 26,3
Ag 425 µm AsEj ppm 10,6 28,7 240 68,6 91,4
Ag 300 µm AsFj ppm 12,4 104 73,1 45,2 61,3
Ag 212 µm AsGj ppm 10 52,3 45,3 75,2 74,2
Ag 150 µm AsHj ppm 16,4 83,9 31,4 8,62 34,2 30,5
Ag 106 µm AsIj ppm 15,6 91,3 56,5 7,76 79,9 58
Ag 75 µm AsJj ppm 17,7 71,8 98,3 7,64 45,2 52,2
Ag 53 µm AsKj ppm 26,5 119 180 12 99,7 112
Ag 38 µm AsLj ppm 26 134 237 16,8 97,5 113
Ag < 38 µm AsMj ppm 19,2 48,9 138 21,6 50,6 58
Cu 1700 µm CsAj % 0,085 0,095 0,046
Cu 1180 µm CsBj % 0,081 0,100 0,145 0,232 0,143
Cu 850 µm CsCj % 0,096 0,094 0,102 0,142 0,218
Cu 600 µm CsDj % 0,104 0,103 0,105 0,099 0,112
Cu 425 µm CsEj % 0,110 0,123 0,098 0,093 0,086
Cu 300 µm CsFj % 0,117 0,092 0,097 0,091 0,081
Cu 212 µm CsGj % 0,123 0,093 0,084 0,083 0,082
Cu 150 µm CsHj % 0,173 0,097 0,094 0,057 0,089 0,087
Cu 106 µm CsIj % 0,228 0,132 0,147 0,039 0,114 0,111
Cu 75 µm CsJj % 0,296 0,271 0,306 0,057 0,227 0,223
Cu 53 µm CsKj % 0,377 0,528 0,667 0,123 0,452 0,475
Cu 38 µm CsLj % 0,385 0,521 0,785 0,251 0,447 0,511
Cu < 38 µm CsMj % 0,290 0,301 0,422 0,343 0,279 0,293
Fe 1700 µm FsAj % 7,4 5,69 5,85
Fe 1180 µm FsBj % 7,04 6,43 6,81 8,73 6,29
Fe 850 µm FsCj % 7,17 6,98 7,18 8,77 7,41
Fe 600 µm FsDj % 7,64 7,12 6,93 9,26 8,17
Fe 425 µm FsEj % 7,12 7,28 6,94 8,19 7,48
Fe 300 µm FsFj % 7,24 7,06 6,8 7,65 7,1
Fe 212 µm FsGj % 7,61 6,77 6,17 7,28 7,32
Fe 150 µm FsHj % 8,19 7,1 6,73 4,73 7,42 7,3
Fe 106 µm FsIj % 8,62 8,23 8,44 4,13 8,02 7,7
Fe 75 µm FsJj % 8,91 11,9 12,3 4,68 10,9 11,3
Fe 53 µm FsKj % 9,25 17,3 20,6 5,77 15,5 16,3
Fe 38 µm FsLj % 9,37 16,2 24,5 8,06 15,3 16,8
Fe < 38 µm FsMj % 8,84 9,96 13,6 10,2 10,5 10,7
Mesures effectuées au cicrcuit de broyage - Granulochimies Ag, Cu et Fe
311
Code échantillonage RMD CF UFC OFC BMF1 BMF2 BMD1 BMD2 MixW
Variable Numéro du courant 2 3 4 5 6 7 8 9 19
Au1 1700 µm G1sAj ppm 5,36 4,83 42,3
Au1 1180 µm G1sBj ppm 5,87 6,92 7,31 14,6 6,94
Au1 850 µm G1sCj ppm 3,73 28 33 50,3 25,7
Au1 600 µm G1sDj ppm 7,8 39,3 25,6 59,9 28,4
Au1 425 µm G1sEj ppm 6,94 47 70 87,5 105
Au1 300 µm G1sFj ppm 9,66 85,6 113 84,3 135
Au1 212 µm G1sGj ppm 13,1 111 111 110 133
Au1 150 µm G1sHj ppm 14,3 86,6 97,1 10,9 102 97,3
Au1 106 µm G1sIj ppm 14,2 100 99 3,99 80,5 80
Au1 75 µm G1sJj ppm 13,1 109 129 3,85 88,7 105
Au1 53 µm G1sKj ppm 13,5 144 217 4,46 103 134
Au1 38 µm G1sLj ppm 11,4 136 204 7,78 92,7 134
Au1 < 38 µm G1sMj ppm 6,04 37,2 148 12,2 33 48,5
Au2 1700 µm G2sAj ppm 5,57 4,5 5,45
Au2 1180 µm G2sBj ppm 6,81 4,64 6,62 17,3 6,84
Au2 850 µm G2sCj ppm 4,86 27,4 36,7 44,9 32,7
Au2 600 µm G2sDj ppm 8,08 36,6 27,9 66,4 39,2
Au2 425 µm G2sEj ppm 8,11 56,3 66,3 98,4 100
Au2 300 µm G2sFj ppm 10,8 96,2 107 84,9 139
Au2 212 µm G2sGj ppm 11,9 106 120 132 128
Au2 150 µm G2sHj ppm 10,7 98,5 94,2 6,83 63,1 89,2
Au2 106 µm G2sIj ppm 13 98,9 97,3 4,68 103 93,9
Au2 75 µm G2sJj ppm 14,3 105 128 3,89 91,4 107
Au2 53 µm G2sKj ppm 16,5 135 272 4,86 100 135
Au2 38 µm G2sLj ppm 13 140 271 9,03 109 139
Au2 < 38 µm G2sMj ppm 5,36 39,9 160 11,9 37,8 46,7
Stot 1700 µm SsAj % 1,75 1,2 1,25
Stot 1180 µm SsBj % 1,97 1,72 1,8 1,16 1,24
Stot 850 µm SsCj % 2,09 2,19 1,99 1,85 1,74
Stot 600 µm SsDj % 2,36 2,43 2,28 2,32 2,12
Stot 425 µm SsEj % 2,57 2,54 2,5 2,27 2,19
Stot 300 µm SsFj % 2,77 2,62 2,54 2,33 2,37
Stot 212 µm SsGj % 3,09 2,67 2,59 2,37 2,44
Stot 150 µm SsHj % 3,39 3,03 2,99 0,98 2,69 2,74
Stot 106 µm SsIj % 3,8 4,22 4,41 0,63 3,49 3,58
Stot 75 µm SsJj % 4,23 7,96 9,75 0,96 6,83 7,22
Stot 53 µm SsKj % 4,62 13,9 19,8 2,2 12,5 13,7
Stot 38 µm SsLj % 4,53 12,5 24,1 4,26 12,2 14
Stot < 38 µm SsMj % 2,89 4,74 8,81 5,92 4,74 4,84
Mesures effectuées au cicrcuit de broyage - Granulochimies Au et S
312
XAj 1700 µm 1,38 0,39 0,44 0,00 0,43 0,43 0,24 0,25
XBj 1180 µm 4,87 0,97 1,10 0,01 1,1 1,1 0,42 0,46
XCj 850 µm 9,54 1,99 2,25 0,01 2,25 2,25 0,80 1,07
XDj 600 µm 12,38 3,26 3,69 0,02 3,69 3,69 1,90 2,11
XEj 425 µm 12,15 4,90 5,55 0,00 5,55 5,55 3,51 4,13
XFj 300 µm 9,40 6,75 7,64 0,03 7,64 7,64 5,79 6,67
XGj 212 µm 7,71 10,51 11,88 0,22 11,88 11,88 10,21 11,19
XHj 150 µm 6,99 18,37 20,61 1,53 20,61 20,61 18,68 20,44
XIj 106 µm 5,56 19,73 21,70 4,94 21,7 21,7 21,57 21,64
XJj 75 µm 4,34 12,04 12,43 9,14 12,43 12,43 13,57 12,84
XKj 53 µm 4,24 7,36 6,63 12,88 6,63 6,63 8,53 7,43
XLj 38 µm 2,75 3,21 2,31 10,00 2,31 2,31 3,73 3,06
XMj < 38 µm 18,69 10,52 3,77 61,22 3,77 3,77 11,05 8,71
%Solides αj (%) 71,11 44,83 66,62 12,67 66,62 66,62 66,62 66,62
Aj Ag 0,10 1,54 1,54 1,54 1,54 1,54 2,40 2,26 1,18
Gj Au 1,90 4,17 4,17 4,17 4,17 4,17 5,87 4,31 3,94
Cj Cu 26,40 45,57 45,57 45,57 45,57 45,57 52,99 48,3 44,29
θj O2 dissou 0,90 5,32 5,32 5,32 5,32 5,32 0,90 3,05 7,38
λj CN libre 8,78 20,56 20,56 20,56 27,48 30,04 16,14
Débits minerais Dj T/h 38,0 323,3 285,3 38,0 90,0 195,3 90,0 195,3 239,5
Ag Head Asj ppm 18,20 54,80 60,06 15,29 60,06 60,06 59,63 59,70
Cu Head Csj % 0,206 0,198 0,197 0,205 0,197 0,197 0,197 0,197
Fe Head Fsj % 8,28 9,53 9,70 8,28 9,70 9,70 9,70 9,70
Au Head Gsj ppm 8,93 89,97 101,08 6,54 101,08 101,08 100,23 101,01
Stot Head Ssj % 2,68 4,81 5,10 2,61 5,10 5,10 5,07 5,10
Ag +400 Apj ppm 18,01 56,27 58,79 9,36 58,79 58,79 61,51 60,57
Cu +400 Cpj % 0,181 0,186 0,189 0,128 0,189 0,189 0,186 0,187
Fe +400 Fpj % 8,00 9,41 9,55 6,84 9,55 9,55 9,59 9,58
Au +400 Gpj ppm 9,66 96,31 101,26 4,13 101,26 101,26 108,47 105,89
Stot +400 Spj % 2,66 4,81 4,97 1,99 4,97 4,97 5,08 5,06
Ag -400 Amj ppm 19,01 42,28 92,59 19,04 92,59 92,59 44,46 50,61
Cu -400 Cmj % 0,316 0,302 0,407 0,253 0,407 0,407 0,286 0,305
Fe -400 Fmj % 9,50 10,58 13,58 9,19 13,58 13,58 10,62 11,00
Au -400 Gmj ppm 5,76 36,02 96,43 8,07 96,43 96,43 33,90 49,82
Stot -400 Smj % 2,75 4,73 8,47 3,00 8,47 8,47 4,99 5,52
Granulométries(%)
Anal. chim. liq (mg/L)
313
Numéro échantillonage RMD CF UFC OFC BMF1 BMF2 BMD1 BMD2 MixW
Variable Numéro du courant 2 3 4 5 6 7 8 9 19
Ag 1700 µm AsAj ppm 5,09 8,33 8,33 0,00 8,33 8,33 11,97 10,74
Ag 1180 µm AsBj ppm 7,54 8,80 8,81 1,68 8,81 8,81 12,65 9,67
Ag 850 µm AsCj ppm 14,82 25,62 25,63 2,75 25,63 25,63 41,18 39,03
Ag 600 µm AsDj ppm 15,30 21,35 21,36 4,13 21,36 21,36 26,56 26,14
Ag 425 µm AsEj ppm 15,35 39,58 39,58 0,00 39,58 39,58 51,45 48,82
Ag 300 µm AsFj ppm 15,39 49,00 49,03 5,39 49,03 49,03 57,63 54,83
Ag 212 µm AsGj ppm 15,90 51,24 51,35 6,08 51,35 51,35 56,54 53,77
Ag 150 µm AsHj ppm 17,18 35,38 35,65 6,51 35,65 35,65 37,56 35,68
Ag 106 µm AsIj ppm 24,22 64,97 66,73 6,83 66,73 66,73 65,37 66,83
Ag 75 µm AsJj ppm 27,26 65,53 71,25 7,10 71,25 71,25 62,82 69,34
Ag 53 µm AsKj ppm 34,70 106,18 131,54 8,19 131,54 131,54 109,57 112,31
Ag 38 µm AsLj ppm 41,95 104,71 156,59 14,72 156,59 156,59 104,51 116,18
Ag < 38 µm AsMj ppm 19,01 42,28 92,59 19,04 92,59 92,59 44,46 50,61
Cu 1700 µm CsAj % 0,063 0,083 0,083 0,000 0,083 0,083 0,111 0,097
Cu 1180 µm CsBj % 0,085 0,119 0,119 0,016 0,119 0,119 0,209 0,150
Cu 850 µm CsCj % 0,099 0,113 0,113 0,030 0,113 0,113 0,144 0,128
Cu 600 µm CsDj % 0,118 0,122 0,122 0,039 0,122 0,122 0,131 0,123
Cu 425 µm CsEj % 0,133 0,123 0,123 0,000 0,123 0,123 0,121 0,119
Cu 300 µm CsFj % 0,139 0,107 0,107 0,050 0,107 0,107 0,101 0,100
Cu 212 µm CsGj % 0,147 0,095 0,095 0,059 0,095 0,095 0,088 0,090
Cu 150 µm CsHj % 0,203 0,104 0,104 0,064 0,104 0,104 0,097 0,100
Cu 106 µm CsIj % 0,292 0,138 0,140 0,069 0,140 0,140 0,129 0,134
Cu 75 µm CsJj % 0,381 0,271 0,289 0,087 0,289 0,289 0,258 0,270
Cu 53 µm CsKj % 0,411 0,536 0,642 0,125 0,642 0,642 0,504 0,566
Cu 38 µm CsLj % 0,477 0,539 0,728 0,211 0,728 0,728 0,473 0,588
Cu < 38 µm CsMj % 0,316 0,302 0,407 0,253 0,407 0,407 0,286 0,305
Fe 1700 µm FsAj % 6,28 6,67 6,67 0,00 6,67 6,67 7,69 6,79
Fe 1180 µm FsBj % 6,78 7,14 7,14 1,51 7,14 7,14 8,34 7,36
Fe 850 µm FsCj % 7,31 7,56 7,56 2,67 7,56 7,56 8,57 7,64
Fe 600 µm FsDj % 7,43 7,78 7,78 2,80 7,78 7,78 8,64 7,83
Fe 425 µm FsEj % 7,64 7,69 7,69 0,00 7,69 7,69 7,91 7,63
Fe 300 µm FsFj % 7,72 7,51 7,51 3,47 7,51 7,51 7,61 7,42
Fe 212 µm FsGj % 7,98 7,51 7,52 4,03 7,52 7,52 7,45 7,47
Fe 150 µm FsHj % 8,60 7,90 7,94 4,23 7,94 7,94 7,79 7,90
Fe 106 µm FsIj % 8,95 9,23 9,37 4,63 9,37 9,37 9,15 9,28
Fe 75 µm FsJj % 9,51 10,83 11,33 5,68 11,33 11,33 10,6 11,02
Fe 53 µm FsKj % 9,60 15,47 17,46 7,80 17,46 17,46 15,15 16,3
Fe 38 µm FsLj % 10,03 16,55 21,33 8,25 21,33 21,33 16,12 17,93
Fe < 38 µm FsMj % 9,50 10,58 13,58 9,19 13,58 13,58 10,62 11
Mesures réconciliées au cicrcuit de broyage - Granulochimies Ag, Cu et Fe
314
Numéro échantillonage RMD CF UFC OFC BMF1 BMF2 BMD1 BMD2 MixW
Variable Numéro du courant 2 3 4 5 6 7 8 9 19
Au1 1700 µm G1sAj ppm 5,46 5,98 5,98 0,00 5,98 5,98 7,71 5,98
Au1 1180 µm G1sBj ppm 6,06 7,46 7,47 0,44 7,47 7,47 12,05 8,37
Au1 850 µm G1sCj ppm 7,23 21,17 21,18 0,71 21,18 21,18 44,62 37,35
Au1 600 µm G1sDj ppm 7,57 34,40 34,41 0,84 34,41 34,41 73,81 48,70
Au1 425 µm G1sEj ppm 8,23 64,61 64,61 0,00 64,61 64,61 93,66 85,53
Au1 300 µm G1sFj ppm 9,71 88,27 88,33 1,72 88,33 88,33 107,77 102,01
Au1 212 µm G1sGj ppm 11,21 99,66 99,90 1,93 99,9 99,9 108,50 107,80
Au1 150 µm G1sHj ppm 12,31 95,80 96,74 2,33 96,74 96,74 102,52 98,53
Au1 106 µm G1sIj ppm 13,24 95,34 98,15 3,01 98,15 98,15 98,15 98,15
Au1 75 µm G1sJj ppm 13,80 117,31 128,46 3,14 128,46 128,46 119,62 122,93
Au1 53 µm G1sKj ppm 14,05 143,62 179,73 3,45 179,73 179,73 149,82 154,70
Au1 38 µm G1sLj ppm 10,14 119,59 184,60 6,81 184,6 184,6 126,35 134,92
Au1 < 38 µm G1sMj ppm 5,76 36,02 96,43 8,07 96,43 96,43 33,90 49,82
Au2 1700 µm G2sAj ppm 5,46 5,98 5,98 0,00 5,98 5,98 7,71 5,98
Au2 1180 µm G2sBj ppm 6,06 7,46 7,47 0,44 7,47 7,47 12,05 8,37
Au2 850 µm G2sCj ppm 7,23 21,17 21,18 0,71 21,18 21,18 44,62 37,35
Au2 600 µm G2sDj ppm 7,57 34,40 34,41 0,84 34,41 34,41 73,81 48,70
Au2 425 µm G2sEj ppm 8,23 64,61 64,61 0,00 64,61 64,61 93,66 85,53
Au2 300 µm G2sFj ppm 9,71 88,27 88,33 1,72 88,33 88,33 107,77 102,01
Au2 212 µm G2sGj ppm 11,21 99,66 99,90 1,93 99,9 99,9 108,50 107,80
Au2 150 µm G2sHj ppm 12,31 95,80 96,74 2,33 96,74 96,74 102,52 98,53
Au2 106 µm G2sIj ppm 13,24 95,34 98,15 3,01 98,15 98,15 98,15 98,15
Au2 75 µm G2sJj ppm 13,80 117,31 128,46 3,14 128,46 128,46 119,62 122,93
Au2 53 µm G2sKj ppm 14,05 143,62 179,73 3,45 179,73 179,73 149,82 154,70
Au2 38 µm G2sLj ppm 10,14 119,59 184,60 6,81 184,6 184,6 126,35 134,92
Au2 < 38 µm G2sMj ppm 5,76 36,02 96,43 8,07 96,43 96,43 33,90 49,82
Stot 1700 µm SsAj % 1,64 1,43 1,43 0,00 1,43 1,43 1,31 1,27
Stot 1180 µm SsBj % 1,79 1,57 1,58 0,28 1,58 1,58 1,32 1,24
Stot 850 µm SsCj % 1,94 1,87 1,87 0,36 1,87 1,87 1,82 1,76
Stot 600 µm SsDj % 2,14 2,25 2,25 0,46 2,25 2,25 2,38 2,31
Stot 425 µm SsEj % 2,36 2,35 2,35 0,00 2,35 2,35 2,37 2,34
Stot 300 µm SsFj % 2,54 2,48 2,48 0,64 2,48 2,48 2,44 2,49
Stot 212 µm SsGj % 2,77 2,68 2,69 0,73 2,69 2,69 2,62 2,69
Stot 150 µm SsHj % 3,04 2,69 2,71 0,88 2,71 2,71 2,61 2,70
Stot 106 µm SsIj % 3,44 3,82 3,91 0,94 3,91 3,91 3,76 3,87
Stot 75 µm SsJj % 3,81 7,69 8,32 1,18 8,32 8,32 7,79 7,82
Stot 53 µm SsKj % 4,11 13,54 16,51 2,06 16,51 16,51 13,15 14,80
Stot 38 µm SsLj % 4,24 13,76 19,75 3,35 19,75 19,75 12,90 15,90
Stot < 38 µm SsMj % 2,75 4,73 8,47 3,00 8,47 8,47 4,99 5,52
Mesures réconciliées au cicrcuit de broyage - Granulochimies Au et S
315
Annexe III : Analyses du degré de libération des grains
d’or
316
317
318
319
320
321
Annexe IV : Résultats bruts des tests de broyage
discontinu
322
Annexe V : Plan d’expériences présenté à COREM
Objectifs de l’expérimentation
Objectif principal
Vérifier l’hypothèse suivante : l’étape limitante de la réaction de cyanuration de
l’or présent dans une pulpe à environ 50% solide est celle de la diffusion des réactifs vers le site de la réaction.
Objectif secondaire
Déterminer, si les méthodes de dosage le permettent, le rôle de H2O2 dans la réaction de cyanuration de l’or.
Description du minerai à utiliser pour les tests de cyanuration
Utiliser le matériel échantillonné à l’entrée du circuit de broyage de Géant Dormant (matériel n’ayant pas eu de contact avec le cyanure et le PbNO3 présent
dans le circuit).
12 lots de 1kg de minerai ayant des caractéristiques semblables doivent être utilisés. Ces caractéristiques sont :
o Granulométrie d’environ 50% passant 38 m et 65% passant 75 m
o Concentration en or de tête d’environ 10ppm
o Concentration en or dans le -38 m et le +38 m semblable pour les 12
lots
Il est donc nécessaire de broyer le matériel échantillonné à l’entrée du circuit de broyage avant d’effectuer les cyanurations en cuve.
Il est essentiel que la surface des particules soit fraîche et activée lors des essais expérimentaux de cyanuration en cuve. Par conséquent, s’il est préférable de ne
pas utiliser un matériel fraîchement broyé, il faut « rafraîchir » les surfaces en appliquant la méthode décrite à la section 3.2.2 du rapport final R-128 COREM.
Description des essais de cyanuration
Les 12 essais de cyanuration doivent être effectués dans des conditions expérimentales identiques (à l’exception de la vitesse d’agitation de la pulpe et
de la durée des tests). Ces conditions expérimentales sont les suivantes :
323
o Cuve de 2 Litres
o Position de l’agitateur à 3,5 cm du fond de la cuve o Injection d’air sous l’agitateur o Pulpe à 50% solide
o Pré-aération du matériel sur une durée de 24h o Concentration initiale de PbNO3 à 450 g/t
o pH contrôlé à 11 o Concentration en cyanure libre contrôlée à 600 g/t o Température contrôlée à 20oC
o Oxygène à saturation dans le réacteur
Les 12 expériences seront divisées ainsi o 4 cyanurations de 1 heure aux vitesses de rotations suivantes:
Vitesse de 1200 RPM
Vitesse de 1350 RPM Vitesse de 1500 RPM
Vitesse de 1650 RPM o 4 cyanurations de 2 heures aux mêmes vitesse d’agitation que les tests
effectués sur une période d’une heure.
o 4 cyanurations de 4 heures aux vitesses d’agitation suivantes : 1200
2 tests à 1350 RPM 1650 RPM
Pour chacun des tests, les paramètres suivants devront être mesurés : o La granulométrie du matériel utilisé pour chacun des tests (avant la
cyanuration). o La granulométrie du minerai après chacun des tests (après chacune des
cyanurations).
o La granulochimie (concentration en Au, Ag, Fe, Cu et S dans chacune des classes granulométriques) du minerai avant la cyanuration.
o La granulochimie du minerai après la cyanuration. o La concentration en or et autres métaux dans la solution aux temps
suivants : 10 min, 20 min, 30 min, 45 min, 60 min, 75 min, 90 min, 105
min, 120 min, 150 min, 180 min, 210 min, 240 min, Un ajout de liquide doit donc être effectué dans la solution afin de garder les conditions
opératoires constantes après l’échantillonnage de la solution. o Faire le suivi de la concentration H2O2 dans la solution en temps réel
Annexe VI : Résultats des essais discontinus de cyanuration
Test à 1200 RPM sur 1 heure
Taille particules SiO2 Al2O3 MgO CaO K2O TiO2 MnO Cu Fe Pb S Zn Ag Au(m) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) mg/L mg/L
150 61,6 10,2 2,92 3,19 1,56 0,61 0,1 0,04 6,67 0,02 2,1 0,08 20,6 34,3
75 62 9,25 2,75 3,82 1,4 0,61 0,1 0,09 7,35 0,03 3,32 0,17 9,55 6,87
45 60 8,15 2,47 5,01 1,17 0,58 0,11 0,17 8,02 0,03 4,38 0,26 11,3 6,41
38 57,7 7,42 2,4 6,08 1,05 0,55 0,12 0,24 8,53 0,04 4,89 0,34 9,99 7,04
-38 48,9 12,1 3,73 7,23 1,95 0,47 0,16 0,19 8,57 0,08 2,37 0,29 5,01 1,13
Tête (calculée) 55,07 10,60 3,21 5,64 1,66 0,53 0,13 0,147 7,98 0,05 2,86 0,23 9,04 7,79
Temps pH O2 CN CN ajouté Ag liq Au liq Cu liq Fe liq
(min) mg/L mg/L mg/L mg/L mg/L mg/L mg/L Taille Matière
0 11,08 33,5 598 598 0 0 (m) (%)
10 10,85 35,7 420 17,4 3,95 1,67 25,9 0,022 150 13,88
20 11 35,6 452 144,3 4,83 2,15 30,1 0,039 75 21,71
30 10,97 34,5 520 103 5,11 2,36 30,5 0,16 45 10,89
45 11,02 37,2 581 18,1 5,41 2,51 33,6 0,053 38 3,98
60 10,99 36,8 573 5,54 2,61 34,7 0,078 -38 49,54
880,8
307,8
Ajout total (mg)
CN consommé (mg)
Granulométrie
325
Test à 1350 RPM sur 1 heure
Test à 1500 RPM sur 1 heure
Tailles particules SiO2 Al2O3 MgO CaO K2O TiO2 MnO Cu Fe Pb S Zn Ag Au(m) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) mg/L mg/L
150 62,2 10,5 3,09 3,26 1,59 0,62 0,1 0,04 6,76 0,02 2,12 0,08 10,7 21,8
75 61,3 8,96 2,64 3,86 1,37 0,61 0,1 0,09 7,46 0,03 3,55 0,16 10,6 6,53
45 59 8,12 2,5 5,14 1,22 0,58 0,11 0,18 8,06 0,03 4,34 0,26 9,42 6,71
38 57,2 7,29 2,4 6,06 1,03 0,55 0,12 0,24 8,59 0,04 5,02 0,36 7,16 3,91
-38 49,4 12 3,67 7,35 1,93 0,47 0,16 0,19 8,58 0,07 2,55 0,29 4,93 0,68
Tête (calculée) 55,15 10,52 3,19 5,72 1,65 0,54 0,13 0,148 8,02 0,05 3,00 0,23 7,56 5,72
Temps pH O2 CN CN ajouté Ag liq Au liq Cu liq Fe liq
(min) mg/L mg/L mg/L mg/L mg/L mg/L mg/L Taille Matière
0 11 33,4 600 600 0 0 (m) (%)
10 10,68 34,7 440 144,5 3,99 1,82 29,5 0,037 150 14,10
20 10,96 35,3 530 80,4 5,04 2,53 33,3 0,066 75 21,77
30 10,96 36,7 568 59,3 5,31 2,8 34,5 0,28 45 10,98
45 10,9 36,9 592 17,9 5,98 3,21 37,7 0,23 38 3,87
60 11,06 36,5 573 6,17 3,36 40,2 0,26 -38 49,28
902,1
329,1
Ajout total (mg)
CN consommé (mg)
Granulométrie
Taille particules SiO2 Al2O3 MgO CaO K2O TiO2 MnO Cu Fe Pb S Zn Ag Au(m) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) mg/L mg/L
150 61,9 10,2 3,06 3,23 1,57 0,62 0,1 0,05 6,76 0,02 2,16 0,07 5,08 4,47
75 61,7 8,94 2,62 3,85 1,35 0,58 0,1 0,1 7,38 0,03 3,41 0,16 5,78 3,07
45 59,4 8,05 2,53 5,1 1,16 0,58 0,1 0,18 7,97 0,03 4,28 0,25 5,31 2,53
38 56,6 7,51 2,37 6,12 1,04 0,56 0,11 0,25 8,75 0,03 5,13 0,36 6,27 1,69
-38 49,1 12 3,7 7,24 1,94 0,47 0,16 0,19 8,6 0,07 2,43 0,3 4,83 0,55
Tête (calculée) 55,08 10,48 3,20 5,65 1,64 0,53 0,13 0,151 8,01 0,05 2,90 0,23 5,18 1,92
Temps pH O2 CN CN ajouté Ag liq Au liq Cu liq Fe liq
(min) mg/L mg/L mg/L mg/L mg/L mg/L mg/L Taille Matière
0 11,1 35,1 600 600 0 0 (m) (%)
10 10,81 36,8 438 176,4 4,81 2,55 28,4 0,06 150 14,71
20 11,09 36,3 568 60,3 6,57 3,94 32,4 0,06 75 21,37
30 11,07 37,1 580 39,3 7,44 4,93 35,3 0,05 45 10,77
45 11,04 37,9 577 18 8,28 5,74 37,8 0,11 38 3,87
60 11,03 37,3 560 7,91 5,91 39,6 0,11 -38 49,28
Ajout total (mg) 894
CN consommé (mg) 334
Granulométrie
326
Test à 1650 RPM sur 1 heure
Taille particules SiO2 Al2O3 MgO CaO K2O TiO2 MnO Cu Fe Pb S Zn Ag Au(m) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) mg/L mg/L
150 62,5 10,5 3,05 3,08 1,59 0,62 0,1 0,05 6,77 0,02 2,16 0,07 5,12 9,37
75 62,1 8,98 2,65 3,78 1,28 0,6 0,1 0,10 7,31 0,03 3,36 0,14 5,61 2,24
45 59,6 8,18 2,47 4,92 1,08 0,56 0,1 0,17 7,9 0,03 4,29 0,25 5,51 1,49
38 57,2 7,29 2,39 6,09 1,04 0,55 0,12 0,24 8,61 0,04 5,01 0,35 6,22 1,27
-38 49,3 11,8 3,65 7,24 1,98 0,46 0,16 0,20 8,6 0,08 2,53 0,28 4,8 0,96
Tête (calculée) 55,25 10,41 3,17 5,66 1,63 0,53 0,13 0,158 8,01 0,05 2,98 0,22 5,16 2,31
Temps pH O2 CN CN ajouté Ag liq Au liq Cu liq Fe liq
(min) mg/L mg/L mg/L mg/L mg/L mg/L mg/L Taille Matière
0 11,07 36,9 603 603 0 0 (m) (%)
10 10,7 35,9 460 165,4 5,27 3,02 30,5 0,058 150 11,71
20 11,02 35,9 551 70,5 7,08 4,34 32,7 0,17 75 22,65
30 11 38,8 580 17,4 7,21 5,26 36 0,74 45 11,59
45 10,96 40,1 555 92,2 8,16 5,97 36,9 0,15 38 3,92
60 10,95 39,8 605 8,15 6,33 39,6 0,26 -38 50,14
Ajout total (mg) 948,5
CN consommé (mg) 343,5
Granulométrie
327
Test à 1200 RPM sur 2 heures
Taille particules SiO2 Al2O3 MgO CaO K2O TiO2 MnO Cu Fe Pb S Zn Ag Au(m) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) mg/L mg/L
150 62 10,5 3,07 3,21 1,57 0,62 0,1 0,04 7,1 0,03 2,18 0,09 9,17 11,3
75 62,6 9,01 2,74 3,85 1,36 0,62 0,1 0,08 7,88 0,04 3,49 0,15 13 9,94
45 59,7 7,88 2,39 5,12 1,16 0,57 0,11 0,17 8 0,04 4,39 0,25 8,37 5,52
38 56,6 7,29 2,41 6,09 1,04 0,55 0,12 0,24 8,56 0,04 4,94 0,35 8,93 4,12
-38 49,4 12 3,57 7,24 1,97 0,46 0,16 0,18 8,59 0,07 2,51 0,3 4,16 0,66
Tête (calculée) 55,52 10,50 3,14 5,64 1,65 0,53 0,13 0,139 8,15 0,05 2,98 0,23 7,46 4,90
Temps pH O2 CN CN ajouté Ag liq Au liq Cu liq Fe liq
(min) mg/L mg/L mg/L mg/L mg/L mg/L mg/L Taille Matière
0 11,11 37,3 601 601 0 0 (m) (%)
10 10,8 36,8 442 175,3 3,93 1,76 28 0,059 150 14,50
20 10,98 36,1 556 59,7 4,71 2,3 31,4 0,13 75 21,85
30 11,02 36,5 606 17,5 4,78 2,4 31,4 0,12 45 11,03
45 10,95 37,4 582 38,3 5,43 2,75 35,5 0,083 38 3,80
60 10,99 36,6 581 38,7 5,57 2,84 37,1 0,13 -38 48,82
75 10,98 36,2 577 38,2 5,68 2,98 39,7 0,11
90 10,95 36,8 582 40 5,7 3,03 40,5 0,18
105 10,98 37,5 616 17,3 5,61 3,11 40,2 0,089
120 10,97 36,7 573 5,73 3,18 41,1 0,115
Ajout total (mg) 1026
CN consommé (mg) 453
Granulométrie
328
Test à 1350 RPM sur 2 heures
Taille particules SiO2 Al2O3 MgO CaO K2O TiO2 MnO Cu Fe Pb S Zn Ag Au(m) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) mg/L mg/L
150 61,9 10,2 3,01 3,23 1,58 0,62 0,1 0,05 6,82 0,02 2,14 0,08 10,7 13,1
75 61 9,02 2,65 3,79 1,38 0,61 0,1 0,1 7,31 0,03 3,35 0,15 11,3 7,99
45 59,6 8,15 2,49 5,13 1,19 0,58 0,11 0,19 8 0,03 4,26 0,25 9,89 6,07
38 57,2 7,54 2,44 6,07 1,04 0,56 0,12 0,25 8,47 0,04 4,83 0,35 5,32 3,91
-38 49,4 11,8 3,67 7,27 1,94 0,47 0,16 0,2 8,61 0,07 2,4 0,3 3,77 0,72
Tête (calculée) 55,20 10,39 3,17 5,63 1,65 0,54 0,13 0,157 7,99 0,05 2,87 0,23 7,17 4,84
Temps pH O2 CN CN ajouté Ag liq Au liq Cu liq Fe liq
(min) mg/L mg/L mg/L mg/L mg/L mg/L mg/L Taille Matière
0 11,05 38,1 600 600 0 0 (m) (%)
10 10,77 36,9 430 176,9 4,13 1,84 28,2 0,041 150 14,68
20 10,96 37,2 577 49,9 4,76 2,37 30,5 0,053 75 21,92
30 11,04 37,2 564 61,5 5,39 2,7 34,1 0,055 45 11,04
45 10,99 37,6 599 17,3 5,95 3,07 37,5 0,068 38 3,76
60 11,02 38,1 556 59,4 6,1 3,21 39,2 0,12 -38 48,60
75 10,98 38,5 620 18,4 6,15 3,33 41,2 0,1
90 11,01 40,3 586 17,5 6 3,18 40,2 0,085
105 10,95 38,1 573 39,4 6,26 3,34 44,2 0,13
120 11,02 37 586 5,65 3,02 40,8 0,1
Ajout total (mg) 1040,3
CN consommé (mg) 454,3
Granulométrie
329
Test à 1500 RPM sur 2 heures
Tailles particules SiO2 Al2O3 MgO CaO K2O TiO2 MnO Cu Fe Pb S Zn Ag Au(m) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) mg/L mg/L
150 62,4 10,6 2,94 3,26 1,57 0,61 0,1 0,06 6,73 0,02 2,14 0,09 7,47 6,2
75 61,7 9,13 2,81 3,78 1,31 0,58 0,1 0,1 7,37 0,03 3,36 0,16 6,02 6,08
45 60,1 8,23 2,42 5,08 1,1 0,58 0,11 0,19 8,07 0,03 4,36 0,26 7,01 3,96
38 57,1 7,39 2,4 6,09 1,04 0,55 0,12 0,25 8,59 0,04 4,97 0,35 7,42 2,84
-38 49,8 12,2 3,71 7,35 1,97 0,46 0,16 0,21 8,66 0,07 2,41 0,29 3,93 0,62
Tête (calculée) 55,63 10,68 3,21 5,68 1,64 0,52 0,13 0,164 8,03 0,05 2,89 0,23 5,37 3,07
Temps pH O2 CN CN ajouté Ag liq Au liq Cu liq Fe liq
(min) mg/L mg/L mg/L mg/L mg/L mg/L mg/L Taille Matière
0 11 41 612 612 0 0 (m) (%)
10 10,7 38,5 464 191,6 4,12 1,79 29,5 0,031 150 14,46
20 11,12 38,9 608 16,4 4,96 2,29 33,3 1,28 75 21,83
30 11,04 34,7 556 59,6 4,94 2,47 32,9 0,16 45 11,05
45 11,29 44 564 49,2 5,8 3,03 37,5 0,31 38 3,68
60 11,34 37,9 599 17,2 6,08 3,38 39,3 0,37 -38 48,97
75 11,35 38,6 599 17,2 6,03 3,73 43 0,1
90 11,4 38,1 599 17,1 6,56 3,95 45,4 0,13
105 11,44 39 586 27 6,29 4,07 46,1 0,18
120 11,41 36,3 573 6,62 4,18 46,9 0,21
Ajout total (mg) 1007,3
CN consommé (mg) 434,3
Granulométrie
330
Test à 1650 RPM sur 2 heures
Tailles particules SiO2 Al2O3 MgO CaO K2O TiO2 MnO Cu Fe Pb S Zn Ag Au(m) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) mg/L mg/L
150 62,3 10,3 3 3,24 1,58 0,64 0,1 0,05 6,86 0,03 2,23 0,09 5,28 2,37
75 61,9 9,03 2,65 3,82 1,37 0,61 0,1 0,09 7,43 0,02 3,42 0,15 6,03 1,82
45 60,4 8 2,4 5,12 1,16 0,58 0,1 0,18 8,05 0,04 4,36 0,25 5,17 0,99
38 56,7 7,16 2,36 6,16 1,03 0,57 0,12 0,25 8,73 0,04 5,14 0,36 4,98 0,55
-38 49,3 12,1 3,68 7,24 1,99 0,46 0,16 0,19 8,55 0,07 2,3 0,28 3,55 0,24
Tête (calculée) 55,40 10,55 3,17 5,65 1,67 0,54 0,13 0,149 8,01 0,05 2,86 0,22 4,57 0,99
Temps pH O2 CN CN ajouté Ag liq Au liq Cu liq Fe liq
(min) mg/L mg/L mg/L mg/L mg/L mg/L mg/L Taille Matière
0 10,99 37,9 602 602 0 0 (m) (%)
10 10,59 35,7 438 176,1 4,82 2,6 30,3 0,057 150 14,78
20 11,06 35,6 556 145,6 5,44 4,01 32,6 0,046 75 21,45
30 11,1 36,7 659 18,6 6,18 5,04 35,7 0,062 45 10,83
45 11,13 38,1 625 18,6 5,82 5,96 38,5 0,083 38 3,68
60 11,18 36,8 612 18,9 4,46 6,78 39,9 0,085 -38 49,26
75 11,23 39,1 599 18,6 4,54 7,1 41,8 0,092
90 11,26 36,9 595 18,5 5,29 7,46 44,5 0,1
105 11,3 37,2 586 18,6 4,09 7,41 44,5 0,12
120 11,37 38,9 586 4,07 7,81 47,3 0,19
Ajout total (mg) 1035,5
CN consommé (mg) 449,5
Granulométrie
331
Test à 1200 RPM sur 4 heures
Tailles particules SiO2 Al2O3 MgO CaO K2O TiO2 MnO Cu Fe Pb S Zn Ag Aum) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) mg/L mg/L
150 62,3 10,4 3,04 3,24 1,58 0,62 0,1 0,05 6,77 0,01 2,02 0,08 10,1 12,3
75 62,1 9,15 2,68 3,8 1,38 0,61 0,09 0,1 7,39 0,03 3,08 0,15 6,9 9,82
45 59,5 8,02 2,52 5,05 1,18 0,57 0,11 0,18 8,08 0,03 4,25 0,25 5,88 5,06
38 57 7,6 2,43 6,12 1,02 0,56 0,12 0,25 8,64 0,04 4,94 0,35 6,5 2,32
-38 49,2 11,9 3,08 7,26 1,93 0,46 0,16 0,25 8,61 0,07 2,29 0,3 3,49 0,34
Tête (calculée) 55,41 10,48 2,90 5,62 1,64 0,53 0,13 0,180 8,01 0,05 2,74 0,23 5,59 4,79
Temps pH O2 CN CN ajouté Ag liq Au liq Cu liq Fe liq
(min) mg/L mg/L mg/L mg/L mg/L mg/L mg/L Taille Matière
0 11,16 35,3 600 600 0 0 (m) (%)
10 11,17 36,2 499 122,3 4,46 2,11 34,2 0,23 150 14,75
20 11,11 35,5 547 69,1 4,79 2,8 38,2 0,72 75 21,98
30 11,15 37 569 49,4 4,99 3,08 39,2 0,28 45 11,19
45 11,06 37,7 556 59,7 5,31 3,29 41,1 0,39 38 3,72
60 11 38,2 538 82,4 5,25 3,23 40,8 0,28 -38 48,36
75 11,04 37,9 625 17,3 5,54 3,63 47 0,34
90 11,01 37,7 625 16,9 5,4 3,74 48,7 0,36
105 11 38,1 621 17,9 5,16 3,74 49,4 0,37
120 10,96 37,7 599 18,6 5,19 3,1 41,6 0,35
150 10,94 38,1 573 49 5,18 3,92 53,1 1,43
180 10,92 39,1 625 17,4 5,51 3,98 54,4 0,59
210 10,94 37,7 564 48,2 5,34 4,1 56,8 0,78
240 10,85 36 590 5,31 4,04 57,6 0,76
Ajout total (mg) 1168,2
CN consommé (mg) 578,2
Granulométrie
332
Test à 1350 RPM sur 4 heures – 1er test
Tailles particules SiO2 Al2O3 MgO CaO K2O TiO2 MnO Cu Fe Pb S Zn Ag Au(m) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) mg/L mg/L
150 62,3 10,2 3,06 3,22 1,58 0,63 0,1 0,04 6,74 0,03 2,25 0,09 7,85 4,25
75 61,7 9,16 2,7 3,83 1,4 0,6 0,1 0,09 7,4 0,03 3,44 0,16 5,08 2,11
45 59,6 8,16 2,52 5,13 1,19 0,59 0,13 0,18 8,08 0,04 4,47 0,26 5,09 0,95
38 57,1 7,53 2,4 6,16 1,03 0,54 0,12 0,24 8,47 0,04 4,8 0,34 4,22 0,71
-38 49,8 12 3,66 7,31 2 0,46 0,16 0,18 8,54 0,07 2,38 0,28 3,06 0,31
Tête (calculée) 55,63 10,52 3,19 5,65 1,68 0,53 0,13 0,142 7,97 0,05 2,92 0,23 4,48 1,38
Temps pH O2 CN CN ajouté Ag liq Au liq Cu liq Fe liq
(min) mg/L mg/L mg/L mg/L mg/L mg/L mg/L Taille Matière
0 11,1 33,9 601 601 0 0 (m) (%)
10 11,09 35 477 132,6 4,6 2,64 31,5 0,58 150 14,79
20 11,11 35,5 577 37,8 4,57 3,67 36,2 0,51 75 22,03
30 11,05 35 543 70,4 4,77 4,24 37,5 0,38 45 11,17
45 11,12 36,6 595 16,4 5,68 5,24 41,8 0,84 38 3,62
60 11,09 36,4 564 17,5 5,3 5,4 43,2 0,69 -38 48,39
75 11,06 37,4 595 17,5 5,75 5,49 44,2 0,44
90 11,03 36,1 577 38,5 5,32 5,61 45,7 0,33
105 11,01 36,6 590 27,9 5,53 5,66 47,4 0,54
120 10,96 36,6 564 49,2 5,25 5,59 47,5 0,46
150 10,98 36,4 608 18,1 5,57 5,77 49,6 0,39
180 11,04 36,5 547 70 5,29 6,12 51 0,39
210 10,95 37,3 590 27,2 5,24 6,14 53,2 0,67
240 10,90 37,3 595 5,45 6,08 53,9 0,52
Ajout total (mg) 1124,1
CN consommé (mg) 529,1
Granulométrie
333
Test à 1350 RPM sur 4 heures – 2e test
Tailles particules SiO2 Al2O3 MgO CaO K2O TiO2 MnO Cu Fe Pb S Zn Ag Au(m) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) mg/L mg/L
150 61,8 10,3 2,98 3,19 1,58 0,61 0,1 0,04 6,71 0,02 1,99 0,08 7,09 5,95
75 61,9 9,18 2,67 3,82 1,37 0,6 0,1 0,09 7,44 0,03 3,31 0,15 9,76 6,09
45 59,6 7,96 2,51 5,08 1,19 0,58 0,1 0,18 7,92 0,03 4,12 0,26 6,92 5,15
38 57,1 7,46 2,37 6,14 1,02 0,56 0,12 0,26 8,87 0,04 5,29 0,37 7,24 3,99
-38 48,8 11,9 3,59 7,25 1,96 0,46 0,16 0,19 8,56 0,07 2,28 0,3 3,31 0,63
Tête (calculée) 55,05 10,47 3,14 5,63 1,66 0,53 0,13 0,148 7,98 0,05 2,77 0,23 5,80 3,22
Temps pH O2 CN CN ajouté Ag liq Au liq Cu liq Fe liq
(min) mg/L mg/L mg/L mg/L mg/L mg/L mg/L Taille Matière
0 11,19 37,1 602 602 0 0 (m) (%)
10 11,19 39,4 486 131,9 4,68 2,31 35,2 0,22 150 14,79
20 11,18 38,4 538 80,6 5,04 2,77 26,5 0,24 75 22,03
30 11,12 38,3 595 17,3 4,94 3,09 39,4 0,3 45 11,17
45 11,14 39,3 577 38,7 5,35 3,37 41,7 0,79 38 3,62
60 11,10 39,8 573 48,8 5,2 3,33 43,2 0,43 -38 48,39
75 11,09 39,5 603 17,6 5,27 3,33 44,8 0,32
90 11,07 38 569 50,2 4,76 3,38 45,6 0,32
105 11 34,2 603 18,1 4,92 3,41 46,2 0,32
120 11 34,8 556 60,3 5,32 3,62 47 0,35
150 10,97 36,3 590 27,3 4,79 3,62 50,3 0,42
180 11,23 34,5 590 27,8 4,89 3,67 51,7 0,49
210 10,95 32,4 560 60,1 4,8 3,72 53,1 0,47
240 10,98 38 625 4,93 3,76 54,2 0,44
Ajout total (mg) 1180,7
CN consommé (mg) 555,7
Granulométrie
334
Test à 1650 RPM sur 4 heures
Tailles particules SiO2 Al2O3 MgO CaO K2O TiO2 MnO Cu Fe Pb S Zn Ag Au(m) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) (%) mg/L mg/L
150 62,3 10,5 2,99 3,25 1,62 0,62 0,1 0,04 6,78 0,03 2,13 0,09 7,6 9,9
75 62,6 9,17 2,65 3,88 1,39 0,61 0,1 0,09 7,42 0,03 3,38 0,15 5,56 2,48
45 59,4 7,85 2,49 5,05 1,15 0,58 0,11 0,17 8,03 0,03 4,35 0,27 3,96 0,78
38 57,3 7,22 2,38 6,1 1,03 0,56 0,12 0,23 8,46 0,04 4,83 0,34 4,01 0,34
-38 49,4 11,9 3,61 7,28 1,96 0,46 0,16 0,19 8,62 0,08 2,4 0,3 3,14 0,25
Tête (calculée) 55,53 10,47 3,14 5,67 1,66 0,53 0,13 0,146 8,02 0,05 2,88 0,24 4,43 2,20
Temps pH O2 CN CN ajouté Ag liq Au liq Cu liq Fe liq
(min) mg/L mg/L mg/L mg/L mg/L mg/L mg/L Taille Matière
0 11 32,8 601 601 0 0 (m) (%)
10 11,04 32,7 477 143,4 4,71 2,73 35,4 0,23 150 14,79
20 11,04 31,7 577 38,1 4,78 4,08 40,5 0,27 75 22,03
30 11,02 32,7 564 49,4 4,72 4,66 42,1 0,36 45 11,17
45 11,1 32,9 582 38,8 5,63 5,42 44,5 0,34 38 3,62
60 11,11 33,6 599 17,5 5,71 6,16 47,3 0,51 -38 48,39
75 11,04 33,4 564 49,4 6,02 6,27 48,1 0,37
90 11,03 33,9 582 38,7 6,38 6,43 49,8 0,53
105 10,99 32,9 607 18 6,08 6,6 49,6 0,38
120 10,98 32,5 586 41,2 6,14 6,53 50,4 0,58
150 10,99 32,1 569 49,2 5,92 6,51 53,3 0,69
180 10,96 31,3 564 48,5 5,82 6,47 55,5 0,54
210 10,97 31,5 599 17 5,85 6,47 57,7 0,91
240 10,97 32,2 547 5,81 6,36 56,3 1,52
Ajout total (mg) 1150,2
CN consommé (mg) 603,2
Granulométrie
335
Annexe VII : Résultats des simulations discontinus de lixiviation à l’aide d’un
modèle empirique d’ordre α
dp 1650 RPM(m) 1h 2h 4h 1h 2h 4h 4h rep 1h 2h 1h 2h
>150 34,32 11,7 12,1 22,05 13,12 5,01 5,78 5,01 6,03 8,37 4,35
75 à 150 6,85 9,87 9,7 6,5 7,94 2,52 5,98 5,54 5,54 4,06 5,47
48 à 75 6,39 5,49 5,01 6,57 6,22 1,39 4,81 5,35 3,86 2,53 4,77
38 à 45 6,05 4,04 2,23 4,34 4,64 1,26 3,05 6,2 2,73 1,97 3,07
<38 1,31 0,76 0,48 1,33 0,76 0,49 0,48 1,34 0,7 1,26 0,65
Tête calculé 7,84 4,98 4,79 6,07 4,90 1,73 3,03 3,39 2,95 2,90 2,77
1200 RPM 1350 RPM 1500 RPM
336
Annexe VIII : Résultats des essais de traceurs au lithium
T ech C in éch 1 C in éch 2
(min) (ppm) (ppm)
0 0 0
0,5 0 0
1 0 0
1,5 0 0,00328
2 0 0,0192
2,5 0 0,343
3 0,00288 0,581
3,5 0,0159 0,532
4 0,0339 0,567
4,5 0,0953 0,482
5 0,344 0,464
6 0,0288 0,346
7 0,00806 0,0243
8 0,00357 0,0219
9 0 0,0171
10 0 0,0142
13 0 0,00655
16 0 0,00269
19 0 0,00269
22 0 0,00145
25 0 0,0015
30 0 0
35 0 0,00129
40 0 0
45 0 0
50 0 0
55 0 0,00102
60 0 0
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0 5 10 15 20 25 30
Concentration à lasortie du broyeur 1
Concentration à lasortie du broyeur 2
337
Annexe IX : Classes granulométriques du simulateur