Горный институт КНЦ РАН, Апатиты, Россия

Никитин Р. М., ученый секретарь, канд. техн. наук, r.nikitin@ksc.ru
Остапенко С. П., ведущий научный сотрудник, канд. техн. наук
Фомин А. В., старший научный сотрудник, канд. техн. наук

Мурманский арктический университет, Апатиты, Россия
Бирюков В. В., старший преподаватель

В результате проведенных исследований разработаны методологические основы компьютерного моделирования процессов разделения минерального сырья в диапазоне размеров от атомных до габаритов исполнительных аппаратов. Представлены решения, основанные на использовании методов моделирования многофазных многоскоростных систем, показаны особенности применения программного обеспечения молекулярной динамики при изучении поведения тонкодисперсных минеральных суспензий, приведены примеры имитационных и адаптивных моделей обогатительных процессов и схем, созданных, в том числе, с использованием технологий машинного обучения. Разработанные цифровые решения обеспечивают имитацию и визуализацию движения и разделения частиц минералов в исполнительных аппаратах и работы технологических схем с целью расчета управляющих воздействий на процессы переработки минерального сырья.

1. Хопунов Э. А. Цифровизация технологий недропользования // Известия вузов. Горный журнал. 2021. № 2. С. 70–78.
2. Грицаюк Я. О., Осипова В. А. Цифровая трансформация процессов обогащения // КИП и автоматика: обслуживание и ремонт. 2021. № 1. С. 29–31.
3. Van Der Horn E., Mahadevan S. Digital Twin: Generalization, characterization and implementation // Decision Support Systems. 2021. Vol. 145. ID 113524.
4. Лукичев С. В., Наговицын О. В. Моделирование объектов и процессов горной технологии как основа системного подхода к решению задач горного производства // ФТПРПИ. 2018. № 6. С. 180–189.
5. Громов Е. В., Бирюков В. В., Зотов А. М. Решение задач добычи и переработки рудного сырья Кольского полуострова на основе информационных технологий // ФТПРПИ. 2018. № 6. С. 127–137.
6. Рыльникова М. В., Струков К. И., Радченко Д. Н., Есина Е. Н. Цифровая трансформация – условие и основа устойчивого развития горнотехнических систем // Горная промышленность. 2021. № 3. С. 74–78.
7. Наговицын О. В. Развитие горно-геологической информационной системы в современных реалиях российской горнодобывающей отрасли // Горная промышленность. 2023. № 5S. С. 35–40.
8. Pedlosky J. Geophysical Fluid Dynamics. 2nd ed. – New York : Springer, 1987. – 710 p.
9. Batchelor G. K. An Introduction to Fluid Dynamics. – Cambridge : Cambridge University Press, 1967. – 634 p.
10. Нигматулин Р. И. Основы механики гетерогенных сред. – М. : Наука, 1978. – 336 с.
11. Versteeg H., Malalasekera W. An introduction to Computational Fluid Dynamics: The Finite Volume Method. 2nd. – Harlow : Pearson Education, 2007. – 503 p.
12. Gosman A. D., Ioannides E. Aspects of Computer Simulation of Liquid-Fuelled Combustors // Journal of Energy. 1983. Vol. 7. No. 6. P. 482–490.
13. Cundall P. A., Strack O. D. L. A discrete numerical model for granular assemblies // Géotechnique. 1979. Vol. 29. Iss. 1. P. 47–65.
14. Скороходов В. Ф., Хохуля М. С., Опалев А. С., Бирюков В. В., Никитин Р. М. Применение методов вычислительной гидродинамики к исследованию и анализу процессов разделения минералов // ФТПРПИ. 2013. № 3. С. 179–187.
15. Скороходов В. Ф., Хохуля М. С., Опалев А. С., Фомин А. В., Бирюков В. В. и др. Прикладные аспекты применения компьютерного моделирования гидродинамики многофазных сред в исследованиях процессов разделения минералов при обогащении руд // ФТПРПИ. 2019. № 2. С. 139–153.
16. Limbach H. J., Arnold A., Mann B. A., Holm C. ESPResSo–an extensible simulation package for research on soft matter systems // Computer Physics Communications. 2006. Vol. 174. Iss. 9. P. 704–727.
17. Phillips J. C., Hardy D. J., Maia J. D. C., Stone J. E., Ribeiro J. V. et al. Scalable molecular dynamics on CPU and GPU architectures with NAMD // The Journal of Chemical Physics. 2020. Vol. 153. Iss. 4. ID 044130.
18. Liu J., Wang F., Chen J., Xu L., Cao Q. Insights into the effect of magnetic interactions on the magnetization process of matrices in high gradient magnetic separation // Minerals Engineering. 2021. Vol. 174. ID 107269.
19. Осипова Н. В. Модель стабилизации качества железорудного концентрата в процессе магнитной сепарации с использованием экстремального регулирования // Металлург. 2018. № 4. С. 11–16.
20. Просвирнин В. И., Масюткин Е. П., Масюткин Д. Е. Уточненная математическая модель коагуляции магнитных частиц при криволинейном движении // Современные наукоемкие технологии. 2017. № 9. С. 58–63.
21. Yamashita A. S., Thivierge A., Euzébio T. A. M. A review of modeling and control strategies for cone crushers in the mineral processing and quarrying industries // Minerals Engineering. 2021. Vol. 170. ID 107036.
22. Padhi M., Mangadoddy N., Mainza A. N., Anand M. Study on the particle interaction in a hydrocyclone classifier with multi-component feed blend at a high solids content // Powder Technology. 2021. Vol. 393. P. 380–396.
23. Noome Z. M., Le Roux J. D., Padhi R. Optimal control of mineral processing plants using constrained model predictive static programming // Journal of Process Control. 2023. Vol. 129. ID 103067.
24. Александрова Т. Н., Чантурия А. В. Выбор схемы рудоподготовки железистых кварцитов по результатам имитационного моделирования // Обогащение руд. 2023. № 1. С. 3–9.
25. Блюденов А. П., Макушев С. Ю., Черепанов Д. В., Шнайдер Д. А. Цифровизация обогатительной фабрики // Горная промышленность. 2023. № 3. С. 15–18.
26. McCoy J. T., Auret L. Machine learning applications in minerals processing: A review // Minerals Engineering. 2019. Vol. 132. P. 95–109.
27. Koh E. J. Y., Amini E., Gaur S., Maquieira M. B., Heck C. J. et al. An Automated Machine learning (AutoML) approach to regression models in minerals processing with case studies of developing industrial comminution and flotation models // Minerals Engineering. 2022. Vol. 189. ID 107886.
28. Gomez-Flores A., Ilyas S., Heyes G. W., Kim H. A critical review of artificial intelligence in mineral concentration // Minerals Engineering. 2022. Vol. 189. ID 107884.
29. Хохуля М. С., Фомин А. В. Использование методов вычислительной гидродинамики в процессах гравитационного обогащения различных видов минерального сырья // ГИАБ. 2017. Спецвыпуск 23. С. 474–482.
30. Фомин А. В., Хохуля М. С., Опалев А. С., Львов В. В. Изучение сепарационных характеристик разделения промпродукта основной магнитной сепарации в гидроциклоне на основе компьютерного моделирования // ГИАБ. 2017. Спецвыпуск 23. С. 465–473.
31. Хохуля М. С., Фомин А. В. Исследование закономерностей сегрегации железорудного сырья на винтовых аппаратах с использованием численного моделирования // Обогащение руд. 2023. № 1. С. 22–28.
32. Кондратьев С. А. Подходы к выбору флотационных реагентов-собирателей // ФТПРПИ. 2022. № 5. С. 109–124.
33. Humphrey W., Dalke A., Schulten K. VMD: Visual Molecular Dynamics // Journal of Molecular Graphics. 1996. Vol. 14. Iss. 1. P. 33–38.
34. Ozkan A. Determination of the critical surface tension of wetting of minerals treated with surfactants by shear flocculation approach // Journal of Colloid and Interface Science. 2004. Vol. 277. Iss. 2. P. 437–442.
35. Остапенко С. П., Опалев А. С. Методический подход к исследованию магнитного взаимодействия тонкодисперсных частиц в водной суспензии методом компьютерного моделирования // Горная промышленность. 2023. № 5S. С. 142–149.
36. Fu Y., Aldrich C. Deep Learning in Mining and Mineral Processing Operations: A Review // IFAC-PapersOnLine. 2020. Vol. 53. Iss. 2. P. 11920–11925.
37. Ohenoja M., Koistinen A., Hultgren M., Remes A., Kortelainen J. et al. Continuous adaptation of a digital twin model for a pilot flotation plant // Minerals Engineering. 2023. Vol. 198. ID 108081.
38. Zhang D., Gao X. A digital twin dosing system for iron reverse flotation // Journal of Manufacturing Systems. 2022. Vol. 63. P. 238–249.