Nyttoanalys av volym- och fragmenteringsmätning

(1)

Nyttoanalys av volym- och

fragmenteringsmätning

För en bättre uppskattning av järnhalt vid lastning i Kiruna skivrasgruva

Tobias Tonvall

Civilingenjör, Väg- och vattenbyggnad

2017

Luleå tekniska universitet

(2)

i

Förord

Detta examensarbete innebär avslutet av min civilingenjörsutbildning vid Luleå Tekniska Universitet. Tack till mina handledare vid LTU, Daniel Johansson och Nikos Petropoulos, för deras hjälp under arbetets gång. Examensarbetet är beställt av LKAB, där Matthias Wimmer tog initiativ till projektet. Jag vill rikta ett stort tack till Matthias Wimmer och Anders Nordqvist, vilkas stora kunskap,

erfarenhet och hjälpsamhet har varit ett stort stöd. Jag vill även tacka FoU-teknikerna Jonny

Olofsson, Johanna Johansson och Leif Keskitalo för deras arbetsinsatser och engagemang som gjorde fältförsöket till en framgång.

Jag vill även tacka familj, släkt och vänner, i och utanför studentlivet, som ställt upp och funnits där under den här tiden. Ett särskilt stort tack till Britta Selendal och Kjell Vesterberg, som alltid

välkomnat mig till Kiruna och deras hem, vilket har varit oumbärligt och en stor trygghet på fler sätt och vid fler tillfällen än vad som kan nämnas i detta förord.

(3)

ii

Sammanfattning

I LKAB:s gruva i Kiirunavaara i Malmfälten tillämpas brytningsmetoden skivrasbrytning, som går ut på att driva ortar in i malmkroppen, från dem borra uppåtgående hål i malmkroppen, spränga och sedan lasta ut malmen, som med gravitationens hjälp rasar ner i orten.

Ett mål för detta examensarbete är att undersöka fragmenterings- och volymmätningens potentiella effekt på det dataunderlag som ligger till grund för beslutsfattande i produktionslastningen. Ett mål är också att undersöka fragmenteringens effekt på skrymdensiteten vid skivrasbrytning.

Analysarbetet baseras på data från ett markörförsök som utfördes i Kiirunavaaragruvan 2013/2014. För att verifiera tillförlitligheten hos det mätdata som ligger till grund för analysen, har metoderna för mätning av massa och skopvolym testats. En känd volym stenmaterial med en given

fragmentering vägdes i en lastmaskin och fotograferades på samma vis som under markörförsöken. Resultatet för volymmätningen visade på en överskattning som minskade med ökande volym och var mindre än 5 % för volymer över 4 m3. Resultatet för viktmätningen indikerade dock ett konsekvent fel på över 20 %, vilket dock berodde på felaktig eller inte genomförd kalibrering av just den lastmaskinen.

Volymanalysen visade att beräkningsmetoden som LKABs mjukvara för beräkning av järnhalt (WOLIS) använder sig av har utrymme för förbättringar. Efter att de föreslagna ändringarna genomförts, kvarstår dock en överskattning på 14 % av järnutbytet för WOLIS jämfört med volymmätning. Vid jämförelse av järnhalterna vs. utlastningsgrad, så visar WOLIS och volymmätningar liknande trender med vissa skillnader, och dessa bedöms inte vara stora nog för att påverka lastningsbeslut.

Den första hypotesen inför fragmenteringsanalysen var att det skulle finnas ett samband mellan blandad fragmentering och skrymdensitet för skopor som bedömts innehålla endast malm; detta på grund av att mindre fragment teoretiskt fyller ut hålrummen mellan större fragment. Något sådant samband kunde inte styrkas utifrån analysen. Den andra hypotesen var att det finns ett samband mellan grövre fragmentering och lägre skrymdensitet för de analyserade skoporna (både malm- och gråbergsskopor), och bekräftades av analysen. Detta stämmer väl överens med erfarenheten av brytningsmetoden, där grövre fragmenterat material ofta inte kommer från malmkroppen, och därmed inte är uppsprängt som material i sprängkransarna.

Volym- eller fragmenteringsmätning i produktionen rekommenderas inte av detta arbete. Istället föreslås förändringar av beräkningsmodellen i WOLIS. En systematisk överskattning av malmutbytet kvarstår dock. Överskattningen utreds inte i detta arbete utan föreslås som fortsatt arbete,

(4)

iii

Abstract

In the LKAB-mine in Kiirunavaara in the ore fields of Norrbotten, the mining method Sublevel Caving is used. Drifts are developed transverse through the orebody from which blast rings are drilled upwards. The ore is blasted while the hangingwall progressively fails and fills the void. By means of gravity flow both materials may be transported to the drawpoint from which mucking is carried out. One objective of the thesis is to examine the potential effect of volume measurement on the data which serves as basis for decision-making in the mucking operation. Another objective is to

investigate the effect of fragmentation on bulk density. The analysis is based on data acquired from a gravity flow study executed in the Kiirunavaara Mine in 2013/2014.

In order to verify the reliability of the measured data, which is the basis of the analysis, the methods for measurement of bucket mass and bucket volume were tested. A known amount of crushed stone of a certain size fraction was weighted in an LHD bucket and photographed in the same manner as during the marker trials. The volume results showed an over-estimation of less than 5 % for buckets with volumes larger than 4 m3.The error decreased with increasing volume. The weight, however, was consistently off by over 20 %, which could be attributed to improper or overlooked calibration of that particular LHD.

The volume analysis showed that there is room for improvement in the calculation methods applied in the software used by LKAB to calculate iron content (WOLIS). With the proposed changes

however, a 14 %-over-estimation of iron recovery remains for WOLIS compared to the volume-measured data. When comparing iron content and extraction rate, the WOLIS-based curves show similar trends with some differences. They are not, however, expected to be enough to have bearing on mucking decisions.

The first hypothesis for the fragmentation analysis is that a correlation exists between

(5)

iv

Innehåll

Förord ... i Sammanfattning ...ii Abstract ... iii Teckenförklaring ... vi 1. Inledning ... 1

2. Syfte och frågeställningar ... 2

3. Mätsystem ... 3 3.1 Skopvåg ... 3 3.2 Lastningskriterier ... 4 3.3 Skopvolym ... 5 3.4 Metodtest ... 7 3.5 Mätning av fragmentering ... 12 3.5.1 Om fragmentering ... 12

3.5.2 Quick Rating System (QRS) ... 13

4. Analys av data ... 14

4.1 Avgränsningar ... 14

4.2 Volymanalys ... 15

4.2.1 Beskrivning av mätdata ... 15

4.2.2 Analys av malmhalt ... 17

4.2.3 Exempel på utvärdering av Fe-halt för krans 101-16 ... 18

4.3 Fragmentering ... 20

4.3.1 Metodik ... 20

4.3.2 Resultat skopor före gråbergsinblandning ... 21

4.3.3 Resultat hela dataunderlaget ... 25

5 Diskussion ... 31

5.1 Metodtest ... 31

5.2 Volymanalys ... 31

5.3 Fragmenteringsanalys ... 32

6 Slutsatser ... 33

7 Rekommendationer för fortsatt arbete ... 33

8 Referenser ... 34

(6)

v

Härledning av alternativ formel för beräkning av malmhalt i WOLIS, efter Nordqvist (2016b) ... 36

Appendix B – Volymmätt formel ... 37

Härledning av formel för beräkning av järnhalt med uppmätt volym, efter Wimmer (2016b) ... 37

Appendix C - Malmhaltsanalys ... 38

Appendix D - Fragmenteringsanalys ... 52

(7)

vi

Teckenförklaring

V Skopvolym [m3] Vmedel Medelskopvolym [m3] m Skopvikt [ton] mm Malmvikt [ton]

mm100 Skopvikt för 100 % malmskopa [ton]

mg100 Skopvikt för 100 % gråbergsskopa [ton]

ρ Skopdensitet [ton/m3]

ρm Densitet för malmskopa [ton/m3]

ρg Densitet för gråbergsskopa [ton/m3]

x50 Kornstorlek som är större än 50 % av det fragmenterade materialet

x80 Kornstorlek som är större än 80 % av det fragmenterade materialet

(8)

1

1. Inledning

Det statligt ägda gruvbolaget Loussavaara-Kirunavaara AB (LKAB) har bedrivit järnmalmsbrytning i Malmfälten i Norrbottens Län i drygt tolv decennier, och producerade 2016 sammanlagt 49,4

miljoner ton råmalm. Den största av LKABs gruvor, gruvan i berget Kiirunavaara, har varit i drift i över 110 år.

Figur 1: Infografik över brytningsmetoden i gruvan i Kiirunavaara, LKAB (2016)

I gruvan i Kirunavaara, internt benämnd KUJ (Kiruna Under Jord), tillämpas sedan 1960-talet skrivrasbrytning som enda brytningsmetod (se Figur 1). Skivrasbrytning går ut på att först driva tvärorter genom malmkroppen, en process som kallas tillredning. När tillredningen är klar borras serier av långa uppåtgående hål, s.k. kransar, från de färdigtillredda ortarna, som laddas med

sprängmedel och sprängs. Standardkransarna har formen av en solfjäder och sprängs normalt en och en. Rasmassorna lastas ut efter varje sprängning tills alla kransar lastats ut. Utlastningen av malm innebär en succesiv underminering av bergmassan ”bakom” malmen, som kallas hängväggen, alltså det berg som malmkroppen lutar bort från. Detta innebär att det förutom den lossprängda malmen, finns naturligt fragmenterat gråberg som kommer in i rasmassorna som ska lastas ut. Denna

gråbergsinblandning är en utmaning för de gruvor som tillämpar skivrasbrytning.

Tillredning, borrning av kransar och lastning pågår samtidigt på flera nivåer i gruvan, som kallas

skivor. Under åren har brytningsmetoden skalats upp till dagens skivhöjd, alltså höjden från en

brytningsnivå till nästa, vilket har möjliggjort en allt större produktion, men också att problemen med gråbergsinblandning och ojämnare styckefallsflöde ökat i betydelse (Brunton, 2009). Detta

tillsammans med det ökande brytningsdjupet och de medföljande bergspänningarna ställer allt större krav på förståelse av mekanismerna bakom skrivrasbrytningens tre huvudkomponenter; sprängfunktion, fragmentering och rasflöde (Wimmer, 2012).

(9)

2

syfte att detekteras vid utlastningen av malmen. Markörerna registreras med hjälp av RFID-teknik (Radio Frequency Identification), och ger på så vis en bild av hur den losshållna malmen kommit ner. Försöket bestod dessutom av inmätning av spränghålen, höghastighetsfilmning och

vibrationsmätning av sprängverkan, fotografering och filmning av rasfronten och malmskopan och övervakning av flödesstörningar. För mer information om försöket, hänvisas till Nordqvist & Wimmer (2016). Till grund för detta examensarbete är de data som gäller massa-, volym- och

fragmenteringsmätning av skoporna som registrerades under markörförsöket, och fotografier på sagda skopor.

2. Syfte och frågeställningar

Ett mål för detta examensarbete är att, utifrån förhållandena i de kransar som berörts vid markörförsöket i Kiirunavaaragruvan, undersöka volymmätningens potentiella effekt på det dataunderlag som ligger till grund för beslutsfattande i produktionslastningen.

Ett mål är också att undersöka fragmenteringens effekt på skrymdensiteten vid skivrasbrytning. Det har tidigare indikerats att mätning av volymen i sammanhanget har potential för att öka

noggrannheten i mätningen av råmalmuttaget (Boeg Jensen, 2012). Det ena syftet med detta arbete är att fastslå huruvida det på detta sätt finns ett mervärde i att mäta volymen av det lastade

materialet. Det andra syftet med arbetet är att undersöka om det finns ett mervärde att känna till fragmenteringen.

En hypotes för detta examensarbete är att med blandad fragmentering, dvs. fragmentering med spridda kornstorlekar, följer mindre porvolym och därmed högre densitet. Tanken bakom hypotesen är att tomrummen mellan större partiklar fylls ut av mindre partiklar och på så vis öka densiteten och på så vis ge sken av en högre järnhalt. Ett exempel på detta togs upp av Mitchell & Soga (2005), när silt blandas in i tidigare vällagrad sand, minskade porvolymen upp till en viss siltinblandning (siltkvot 25 %).

En andra hypotes för arbetet är att det finns ett samband mellan grov fragmentering och låg densitet, som beror på att grövre fragmentering ofta härrör från naturligt fragmenterat gråberg ur hängväggen och inte sprängt material från kransen.

(10)

3 Figur 2: Princip för WOLIS dataloggningsprocess (Nordqvist, 2016a)

Som en del i examensarbetet utvärderas även volymmätningen som gjordes vid markörförsöket, i syfte att avgöra tillförlitligheten av data använt vid analysen.

3. Mätsystem

3.1 Skopvåg

I KUJ används två typer av lastmaskiner; den eldrivna LH 625E och den dieseldrivna LHD 621. Den eldrivna varianten är större och har en större skopa och kan därför lasta fler ton per lass.

Vid lastning under jord bestäms vikten av den fyllda skopan med hjälp av hydraultrycket i skopans lyftcylinder. Vikten översätts till en andel malm respektive järnhalt1 genom att anta att en

malmskopa motsvarar 27,5 ton och att en gråbergsskopa motsvarar 17 ton. Detta spann gäller för ellastskoporna. Andelen malm i skopan fås sedan genom att använda formeln:

𝑚𝑚 𝑚 = 1 −

𝑚 − 𝑚𝑔100 𝑚𝑚100− 𝑚𝑔100

(1)

Ett glidande medelvärde om 15 skopor räknas ut för att jämna ut kurvan (se exempelvis Figur 15). Formel (1) ger ett linjärt samband mellan skopvikt och malmhalt (se Figur 3). mg100

Baserat på härledning som gjordes av Nordqvist (2016b) och återfinns i Appendix A, föreslås som ny korrekt WOLIS-formel; 𝑚𝑚 𝑚 = 𝑚𝑚100 𝑚 (𝑚 − 𝑚𝑔100) (𝑚𝑚100− 𝑚𝑔100) (2) 1

(11)

4

Den korrekta WOLIS-formeln (2) visas grafiskt tillsammans med den nuvarande (1) i Figur 3.

Figur 3: Jämförelse av de olika WOLIS-formlernas samband mellan skopvikt och malmhalt

Lastmaskinerna som används i KUJ är utrustade med en integrerad skopvåg som används för att väga varje lastad skopa. I produktionen vägs skopan stillastående på plan mark framför schaktet, vilket stämmer överens med tillverkarens anvisningar för korrekt användning, som enligt tillverkaren ger en felmarginal på ±3 % (Sandvik, 2014). Lastmaskinerna har varsin ”standardvikt” som antas motsvara en fylld skopa med 45 % järnhalt. Denna används i WOLIS när en skopvikt inte loggats.

Standardvikten för LH 625E är 25 ton och motsvarande för LHD 621 är 21 ton. (Wimmer, 2016a) En brist i både metodtestet och markörförsöken är att information saknas om lastmaskinernas kalibrering. Det finns alltså en risk att skopviktsdata är baserat på okalibrerade mätningar.

3.2 Lastningskriterier

Frågan om när lastningen av en given krans bör upphöra för att spränga nästa, besvaras på LKAB formellt med s.k. lastningskriterier. I Kiirunavaara tillämpas endast ett lastningskriterium, vilket är att utlastningsgraden 105 % över tid och utslaget över hela gruvan eftersträvas (Shekhar et al., 2016; Gustafsson, 2016). Begreppet utlastningsgrad avser den andel av den teoretiskt lossprängda massan som lastats ut. 105 % utlastningsgrad innebär alltså att 5 % mer massa lastats ut jämfört med den massa som (teoretiskt) sprängts loss. När WOLIS introducerades var tanken att halten för de sista 25 procentenheterna av lastningen skulle ligga till grund för beslut om att sluta lasta, men det tillämpas inte längre. I praktiken har lastaren det största inflytandet över när lastningen av en sprängd salva avslutas och det är vikten av skopan som är mest avgörande för beslutet. Är vikten under ”längre tid” lägre än 20 ton för en LH625 eller 16-17 ton för en LH621, ska salvan ”tomnoteras”, vilket innebär att lastningen avslutas och nästa salva kan skjutas. (Wimmer, 2016a)

0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% 16 17 18 19 20 21 22 23 24 25 26 27 28 Ma lm h alt Skopvikt [ton]

(12)

5

3.3 Skopvolym

I produktionen så används som tidigare nämnt endast mätning av vikt som underlag för bestämning av malmhalten. Med data från markörförsöket, som till skillnad från den vanliga produktionen mäter skopvolym, kan dock även volymen föras in som en faktor. Eftersom WOLIS inte har volym som en faktor vid beräkning av malm- och järnhalt går det inte att direkt jämföra data från WOLIS med volymmätt data, eftersom WOLIS inte räknar ut någon densitet utan konverterar vikt direkt till malm- och järnhalt. Volymen av en full skopa har tidigare uppskattats till 8,7 m3. (Softcenter, 2012)2 Den volymen används i fragmenteringsanalysen i avsnitt 4.3 som standardvolym för att beräkna skrymdensitet. På så vis fås, baserat på de tidigare nämna antagna skopvikterna för malm och gråberg, motsvarande skrymdensiteter för malm och gråberg, enligt formeln:

𝜌 =𝑚

𝑉 (3) 𝜌𝑚 = 3,16 𝑡/𝑚3 (4) 𝜌𝑔= 1,95 𝑡/𝑚3 (5)

Formeln för malmhalt baserad på uppmätt volym är härledd av Wimmer (2016b) (se Appendix B) och är 𝑚𝑚 𝑚 = 𝜌𝑚 𝜌 (𝜌 − 𝜌𝑔) 𝜌𝑚− 𝜌𝑔 (6)

Det bör påpekas att formeln kan ge negativa järnhalter, i de fall då den uppmätta densiteten är mindre än referensdensiteten för gråberg. Sambandet mellan järnhalt och skrymdensitet uttrycks grafiskt i Figur 4.

Figur 4: Sambandet mellan skrymdensitet och malmhalt, förutsatt en konstant volym om 8,7 m3

För att mäta skopvolym används stereofotogrammetri, som går ut på att mäta i tre dimensioner med hjälp av två eller fler bilder med samma motiv, men tagna ur olika vinklar. Tekniken bygger på att identifiera gemensamma punkter i bilderna, och på så vis konstruera ett 3D-punktmoln, som sedan

2

Volymen beräknades både genom laserscanning och grov geometrisk uppskattning av en lastmaskinsskopa i områdena 33/935 och 40/935 i KUJ.

(13)

6

renderas till en 3D-modell utifrån originalbilden. Detta görs i programvaran ShapeMetrix3D, (Gaich et al., 2006). Utmaningarna med detta sätt att skapa 3D-modeller beskrevs av Righetti (2014) och Wimmer (2015). Förutom svårigheterna med att fotografera en skopa i rörelse, uppstår ofta problem med fragment som avbildas som utsträckta i 3D-modellen. Avbildningsproblemen som uppstår är vanligast vid kanten av skopan där fragmenten ligger i en brant vinkel, vilket gör att färre

datapunkter från dem kan skapas utifrån bilderna. Ett annat problem är när sten skjuter ut över kanten på skopan. Då kan inte 3D-modellen uppskatta stenens volym, eftersom den utskjutande delen av stenen ”klipps av” vid skopkanten. Ytterligare ett exempel på problem är skut som delvis är övertäckta av mindre fragment.

För att beräkna volymen används programvaran Bucket Volume Calculator (3GSM, 2013), som fungerar genom att jämföra två 3D-bilder; den ena vars volym ska beräknas och den andra föreställande en tom skopa, en s.k. referensskopa. Bilderna korreleras i BucketVolumeCalculator genom att semi-automatiskt hitta gemensamma punkter vid skopans kanter. Sedan fås volymen genom att beräkna differensen mellan den fyllda skopan och referensskopan, se Figur 5 och Figur 6.

(14)

7

Figur 6: 3D-volymmodell i ShapeMetrix3D efter kombinering av referensskopa och 3D-bild från stereofotografering

3.4 Metodtest

Ett fälttest av skopvågen och volymmätningen genomfördes den 4:e november 2015 i syfte att kontrollera tillförlitligheten hos två datakällor; skopvikt och skopvolym, som användes vid markörförsöket och analyseras vidare i detta arbete.

(15)

8 Figur 7: Jämförelse mellan metodtestet och markörförsökets upplägg

Under testet ändrades lampornas placering något jämfört med under markörförsöket. Den enda skillnaden mot markörförsöket var att istället för att all belysning monterades i taket, så placerades några av lamporna längre ner på väggen: Detta gjordes för att bättre belysa sidorna på fragmenten (se Figur 8). Tabell 1 och Figur 8 visar en jämförelse av belysningen mellan metodtestet och

markörförsöket.

Tabell 1: Belysning för metodtestet

Markörförsöket (efter Righetti, 2014) Metodtestet

Antal lampor 8 st. LED-lampor 12 st. LED-lampor

Effekt (W) 4*540 + 4*100 = 2 660 W 4*540 + 7*100 = 2 990 W

(16)

9

Figur 8: Schematisk bild av belysningen under markörförsöket och metodtestet

Ett siktat stenmaterial med diameter 16-32 mm valdes i syfte att ha ett homogent material med konstant skrymdensitet. Materialet provfylldes i en 200-literstunna och vägdes upp med en krokvåg monterad på en hjullastare. Materialet byttes ut och vägningen upprepades ytterligare 3 gånger. Det visade sig att vikten blev nästan exakt densamma för alla fyra test, och en skrymdensitet av 1,53 t/m3 kunde därmed fastställas (se Tabell 2). Sedan fylldes stenmaterialet i ett antal säckar och

transporterades till testorten.

Tabell 2: Resultat från vägning av testlastningsmaterialet Vikt inkl. tunna (kg)

Vägning 1 339,5 Vägning 2 339,5 Vägning 3 339,5 Vägning 4 339,0 Felmarginal ±0,25 Vikt tunna 33 Volym tunna (m3) 0,200 Densitet material (t/m3) 1,53

Vid försöket lyftes säckarna ovanför lastarskopan av en höglyftare, och tömdes sedan ur bottnen på säcken ner i skopan. Efter varje säck togs en bild av båda stereokamerorna, och var 3:e till 5:e skopa togs en paus i fyllningen för att väga lasten. Säckarna räckte till en fylld skopa och ytterligare en halvfylld skopa. Resultatet från metodtestet presenteras i

(17)

10 Tabell 3: Detaljerat resultat från metodtestet

Säck vikt (krokvåg, exkl. säckens egenvikt) [kg] Ack. Lastad vikt [ton] Vägning skopvåg [ton] Viktavvikelse [%] Beräknad volym [m3] Beräknad volym (ack.) [m3] Volym 3D-modell Volymavvikelse 599 0,599 0,39 0,39 663 1,262 0,43 0,82 0,90 9,6% 686 1,948 0,45 1,27 1,44 13,4% 766 2,714 1,9 -29,99 0,50 1,77 2,10 18,5% 646 3,360 0,42 2,20 2,43 10,7% 722 4,082 0,47 2,67 2,88 7,9% 679 4,761 0,44 3,11 3,33 7,1% 713 5,474 0,47 3,58 3,77 5,4% 726 6,200 4,8 -22,58 0,47 4,05 4,19 3,5% 618 6,818 0,40 4,46 4,56 2,4% 739 7,557 0,48 4,94 4,91 -0,6% 703 8,260 0,46 5,40 5,47 1,3% 674 8,934 0,44 5,84 5,84 0,1% 711 9,645 7,7 -20,17 0,46 6,30 6,35 0,7% 732 10,377 8,3 -20,02 0,48 6,78

TÖMNING P.G.A. FULL SKOPA

695 0,695 0,45 0,45 0,26 -42,5% 660 1,355 0,43 0,89 0,84 -5,4% 658 2,013 1,3 -35,42 0,43 1,32 1,21 -7,8% 659 2,672 0,43 1,75 1,67 -4,2% 664 3,336 0,43 2,18 2,44 11,9% 692 4,028 3,1 -23,04 0,45 2,63 2,87 9,1%

Lastmaskinen, en LHD 621 med skop-ID 122, som användes för vägningen visade sig ha en skopvåg vars uppmätta vikter avvek betydligt från den verkliga vikten, vilket kan ses i

(18)

11 Figur 9: Massavvikelser under kalibreringstestet

Avvikelsen kan förklaras med att lastmaskinen nyligen driftsatts och det är okänt huruvida den hunnit kalibreras. Lastarna berättade själva att de märkt att skopvågen visade små laster i förhållande till deras egen uppskattning utifrån maskinens beteende.

Volymen avvek endast marginellt ifrån verkligheten; mindre än 5 % för volymer på över 3 m3. I Figur 10 visas grafiskt avvikelserna för olika volymer.

Figur 10: Volymavvikelser under kalibreringstestet

Som synes i Figur 10 så minskar avvikelsen ner mot noll med ökande volym. En förklaring till avvikelserna vid små volymer gavs av (Pötsch, 2016) och var den särskilda formen av just

-40% -35% -30% -25% -20% -15% -10% -5% 0% 0 2 4 6 8 10 12 Av vikel se

Verklig last (ton) Första lastning Andra lastning

-50% -40% -30% -20% -10% 0% 10% 20% 30% 0 1 2 3 4 5 6 7 Av vikel se Verklig volym (m3₎

(19)

12

lastarskopan på den LH621 som användes vid testet som ledde till detta. Skopan hade en inbuktning i botten av skopan som gjorde det svårt för programvaran att korrekt beräkna volymen för de

stereofotografier eftersom materialet inte täckte hela inbuktningen. LH625 har inte den aktuella inbuktningen. Referensmodellen, som är baserad på fotografier ur många olika vinklar just för att göra en realistisk avbildning hade den inbuktningen. I modellen saknades den dock, eftersom 3D-modellen var baserad på endast två bilder som båda var tagna ovanifrån, vilket gör det svårt att upptäcka inbuktningen. När referensmodellen och 3D-modellen kombineras i ShapeMetrix3D uppstår en volym som egentligen inte finns. Figur 11 illustrerar svårigheten.

Figur 11: Schematisk bild som visar orsaken till överskattning av skopvolym vid små volymer

3.5 Mätning av fragmentering

3.5.1 Om fragmentering

Fragmentering är den sönderdelning av bergmaterialet som till exempel kan åstadkommas genom sprängning. En grov fragmentering innebär större fragment, och en fin fragmentering innebär små fragment. Ett vanligt sätt att beskriva fragmenteringen är genom en siktkurva. Siktkurvan beskriver hur stor andel av materialet som är mindre än en viss storlek, dvs. som passerar genom en kvadratisk öppning av den storleken. På så vis börjar siktkurvan på noll procent och ökar sedan till hundra, och däremellan ligger det spann av kornstorlekar som finns representerade i det fragmenterade

materialet. Ett smalt spann, alltså en smal siktkurva, innebär en vällagrad fragmentering med liten spridning av kornstorlekar, medan en bred siktkurva innebär en blandad fragmentering. Med hjälp av kurvan går det också att tolka fördelningen av olika kornstorlekar. En brant stigande sektion av kurvan innebär en i högre grad förekommande kornstorlek, medan en flackt stigande kurva innebär en mindre vanlig sådan. Är kurvan helt plan innebär det att inga fragment med den kornstorleken finns.

Ur siktkurvan kan vissa storheter erhållas. Vanligt är att den kornstorlek som en viss andel av

materialet passerar väljs ut, t ex x50, som beskriver medianstorleken, eller x80, som är den storlek som

är större än 80 % av materialet. En annan storhet som kan beräknas utifrån siktkurvan tillsammans med någon slags fördelningsfunktion, t ex Rosin-Rammler eller Swebrec-funktionen, är ett

homogneitetsindex, n, som är ett mått på hur fördelad homogeniteten i kornstorlektsfördelningen är.

(20)

13

Kunskap om fragmenteringen efter sprängning är viktig för optimeringen och kontrollen av efterföljande processer. Fragmenteringen har bl. a. betydelse för lastningen av det lossprängda materialet och förekomsten av skut (Sanchridián et al., 2012). Fragmenteringen kan även påverka exempelvis rasflödet, vilket sker i det här fallet. Enligt Kvapil (2004) kan rörligheten för en blandning av grova partiklar påverkas i hög grad av inbladning av fint material; i vissa förhållanden öka

mobiliteten och i andra fall minska den. De faktorer som påverkar fragmenteringen kan delas upp i två kategorier; kontrollerbara, som faktorer relaterade till borrning och sprängmedel, och icke kontrollerbara, som bergets egenskaper och diskontinuiteter (Faramarzi et al., 2013).

Att mäta fragmentering är på flera sätt en svår uppgift. Den enda sättet att ”sanningsenligt” mäta fragmentering av losshållet berg är genom siktningsanalys, vilket är en tids- och resurskrävande aktivitet. Dessutom stör den både den ordinarie produktionen och ställer krav på noggrannhet under genomförandet för att resultatet ska vara tillförlitligt.

Som alternativ till siktningskampanjer är olika bildanalysprogramvaror ansedda som en acceptabel medelväg mellan ansträngning och resultat. Programvaran identifierar synliga fragment i 2D- eller 3D-bilder (beroende på programvaran) och analyserar deras storlek, och därefter görs en

uppskattning av fragmenteringen. På så vis kan man samla in stora mängder data, utan att störa produktionen. Det bör noteras att programmens förmåga att korrekt identifiera enskilda partiklar beror till stor grad på kvaliteten på bilden och ljussättningen. Dessutom är bildanalys inte lika exakt som siktning, eftersom programvaran endast ser det översta lagret och endast kan uppskatta det som finns under. Bildanalys bör därför endast användas för att beskriva trender i fragmenteringen, inte för att absolut bestämma den (Wimmer, 2012).

Ett annat sätt att ta sig an fragmenteringsanalyser är tekniker som Compaphoto (Cunningham, 1996) och Quick Rating System (QRS) (Righetti, 2014). Deras utgångspunkt är inte att ta fram en siktkurva, utan att med användarens blick klassificera fragmenteringen utifrån referensbilder med en viss fragmentering.

3.5.2 Quick Rating System (QRS)

(21)

14 Figur 12: Beskrivning av QRS-klassernas utformning:

QRS-klasserna numreras i denna rapport från 1 till 13 där klass 1-3 anger fin fragmentering, 4-6 fin-medel, 7-9 medel-grov, 10-12 grov, och 13 anges för skut. På samma vis anger klasserna 1, 4, 7 och 10 homogen fragmentering, klasserna 2, 5, 8 och 11 inhomogen fragmentering med antingen fin/grov fraktion, och klasserna 3, 6, 9 och 12 inhomogen fragmentering med både fin/grov fraktion. (se Figur 12). Righetti (2014) och Wimmer (2015) visade att QRS har lågt användarberoende när det gäller att klassificera grovt material, men att tekniken är mer användarberoende för fint och medelgrovt material. QRS används i detta examensarbete på grund av dess snabbhet och överblickbarhet. Tabell 4 visar uppdelningen av QRS-klassningar kvantifierat.

Tabell 4 Klassificering för Quick Rating System (QRS)

Klass Median x50 [mm] Subklass Homogeneitetsindex n [-]

1, 2, 3 Fin < 30 1, 4, 7, 10 Homogen > 1.7 4, 5, 6 Fin – medel 30 – 200 2, 5, 8, 11 Inhomogen med antingen fin/grov fraktion 1.1 – 1.7 7, 8, 9 Medel – grov 200 – 400

3, 6, 9, 12 Inhomogen med både fin/grov fraktion

< 1.1

10, 11, 12 Grov >

400 (13) Skut (stora block) -

4. Analys av data

4.1 Avgränsningar

(22)

15

Anomalier som upptäcktes rensades ut löpande under analysen. Det handlade om 2 % av dataunderlaget och kunde röra sig om orimliga vikter eller volymer som i sin tur gav felaktiga densiteter. Datan manipulerades även på olika sätt i olika delar av analysen. I volymanalysen i

kommande delkapitel låses alla datapunkter inom spannet för rimliga Fe-halter, alltså all data med en beräknad järnhalt lägre än 0 % justeras upp till 0 %, och alla punkter som har högre järnhalt än malmens järnhalt i kransen justeras ned till malmens järnhalt. Detta är det sätt som WOLIS hanterar data på, och tillämpas även för den volymmätta datan från markörförsöket, i syfte att dataserierna ska vara jämförbara.

Tabell 5 listar de kransar som ingår i dataunderlaget. Namnen för kransarna baseras på ortnummer (i det här fallet 99 och 101) och kransnummer. 99-22 är utelämnat ur volymanalysen på grund av för få (12) volymmätta skopor. Kransarna 99-17, 99-23, 101-14 och 101-20, som också ingick i

markörförsöket, är inte med i detta arbete eftersom de inte innehöll några markörer. Tabell 5: Förteckning över ingående kransar i analysen

Krans Antal skopor totalt Tonnage (ton) Utl.grad (%) Utlastningsgrad (%) vid avslutad lastning Kransens Fe-halt (%) Inkluderade i Volymanalys 99-18 417 8387 134,5 25 63,0 Ja 99-19 146 8678 42,5 7 64,7 Ja 99-20 229 8526 65,8 25 65,6 Ja 99-21 341 8505 77,7 35 66,3 Ja 99-22 362 17 Nej 101-15 389 7321 129,5 30 60,0 Ja 101-16 373 6172 151,8 45 62,4 Ja 101-17 405 7028 140,6 45 62,7 Ja 101-18 371 7251 136,3 38 63,5 Ja 101-19 351 7078 118,6 28 61,0 Ja Summa 3022

4.2 Volymanalys

4.2.1 Beskrivning av mätdata

(23)

16

Figur 13: Kumulativ fördelning av skopvikter för hela dataunderlaget (n=3022)

Ur Tabell 6 kan fås förslag till nya referensvikter som bättre speglar de skopvikter som faktiskt förekommer i produktionen i detta område av gruvan. För denna analys föreslås skopvikterna för femte och nittiofemte percentilen vara referensvikter. De nya referensvikterna sätts alltså till: 𝑚𝑔100= 18,6 𝑡𝑜𝑛 (7)

𝑚𝑚100= 31,6 𝑡𝑜𝑛 (8)

Tabell 6: Skopviktsgränserna för de olika kransarna, och även förslag på referensvikter baserat på olika percentiler

Utifrån Figur 14 kan utläsas att medianskopan för dataunderlaget har en medianvolym som är ca 11,1 m3. Denna volym föreslås användas istället för den antagna volymen 8,7 m3 (se kapitel 3.1), (Boeg Jensen, 2012, Softcenter, 2012).

0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% 0 5 10 15 20 25 30 35 40 Massa [ton]

Kumulativ fördelning av skopvikt, alla kransar

nuvarande referensvikter nya referensvikter

1% 2% 5% 95% 98% 99% Alla kransar 2% 71% 15,2 16,6 18,6 31,6 33,4 34,4 99-18 1% 49% 16,0 18,8 20,2 32,6 33,8 34,6 99-19 3% 85% 15,0 16,6 18,8 29,8 31,2 32,0 99-20 3% 75% 12,0 14,4 18,0 32,0 33,4 34,4 99-21 8% 76% 14,0 15,4 16,2 31,8 34,0 35,0 101-15 2% 77% 15,6 16,8 19,0 31,2 32,4 33,0 101-16 2% 75% 14,2 16,0 19,4 30,2 31,2 31,8 101-17 4% 78% 11,6 13,6 17,4 31,2 32,4 33,0 101-18 0% 62% 19,4 19,8 21,0 31,4 32,8 34,6 101-19 1% 76% 17,0 17,2 18,8 31,2 31,8 33,0

(24)

17

Figur 14: Kumulativ fördelning av skopvolym för hela dataunderlaget (n=3022)

𝑉𝑚𝑒𝑑𝑒𝑙= 11,1 𝑚3 (9)

Med ovanstående nya referensvikter och standard fås nya referensdensiteter: 𝜌𝑔= 1,68 𝑡/𝑚3 (10)

𝜌𝑚 = 2,85 𝑡/𝑚3 (11)

4.2.2 Analys av malmhalt

Med de nya referensvikterna (7) och (8) och medianvolymen (9) går det att jämföra beräkningen av malmhalt med respektive utan volymmätning. Det finns dock två till faktorer som kan påverka skillnaden. Det är dels olikheterna i beräkningsformlerna för malmhalt mellan WOLIS och denna analys volymmätningarna; dels den maximala järnhalt som WOLIS räknar med.

I WOLIS beräkningar sätts ett tak vid den skopvikt som motsvarar maximal järnhalt, vilket innebär att ingen järnhalt, oavsett skopvikt, kan bli större än magnetitens teoretiskt maximala järnhalt; dvs 71 %. Valet av den procentsatsen kan dock ifrågasättas, eftersom kransar oftast inte har den teoretiskt maximala järnhalten, utan en något lägre halt. Det finns faktiskt en angiven järnhalt för varje krans i produktionen. Kransarna som ingår i denna analys har järnhalter enligt Tabell 7.

(25)

18

Tabell 7: De olika kransarnas respektive malmhalter (i procent) och teoretiskt tonnage (i ton) Krans Teoretiskt malmtonnage (ton) Fe-halt (%)

99-18 8387 63,0 99-19 8678 64,7 99-20 8526 65,7 99-21 8505 66,3 101-15 7321 60,0 101-16 6172 62,4 101-17 7028 62,7 101-18 7252 63,5 101-19 7078 61,0

4.2.3 Exempel på utvärdering av Fe-halt för krans 101-16

Figur 15 och Figur 16 visar hur järnhalten i glidande medeltal över 15 värden förändras under lastningens gång, beroende på om man räknar med enbart massa (WOLIS) eller formeln som räknar med både massa och volym (Formel 6). Två fall visas, där beräkningen av WOLIS-kurvan skiljer sig åt enligt Tabell 8, medan den volymmätta kurvan är likadan för bägge fall. Krans 101-16 används som exempel. I Appendix C återfinns motsvarande diagram för alla kransar.

Tabell 8: Skillnader för WOLIS-data mellan fall 1 och 2 i utvärderingen av Fe-halt

Referensvikter Formel Maximal järnhalt

Fall 1 Nuvarande Enligt (1) 71 %

Fall 2 Nya (7) och (8) Enligt (2) Enligt Tabell 7 I Figur 15 nedan visas fall ett (se Tabell 8).

Figur 15: Jämförelse mellan WOLIS och volymmätt järnhalt, Fall 1.

I Figur 16 visas Fall 2, där den volymmätta kurvan är likadan som i Fall 1, men WOLIS-kurvan är modifierad på tre sätt. För det första är ett tak satt för den järnhalt som kransen faktiskt har, i det här fallet 62,4 % (se Tabell 7). För det andra tillämpas de nya referensvikterna och för det tredje används den korrekta formeln (2) för beräkning av malmhalt. I diagrammet kan ses att WOLIS-kurvan är

0% 10% 20% 30% 40% 50% 60% 70% 80% 0,0% 20,0% 40,0% 60,0% 80,0% 100,0% 120,0% 140,0% 160,0% Fe -h al t Utlastningsgrad

Fe-halt, WOLIS vs. volymmätt, krans 101-16, glidande medelvärde (15 skopor)

(26)

19

betydligt närmare den volymmätta kurvan, vilket innebär att de nya parametrarna gör att WOLIS-mätningen kommer närmare verkligheten.

Figur 16: Jämförelse mellan WOLIS och volymmätt järnhalt, Fall 2.

I Figur 17 och Figur 18 nedan visas ackumulerat tonnage över lastningens gång. Igen används krans 101-16 som exempel, och båda fallen visas i ordning.

Figur 17: Jämförelse mellan WOLIS och volymmätt järnutbyte, ackumulerat, fall 1. För fall 2 som visas i Figur 18 minskar skillnaden betydligt.

0% 10% 20% 30% 40% 50% 60% 70% 80% 0% 20% 40% 60% 80% 100% 120% 140% 160% Fe -h al t Utlastningsgrad

Krans 101-16, glidande medelvärde (15 skopor)

WOLIS nya re.vikter, rätt formel och faktisk Fe-halt Volymmätt

0 1000 2000 3000 4000 5000 6000 0% 20% 40% 60% 80% 100% 120% 140% 160% Utl astad e to n Fe Utlastningsgrad Lastade ton, krans 101-16

(27)

20

Figur 18: Jämförelse mellan WOLIS och volymmätt järnutbyte, ackumulerat, fall 2.

I Tabell 9 sammanfattas skillnaden mellan volymmätt och WOLIS-mätt järntonnage. Det är tydligt att skillnaden är mycket mindre för samtliga kransar när rätt formel, järnhalt, referensvikter och

referensvolymer används. Däremot överskattar WOLIS fortfarande malminnehållet i genomsnitt med 14 % jämfört med volymmätt analys. Skillnaden varierar även en del från krans till krans.

Tabell 9: Sammanfattning av jämförelsen av malmutbytet mellan volymmätt data och WOLIS-data fall 1 och 2 (vikter i ton)

WOLIS Fall 1 (ton) WOLIS Fall 2 (ton) Volymmätt (ton) Avvikelse fall 1 Avvikelse fall 2 Kommentar 99-18 6415 5871 5169 24,1% 13,6% 99-19 1827 1524 1368 33,6% 11,4% 99-20 2739 2345 1965 39,4% 19,3%

99-21 3068 2640 2521 21,7% 4,7% Data ej från lastningens slut

101-15 4765 4152 3361 41,8% 23,5% 101-16 4930 4291 3755 31,3% 14,3% 101-17 4882 4171 3714 31,5% 12,3% 101-18 5571 4962 4471 24,6% 11,0% 101-19 4027 3480 3062 31,5% 13,6%

4.3 Fragmentering

4.3.1 Metodik

I fragmenteringsanalysen används volymmätt data och ekvation (6) (se kapitel 3.3), men dock inte de i kapitel 4.2.1 föreslagna referensdensiteterna (10) och (11). Istället används referensdensiteterna enligt formel (4) och (5) som beskrivs i kapitel 3.3.

Inte heller används faktisk järnhalt, utan järnhalten är istället helt obunden och översätts från

densitet utan att sätta tak, varken vid 0 % eller 71 %. Detta därför att fragmenteringsanalysen gjordes innan de nya referensvikterna togs fram. Analysen beror dock på relativa jämförelser vilket inte

0 500 1000 1500 2000 2500 3000 3500 4000 4500 0% 20% 40% 60% 80% 100% 120% 140% 160% Utl astad e to n Fe Utlastningsgrad

Lastade ton, WOLIS vs. volymmätt, krans 101-16

(28)

21

påverkas av vilka referensdensiteter som väljs. Att järnhalter kan ligga utanför det möjliga spannet (alltså mindre än 0 % och större än 71 %) beror på hur järnhalten beräknas, se ekvation (1) och (12). I syfte att lösa ut fragmenteringen som den enda variabeln för skrymdensitet, bestämdes att i analysen isolera de skopor som innehåller endast malm, vilket görs i Kapitel 4.3.2. Utifrån WOLIS och data från markörförsöket har gjorts en bedömning om när under lastningen materialet kommit från själva kransen, genom att titta på förekomsten av RFID-markörer i materialet (se kapitel 1).

(Wimmer, Nordqvist, 2016) Enligt dem innehåller skoporna i stort sett ren malm i början av

lastningen. Tabell 5 i Avsnitt 4.1 visar i vilket skede för varje krans gråbergsinblandningen börjar. Den utlastningsgrad som angivits som punkten då gråberg börjat tränga in i rasmassorna för varje krans översattes till antal skopor, se Tabell 10. De skopor som kommer efter gråbergsinblandningens början benämns dock inte som gråberg, i och med att de fortfarande innehåller malm i varierande grad. Analys av hela dataunderlaget, alltså även skopor efter gråbergsinblandning, görs i Kapitel 4.3.3.

För analysen användes MS Excel för att kategorisera och sortera data. Volym-, mass- och

densitetsdata kategoriserades mot fragmenteringsdata i syfte att kvalitativt kunna se samband som sedan skulle kunna kvantifieras statistiskt.

Den QRS-klassade fragmenteringen jämfördes mot skrymdensitet, massa och volym. Dataunderlaget kategoriserades för att försöka se mönster i hur fragmenteringen och densiteten kunde bero av varandra.

Tabell 10 visar det dataunderlag som ligger till grund för analysen. Antalet skopor före

gråbergsinblandning för varje krans listas i en av kolumnerna. Anledningen till att antalet analyserade skopor, dvs. skopor som ingår i analysens dataunderlag är lägre än det totala antalet skopor är att volymmätning inte gjorts för varje skopa.

I analysen framåt, när densitet och Fe-halt anges, är den baserad på vikt mätt av lastmaskinerna och volym uppmätt med stereofotogrammetri, om inte annat anges.

Tabell 10: Förteckning över data för de olika kransarna och kategorierna. Krans Antal skopor

totalt

Varav analyserade

Antal skopor före gråbergsinblandning Varav analyserade 99-18 417 345 98 94 99-19 146 116 25 19 99-20 229 202 76 67 99-21 341 230 101 83 99-22 362 12 38 6 101-15 389 379 77 75 101-16 373 302 103 97 101-17 405 350 103 99 101-18 371 346 97 96 101-19 351 239 72 36 Summa 3384 2521 790 672

4.3.2 Resultat skopor före gråbergsinblandning

(29)

22

gråbergsinblandning har tydligt högre densitet än övriga skopor, vilket tyder på att de innehåller malm i högre grad.

Figur 19: Fördelningen av densitet för skopor före gråbergsinblandning och övriga skopor, baserat på WOLIS vikt-mätningar och med stereofotogrammetri beräknad volym

Figur 20 visar hur olika QRS-klasser fördelar sig bland skopor före gråbergsinblandning för olika vikter. Siffrorna i staplarna anger hur många skopor en viss kategori består av. För massa kan inget samband observeras mellan vikt och fragmentering. Kategorin ”<18,5” kan bortses ifrån eftersom den utgörs av endast tre skopor. I figuren och följande figurer som innehåller QRS-klasserna så är det själva QRS-klasserna som anges i teckenförklaringen. Se

Tabell 4 för mer information om

QRS-klasserna.

0 20 40 60 80 100 120 140 160 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2 2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 2,9 3 3,1 3,2 3,3 3,4 3,5 3,6 3,7 3,8 3,9 4 An ta l s ko p o r Densitet (ton/m3₎

Fördelning av densitet

(30)

23 Figur 20: Massa och QRS för skopor före gråbergsinblandning

Figur 21 visar också QRS-fördelning, men för olika volymer. Finare fragmentering ökar i andel för skopor med låg volym, medan skopor med fin-medelfragmentering ökar i andel för skopor med stor volym.

Figur 21: Volym och QRS för skopor före gråbergsinblandning

(31)

24

Figur 22 visar hur olika QRS-klasser (se Tabell 4) fördelar sig för olika järnhalter bland skopor före gråbergsinblandning. Kvalitativt går det inte att skönja något mönster i fördelningen av

fragmenteringsklasser i olika skopor före gråbergsinblandning.

Figur 22: Fe-halt och QRS för skopor före gråbergsinblandning

När Figur 22 tolkas bör hänsyn tas till antalet skopor som står som underlag till varje kategori av Fe-halt. Ett exempel är i kategorin >71 % som består av endast tre skopor, vilket innebär att den stapeln inte bör tas någon större hänsyn till i diagrammet. I diagrammet ser det ut som att de flesta skopor före gråbergsinblandningen har en järnhalt som ligger långt under halten för ren malm. Detta beror på de felaktiga referensvikterna (se Kapitel 4.2 och 4.3.1). Motsvarande diagram men med absoluta tal istället för andelar återfinns i Appendix D.

(32)

25 Figur 23: Fe-halt för skopor före gråbergsinblandning för krans 101-18

Figur 24 visar ett motsatt förhållande som gäller för krans 101-16. I det fallet blir grova fragment istället vanligare med större järnhalt. Detta gäller även för krans 99-20, men ingen av de andra kransarna, se Appendix D.

Figur 24: Fe-halt för skopor före gråbergsinblandning för krans 101-16

4.3.3 Resultat hela dataunderlaget

Figur 25 visar fördelningen av QRS-fragmenteringsklasser mellan olika densitetsspann, och innehåller alla analyserade skopor och inte bara de som lastats före gråbergsinblandning. Från figuren fås att grova fragmenteringsklasser är överrepresenterade för skopor med lägre skrymdensiteter. I Appendix D visas samma fördelning som Figur 25, fast i absoluta tal istället för fördelningar.

(33)

26

Figur 25: Fördelningen av fragmentering av skopor med olika densiteter från hela dataunderlaget

Figur 26 och Figur 27 styrker den andra hypotesen som formulerades i Kapitel 2, alltså att lägre skrymdensitet är vanligare för grova fragmenteringar när det gäller samtliga analyserade skopor, i och med att andelen grova fragment tydligt minskar med ökande skrymdensitet. Detta gäller i något högre grad för Figur 25 än Figur 26, även om båda figurer visar en minskning.

(34)

27

Figur 26: Sambandet mellan skrymdensitet och andelen skopor med QRS 10-12 för varje densitetfraktion

Figur 27: Sambandet mellan skrymdensitet och andelen skopor med QRS 7-9 för varje densitetfraktion

Sambandet är dock olika tydligt för olika enskilda kransar. Figur 28 och Figur 29 visar kumulativa diagram över fördelningen av skrymdensitet för olika grova fragmenteringar. I Figur 28 ligger kurvorna för grövre fragmenteringar klart till vänster om kurvorna för finare fragmenteringar, dvs skopor med grövre fragmentering har i högre grad tydligt lägre skrymdensitet än finare

fragmentering, för krans 101-16. 0% 5% 10% 15% 20% 25% 30% 35% 40% An d el s ko p o r m ed QRS 10 -12 Skrymdensitet (t/m3₎

QRS 10-12 vs. skrymdensitet (alla skopor)

0,0% 10,0% 20,0% 30,0% 40,0% 50,0% 60,0% An d el s ko p o r m ed QRS 7 -9 Skrymdensitet (t/m3₎

(35)

28

Figur 28: Kumulativ fördelning av skrymdensitet för olika grova QRS-kategorier för krans 101-16.

För krans 99-20, som visas i Figur 29, är sambandet dock inte lika tydligt. Kurvan för fina

fragmenteringar (QRS 1, 2, och 3) ligger visserligen till höger om kurvan för medelgrova fördelningar (QRS 4, 5 och 6), vilket styrker sambandet, men kurvan för medel/grova fördelningar (7, 8, 9) ligger endast delvis till vänster om de tidigare två nämna, och kurvan för grova fördelningar (QRS 10, 11 och 12) ligger till stor i mitten eller till höger om de andra kurvorna, vilket inte stämmer överens med hypotesen. Alltså stämmer inte hypotesen för just krans 99-20.

Figur 29: Kumulativ fördelning av skrymdensitet för olika grova QRS-kategorier för krans 99-20.

Den första hypotesen som framlades i Kapitel 2 avstyrks i Figur 30. I figuren visas andelen skopor med QRS-klasser 9 och 12, dvs grovt inhomogent material (se kapitel 3.5.2) för olika skrymdensiteter. Enligt Righetti (2014) är det endast de två klasserna som innebär blandad fragmentering och relativt lågt användarberoende, dvs den data som är mest tillförlitlig. Som synes i Figur 30 finns ingen

(36)

29

med högre densitet, inte stämma; dvs första hypotesen som framlades i Kapitel 2 stämmer alltså inte.

Figur 30: Andelen grovt och blandat fragmenterade skopor före gråbergsinblandning (Andelen skopor med QRS 9 eller 12) I Appendix E finns fler grafer som illustrerar sambandet. Ett exempel är Figur 31 som visar

fördelningen av skopor med QRS-klassningar uppdelat i blandning (se Tabell 4), för krans 101-18. Om hypotesen för analysen hade stämt skulle kurvan för de inhomogent fragmenterade klasserna 3, 6, 9, 12 vara längre åt höger i grafen, d.v.s. de skulle ha högre densitet än de uniforma klasserna 1, 4, 7, 10. Istället ligger linjerna tätt ihop, vilket innebär en liknande fördelning för alla tre kategorier.

(37)

30

Figur 31: Kumulativ fördelning av skrymdensitet för olika blandade QRS-kategorier för krans 101-18

Dock kan sambandet stämma för enstaka kransar, t ex krans 99-21 som visas i Figur 32, där det tydligt går att se att blandade fragmenteringsklasser är vanligare för lägre skrymdensiteter.

Figur 32: Kumulativ fördelning av skrymdensitet för olika blandade QRS-kategorier för krans 99-21

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1,40 1,60 1,80 2,00 2,20 2,40 2,60 2,80 3,00 3,20 Densitet (t/m3₎ Krans 101-18 QRS 1,4,7,10 QRS 2,5,8,11 QRS 3,6,9,12 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1,40 1,60 1,80 2,00 2,20 2,40 2,60 2,80 3,00 3,20 Densitet (t/m3)

Kumulativ fördelning av skrymdensitet, kornstorleksblandning, 99-21

(38)

31

5 Diskussion

5.1 Metodtest

I metodtestet visade skopvågen en ganska starkt avvikande siffra (>20 %). Under testet förvarnade operatörerna om just detta, eftersom de med sin erfarenhet hade märkt att den visade avvikande vikter. Detta gör att det är svårt att säga något generellt om skopvågarnas pålitlighet utifrån testet. Det som kan sägas är att den relativa avvikelsen blir allt mer konstant ju större vikt skopan har, vilket också är närmare den vikt som skopan normalt brukar jobba med. Detta tyder på att skopan med rätt kalibrering, och arbetandes i rätt viktspann, skulle kunna vara tillräckligt noggrann. Att denna

lastmaskin inte var kalibrerad kan vara ett symptom på att kalibrering av lastmaskinerna inte är prioriterat vid service; att kalibrering är någonting som utförs ”i mån av tid”. En granskning av att rutinerna för kalibrering följs skulle kunna påvisa om detta är fallet eller inte.

Pötsch (2016) förklarar att en anledning till avvikelsen för de mindre volymerna kan bero på formen på lastarskopan, som hade en inbuktning på insidan som kunde påverka volymuppskattningen i de fall då det lastade materialet inte fyller upp över inbuktningen. För dataanalysen är det egentligen bara den delen av diagrammet som visar större vikter som är relevant, eftersom skopor med små volymer sällan förekommer i produktionen.

De vikter som uppmättes under testet var lägre än de flesta skopvikter som förekommer i produktionen, i och med materialet som lastades i testet hade lägre skrymdensitet än det mesta material som lastas i produktionen. Även volymen som uppmättes under testet var lägre än de flesta skopvolymer som uppmättes under markörförsöket (se Figur 14). Det beror på att lastmaskinen som användes var en diesellastare, LH 621, och hade en mindre skopa än de eldrivna lastmaskinerna LH625E, som användes mest under markörförsöket.

5.2 Volymanalys

Den skillnad som påvisades mellan Fe-halt baserat på WOLIS beräkningsmodell respektive uppmätt volym innebär inte nödvändigtvis att det krävs volymmätning i produktionen för att få en rimlig beräkning av malminnehåll. I denna rapport föreslås en rad förändringar som gör att skillnaderna minskar betydligt. Det återstår dock en oförklarad skillnad på i genomsnitt 14 % mellan WOLIS beräknade järnutbyte och det volymmätta utbytet, där det WOLIS-beräknade är större. Vad som orsakar avvikelsen är inte känt av detta arbete. Intressant är att det volymmätta järnutbytet är mindre än det WOLIS-mätta för varje krans, alltså att avvikelsen slår åt samma håll för varje krans. En mer väntad avvikelse hade varit en åt olika håll för de olika kransarna, som sammanlagt tog ut varandra. Det kunde i så fall berott på olika genomsnittliga skopvolymer för varje krans, som sett över hela kransen fick WOLIS att överskatta eller underskatta malmutbytet jämfört med den volymmätta, korrekta, beräkningen.

WOLIS räknar som tidigare beskrivet i kapitel 3.1 inte med den korrekta formeln för beräkning av malmhalt utifrån referensvikter, utan använder en formel som innebär en underskattning av malmhalten för alla vikter utom själva referensvikterna (se Figur 3).

(39)

32

produktionslastningen. Det första och viktigaste steget för att se till att referensvikterna och därmed uppskattningen av malmutbytet stämmer, är att skoporna inte överfylls; alternativt att mindre skopor används som passar lastmaskinen bättre.

För exempelvis skopor som lastas på lastbil, där hela skopan inte fylls, kommer dock andra

referensvikter att krävas för att uppskattningen av malmutbytet ska bli så korrekt som möjligt. I det fallet, där förhållandena kanske varierar mer och det är osäkrare hur stor vikt som lastas, kan det vara av större värde att mäta volym. Alternativt kan man följa skopvikterna för skopor som lastas på lastbil och på så vis undersöka om fördelningarna även där är enhetliga.

WOLIS val av maximal järnhalt kan även ifrågasättas. Enligt (Shekhar et al, 2016) har malmkroppen i Kiirunavaara en genomsnittlig järnhalt på 64 %, vilket innebär att WOLIS antagande om 71 % i praktiken är en överskattning. Dessutom finns järnhalt angiven specifikt för varje krans, och skulle därmed kunna implementeras i WOLIS system för beräkning av malmhalt. På så vis skulle varje krans malmhalt kunna beräknas i förhållande rätt maximal järnhalt, istället för att WOLIS som idag antar att den rena malmens järnhalt alltid är den teoretiskt maximala.

En jämförelse av lastningskriteriet för gruvan i Kiirunavaara och den faktiska lastningen visar på att kriterierna inte följs strikt, vilket är väntat eftersom kriteriet är avsett att fungera som ett slags medelvärde, något att följa sett över tid och sett över hela gruvan. I nuläget är heller inte Fe-halt med i kriterierna (se Kapitel 3.2). Utifrån data från markörförsöket verkar det inte som att utlastningskriteriet 105 % bär någon större vikt för lastningsbesluten, utan det verkar som att det stämmer att det är bedömningar i produktionen, lastarna och staben, som beslutar om när

lastningen ska avslutas. Det är inte heller klart vilka skäl som funnits till att avsluta lastningen i några fall. Två av kransarna, 99-19 och 101-19, hade häng (stopp i rasflödet) som gjorde att man valde att skjuta nästa krans. Flera andra av kransarna (se Appendix C) visade på nedåtgående trender som är möjliga skäl till att beslutet av sluta lasta, men för krans 101-15 och 101-17 visar data på stigande malmhalt vid slutet av lastningen (oavsett om man räknar som i fall 1 eller fall 2), och bildmaterialet visar ingen särskilt svårlastad fragmentering (Wimmer, 2017). Det är, åtminstone för detta arbetes avgränsningar, alltså inte klart varför beslutet att sluta lasta tagits.

En enkel statistisk kontroll av korrelationen mellan skopvikt och volymmätt järnhalt för hela dataunderlaget visar på ett samband med styrkan 0,68; vilket innebär att sambandet inte är linjärt. Det innebär att mätning av tonnage inte är en särskilt stark metod för att uppskatta järnhalt. Däremot verkar inte volymmätning i sig markant påverka lastningskurvornas (järnhalt mot utlastningsgrad) utseende. Den volymmätta kurvan och WOLIS-kurvan (fall 2) fångar upp samma trender och följer varandra ungefärligt, om än inte perfekt. Därför bedöms att volymmätning inte skulle påverka lastningsbeslut, åtminstone med dagens ordning där produktionen i praktiken själv bedömer när det är dags att avsluta lastningen och skjuta nästa salva.

5.3 Fragmenteringsanalys

Det går att urskilja ur dataunderlaget att grövre fragmentering hör ihop med lägre densiteter. Det har en möjlig förklaring i att det grova materialet sannolikt är gråberg som kommer från hängväggen, och därmed är primär fragmentering (Brown, 2007) Det går dock inte att se att blandad fragmentering leder till större skrymdensitet.

(40)

33

En vanligt förekommande typ av lastning är restmalmslastning, då lastningen i tidigare lämnade produktionsortar återupptas. På grund av fragmentering som inte längre beror endast på sprängning, utan på att materialet färdats lång väg (Wimmer et al, 2008), är det lastade materialet i mycket högre grad fint fragmenterat under restmalmslastningen. I sådana fall kan andra förhållanden gälla för fragmenteringen vilket kan ge andra slutsatser än de som finns i denna rapport.

6 Slutsatser

 Stereofotogrammetri som metod för att mäta volym fungerar väl.

 Skopvågens exakthet kunde inte fastställas på grund av den felaktigt eller ej kalibrerade skopvågen på lastmaskinen som användes vid testet.

 Volymmätning i gruvans produktion styrks inte av denna rapport på grund av att volymen sett över stora antal skopor inte verkar vara av avgörande betydelse för att fånga upp trender i järnhalten.

 Volymmätning i produktionen bedöms inte påverka beslut om avslutad lastning jämfört med WOLIS (med föreslagna förbättringar).

 Grov fragmentering har ett samband med lägre densitet sett över alla analyserade skopor

 För skopor före gråbergsinblandning finns ett samband mellan skopor med lägre massa och grov fragmentering.

 Det finns inget observerat samband mellan blandad eller homogen fragmentering och skrymdensitet.

7 Rekommendationer för fortsatt arbete

En granskning av hur rutinerna vid kalibrering av lastarskopan följs rekommenderas, i syfte att kontrollera att det inte finns ett systematiskt mätfel i uppskattningen av malmutbyte i form av ej kalibrerade skopvågar. En diskussion bör även föras hur lastningen ska uppnå målet att systematisk överlastning av skopor inte ska förekomma. Förutom att uppskattningen av järnhalt och malmutbyte med dagens WOLIS-baserade system skulle få ett mindre mätfel utan att man behöver ändra

referensvikter, skulle korrekt användande av maskinparken antagligen innebära besparingar på underhåll och produktionsbortfall.

De förändringar av WOLIS som föreslås i denna rapport skulle kunna vara föremål för fortsatt arbete och skulle kunna förbättra hur WOLIS uppskattar järnhalt och järnutbyte. Det rekommenderas att förbättra WOLIS-systemet (enligt kapitel 4.2) med nya referensvikter (dock med reservation för att åtgärderna i ovanstående stycke bör göras först), en korrekt beräkningsformel samt att

implementera kransarnas respektive järnhalter istället för att schablonmässigt sätta den maximala järnhalten 71 % på alla kransar.

En diskussion behövs också om hur tydliga och långtgående lastningskriterier som är rimligt att tillämpa.

Även avvikelsen mellan WOLIS (fall 2) järnutbyte och det volymmätta järnutbytet är intressant för fortsatt arbete. Vidare studier av avvikelsen, t ex att jämföra WOLIS beräknade järnutbyte med det järnutbyte som beräknas i verken skulle kunna leda till en korrigeringsfaktor som skulle kunna appliceras på WOLIS-data. Resultaten från ett sådant arbete skulle också kunna hjälpa gruvan att gå till botten med orsakerna till avvikelsen, vilket skulle vara värdefullt för gruvans Life-of-Mine-planering, rapportering till Bergsstaten samt planering av restmalmslastning.

(41)

34

med statistiska metoder istället för enbart kvalitativt som gjorts i denna rapport. Möjligheterna för att mäta fragmentering skulle också öka betydligt om man t ex väntade in nya och bättre algoritmer för t ex bildanalys. Exempelvis utvecklar LKAB tillsammans med 3GSM metoder för

fragmenteringsanalys baserat på stereofotografering.

8 Referenser

3GSM (2013) LKAB BucketVolumeCalculator, Software Documentation, daterad november 2013 Boeg Jensen, P. (2012) Mätning av skopvolym, utredning, Kiruna: LKAB

Brown, E. T. (2007) Block Caving Mechanics – Second Edition, andra upplagan, Indooroopilly, Oueensland: University of Queensland, ISBN13: 9780980362206

Brunton, I.D. (2009) The Impact of Blasting on Sublevel Caving Material Flow Behaviour and Recovery, doktorsavhandling, Brisbane: W H Bryan Mining and Geology Research Centre, University of

Queensland

Cunningham, C. (1996) Lessons From the Compaphoto Technique of Fragmentation Measurement, Rotterdam: A.A. Balkema, Measurement of Blast Fragmentation, 53-57, IBSN 90 5410 845 2

Faramarzi, F., Mansouri, H., Ebrahimi Farsangi, M.A. (2013) A Rock Engineering Systems Based Model to Predict Rock Fragmentation by Blasting, Amsterdam: Elseviwe Ltd, International Journal of Rock

Mechanics and Mining Sciences 60 82-94, ISSN: 1365-1609

Gaich, A., Pötsch M. & Schubert, W (2006) Basics and Application of 3D Imaging Systems with

Conventional and High-Resolution Cameras, Alexandria, VA: American Rock Mechanics Association

Gustafsson, A (2016) Personlig kommunikation, e-post mottaget 2016-09-22

Kvapil, R. (2004) Gravity Flow in Sublevel and Panel Caving – A Common Sense Approach, supplement för MassMin 2008, Luleå: Luleå Tekniska Universitet, ISBN 978-91-633-2332-4

LKAB (2016), Skivrasbrytning Kiruna, hämtat från

http://www.lkab.com/global/documents/grafik/skivrasbrytning_Kiruna.pdf, 30 mars 2016

Mitchell, J. K., Soga, K. (2005). Fundamentals of Soil Behaviour, tredje upplagan, Hoboken, USA: John Wiley & Sons. ISBN 978-0-471-46302-7

Nordqvist, A. & Wimmer, M. (2016) Holistic Approach to Study Gravity Flow at the Kiruna Sublevel Caving Mine, Proc. Seventh International Conference & Exhibition On Mass Mining (MassMin 2016),

Sydney, May. 2016, Australasian Institute of Mining and Metallurgy, Melbourne

Nordqvist, A. & Wimmer, M. (2017) Deliverable D2.1, Mining Methods Suitable for Deep Steep

Deposits “Large Scale Field Test on Gravity Flow at the Kiruna Mine”, I2Mine Innovative Technologies and Concepts for the Intelligent Deep Mine of the Future, EU-projekt

Nordqvist, A (2016a) Personlig kommunikation, LKAB, Kiruna

Nordqvist, A (2016b) Personlig kommunikation, e-post mottaget 2016-12-02 Nordqvist, A (2017) Personlig kommunikation, LKAB, Kiruna

(42)

35

Righetti, E. (2014) 2D Fragmentation Analysis of Sublevel Caving ring blasts, examensarbete, Trento: Dipartimento di Ingegneria Civile Ambientale Meccanica, Universitá Di Trento

Sanchridián, J., Ouchterlony, F., Moser, P., Segarra, P. & López, L (2012) Performance Of Some Distributions To Describe Rock Fragmentation Data, Amsterdam: Elsevier Ltd, International Journal of

Rock Mechanics and Mining Sciences 53 18-31, ISSN: 1365-1609

Sandvik (2014) Service Manual for integrated scale, version sparad 2014-08-12

Shekhar, G., Gustafsson, A., Boeg-Jensen, P., Schunnesson, H (2016) Draw Control Optimisation along the Production Drift in Sublevel Caving Mines, Proc. Seventh International Conference & Exhibition On

Mass Mining (MassMin 2016), Sydney, May. 2016, Australasian Institute of Mining and Metallurgy,

Melbourne

Softcenter (2012) Volume Measurement of LHD Bucket Using Laser Scanning Technology, Soft Center AB, Kiruna

Spathis, A.T. (2013) A Three Parameter Rock Fragmentation Distribution, från kompendium

Measurement and Analysis of Blast Fragmentation, London, UK: Taylor & Francis Group, IBSN

978-0-415-62140-3

Wimmer, M., Ouchterlony, F. & Moser, P., (2008) The fragment size distribution of Kiruna magnetite, from model-scale to run of the mine. I MassMin 2008 : Proc. of the 5th International Conference and

Exhibition on Mass Mining, Lulea, Sweden 9-11 June 2008. International Conference & Exhibition on

Mass Mining : 09/06/2008 - 11/06/2008. Luleå, s. 691–703. Available at: http://urn.kb.se/resolve?urn=urn:nbn:se:ltu:diva-37196.

Wimmer, M. (2012) Towards Understanding Breakage and Flow in Sublevel Caving (SLC), doktorsavhandling, Luleå: Division of Mining and Geotechnical Engineering, Luleå University of Technology

Wimmer, M (2015) Fragmentation and Gravity Flow at LKAB Kiruna Mine, P822065 (TEST I); Part III:

Fragmentation, LKAB, Kiruna

Wimmer, M (2016a) Skivras KUJ – Enhetsoperationer borrning, laddning, lasting [e-post], presentation vid workshop “Skivras mot 2020”, December 2016

(43)

36

Appendix A – WOLIS-formel

(44)

37

Appendix B – Volymmätt formel

(45)

38

Appendix C - Malmhaltsanalys

Här visas diagram för varje krans med jämförelsen av de båda fallen som beskrivs i avsnitt 4.3.

0% 10% 20% 30% 40% 50% 60% 70% 80% 0,0% 20,0% 40,0% 60,0% 80,0% 100,0% 120,0% 140,0% Fe -h al t Utlastningsgrad

WOLIS oförändrat Volymmätt nya ref.vikter

(46)

39 0 1000 2000 3000 4000 5000 6000 7000 0,0% 20,0% 40,0% 60,0% 80,0% 100,0% 120,0% 140,0% Utl astad e to n Fe Utlastningsgrad

Lastade ton Fe, WOLIS vs. volymmätt, krans 99-18

WOLIS oförändrat Volymmätt

0 1000 2000 3000 4000 5000 6000 7000 0,0% 20,0% 40,0% 60,0% 80,0% 100,0% 120,0% 140,0% Utl astad e to n Fe Utlastningsgrad

WOLIS korrekt formel, nya ref.vikter och korrekt kransmalmhalt Volymmätt

0% 10% 20% 30% 40% 50% 60% 70% 80% 0,0% 5,0% 10,0% 15,0% 20,0% 25,0% 30,0% 35,0% 40,0% 45,0% Fe -h al t Utlastningsgrad

(47)

40 0% 10% 20% 30% 40% 50% 60% 70% 80% 0,0% 5,0% 10,0% 15,0% 20,0% 25,0% 30,0% 35,0% 40,0% 45,0% Fe -h al t Utlastningsgrad

0 200 400 600 800 1000 1200 1400 1600 1800 2000 0,0% 5,0% 10,0% 15,0% 20,0% 25,0% 30,0% 35,0% 40,0% 45,0% Utl astad e to n Fe Utlastningsgrad

(48)

41 0 200 400 600 800 1000 1200 1400 1600 0,0% 5,0% 10,0% 15,0% 20,0% 25,0% 30,0% 35,0% 40,0% 45,0% Utl astad e to n Fe Utlastningsgrad

(49)

42 0 500 1000 1500 2000 2500 3000 0,0% 10,0% 20,0% 30,0% 40,0% 50,0% 60,0% 70,0% Utl astad e to n Fe Utlastningsgrad

0 500 1000 1500 2000 2500 0,0% 10,0% 20,0% 30,0% 40,0% 50,0% 60,0% 70,0% Utl astad e to n Fe Utlastningsgrad

(50)

43 0% 10% 20% 30% 40% 50% 60% 70% 80% 0,0% 10,0% 20,0% 30,0% 40,0% 50,0% 60,0% 70,0% 80,0% Fe -h al t Utlastningsgrad

0% 10% 20% 30% 40% 50% 60% 70% 80% 0,0% 10,0% 20,0% 30,0% 40,0% 50,0% 60,0% 70,0% 80,0% Fe -h al t Utlastningsgrad

0 500 1000 1500 2000 2500 3000 3500 0,0% 10,0% 20,0% 30,0% 40,0% 50,0% 60,0% 70,0% 80,0% 90,0% Utl astad e to n Fe Utlastningsgrad

(51)

44 0 500 1000 1500 2000 2500 3000 0,0% 10,0% 20,0% 30,0% 40,0% 50,0% 60,0% 70,0% 80,0% 90,0% Utl astad e to n Fe Utlastningsgrad

-20% -10% 0% 10% 20% 30% 40% 50% 60% 70% 80% 0,0% 20,0% 40,0% 60,0% 80,0% 100,0% 120,0% 140,0% Fe -h al t Utlastningsgrad

(52)

45 0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 0,0% 20,0% 40,0% 60,0% 80,0% 100,0% 120,0% 140,0% Utl astad e to n Fe Utlastningsgrad

0 500 1000 1500 2000 2500 3000 3500 4000 4500 0,0% 20,0% 40,0% 60,0% 80,0% 100,0% 120,0% 140,0% Utl astad e to n Fe Utlastningsgrad