A geometallurgical approach for gravity separation for spodumene

Laitinen, Teemu (2025). A geometallurgical approach for gravity separation for spodumene. (Mémoire de maîtrise). Université du Québec en Abitibi-Témiscamingue. Depositum. https://depositum.uqat.ca/id/eprint/1721

Prévisualisation

PDF Télécharger (25MB) | Prévisualisation

Résumé

RÉSUMÉ

Ce projet fut réalisé en collaboration avec Patriot Battery Metals Inc. et visait à développer un cadre géométallurgique pour évaluer le comportement du minerai de spodumène d’origine pegmatitique lors de la séparation gravimétrique. Une attention particulière a été portée à la description des carottes de forage et à la subjectivité inhérente aux observations géologiques, puisque les données produites par les géologues sont utilisées pour évaluer les performances des tests de séparation par liquide lourd (heavy liquid separation ou HLS). Étant donné que la HLS est étroitement liée à la séparation par milieu dense (dense media separation ou DMS), et que la taille des grains de spodumène montre une forte corrélation avec la récupération en HLS, on s’attend à ce que les performances du DMS puissent également être prédites à partir de l’analyse des carottes.

Comme l’entreprise capture déjà des images RGB haute résolution des carottes, cette étude vise en premier lieu à réduire la subjectivité des observations des géologues en appliquant des techniques de traitement d’image à ces visuels existants, limitant ainsi le besoin de travail manuel supplémentaire. Les images traitées ont été analysées à l’aide d’algorithmes d’apprentissage machine pour automatiser la détection et l’estimation de la taille des minéraux. Étant donné que la taille des grains a une influence directe sur la récupération au HLS, et par extension sur la performance du DMS, cette intégration de la description des carottes, de la géométallurgie, du traitement d’image et de l’apprentissage automatisé devrait améliorer la précision et l’efficacité de la caractérisation du minerai de spodumène. En fin de compte, le projet vise à optimiser les opérations de traitement du minerai.

Cette approche intégrée a conduit à plusieurs résultats notables. Le modèle d’apprentissage automatisé a permis de détecter et de quantifier la taille des grains de spodumène à partir d’images RGB des carottes avec une forte corrélation par rapport aux observations des géologues et aux résultats des tests HLS. Plus précisément, le diamètre équivalent moyen (deq) a montré une corrélation plus forte (R² = 79,72 %) avec la récupération de lithium que les estimations visuelles des géologues (R² = 71,78 %). De plus, l’analyse automatisée a permis de générer des courbes complètes de distribution granulométrique, ce qui était auparavant très fastidieux avec les méthodes traditionnelles. Ces distributions suivent bien les modèles classiques utilisés en fragmentation tels que ceux de Gates-Gaudin-Schuhmann et Rosin-Rammler, renforçant ainsi la crédibilité de la méthode automatisée. De plus, la méthode basée sur l’analyse d’image a fourni des estimations plus fiables du pourcentage de spodumène par rapport aux observations de géologues, avec un coefficient de détermination presque deux fois plus élevé que celui obtenu par les estimations humaines. Ces résultats démontrent que l’apprentissage automatisé appliqué aux images de carottes peut améliorer la cohérence, l’objectivité et la précision quantitative des évaluations géologiques, constituant ainsi un outil précieux pour affiner les prédictions géométallurgiques du comportement du spodumène en traitement du minerai.

ABSTRACT

This project was conducted in collaboration with Patriot Battery Metals Inc. and focused on developing a geometallurgical framework for evaluating the behavior of spodumene pegmatite ore in gravity separation. A key emphasis was placed on drill core logging and the subjectivity inherent in geological observations, as the data produced by geologists was used to evaluate heavy liquid separation (HLS) test performance. Since HLS is closely related to dense medium separation (DMS), and spodumene grain size has shown a strong correlation with HLS recovery, it is expected that DMS performance could also be predicted from drill core analysis.

As the company already captures high-resolution RGB-images of drill cores, this study aims to reduce subjectivity in logging by applying image processing techniques to these existing visuals, eliminating the need for additional manual work. The processed images are analyzed using machine learning algorithms to automate the detection and size estimation of mineral grains. Since grain size has a direct influence on HLS recovery, and by extension, DMS performance, this integration of core logging, geometallurgy, image analysis, and machine learning is expected to enhance the accuracy and efficiency of spodumene ore characterization. Ultimately, the project seeks to optimize mineral processing operations.

This integrated approach led to several notable findings. The machine learning model was able to detect and quantify spodumene grain sizes from RGB drill core images with strong correlation to HLS test results. Specifically, the mean equivalent area diameter of spodumene grains showed a stronger correlation (R² = 79.72%) with lithium recovery than geologists’ visual estimates (R² = 71.78%). Moreover, machine-based analysis enabled the generation of full grain size distribution curves – a tedious task in traditional core logging. These distributions were well-fitted with classical crushing models such as Gates-Gaudin-Schuhmann and Rosin-Rammler, increasing the credibility of the automated method. Additionally, the image-based method provided more reliable spodumene percentage estimations compared to manual logging, with a coefficient of determination nearly double that of human estimates. The results collectively demonstrate that machine learning, when applied to drill core images, can enhance the consistency, objectivity, and quantitative resolution of geological assessments, providing a valuable tool for improving geometallurgical predictions of spodumene processing behavior.

Type de document:	Thèse ou mémoires (Mémoire de maîtrise)
Directeur ou directrice de recherche:	Legault, Marc
Codirecteurs de mémoire/thèse:	Boulanger, Jean-François
Informations complémentaires:	Institution en extension : Polytechnique Montréal.
Mots-clés libres:	Spodumene Ore, Image-analysis, core logging, grain size, predictive modelling, Minerai de spodumène, analyse d'images, diagraphie, granulométrie, modélisation prédictive
Divisions:	Mines et eaux souterraines > Maîtrise en génie minéral
Date de dépôt:	05 nov. 2025 16:19
Dernière modification:	05 nov. 2025 16:19
URI:	https://depositum.uqat.ca/id/eprint/1721

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt