Sampling and estimation of diamond content in kimberlite based on microdiamonds - PASTEL - Thèses en ligne de ParisTech Accéder directement au contenu
Thèse Année : 2013

Sampling and estimation of diamond content in kimberlite based on microdiamonds

Échantillonnage des gisements kimberlitiques à partir des microdiamants : Application à l'estimation des ressources récupérables

Johannes Ferreira
  • Fonction : Auteur
  • PersonId : 771395
  • IdRef : 177888814

Résumé

Predicting the recoverable resources in kimberlite requires estimating the size distribution of its valuable stones. This estimation is usually based on stones of size exceeding 0.5mm. More abundant but without commercial value, the other stones are not involved in the estimation process. Such an approach raises a sampling problem. The rarer the large stones, the more bulky the samples. One way to reduce the sample size is to reduce the processing cut-off to recover non-valuable stones. To do this, specific techniques (acid dissolution of kimberlite) have been set up to retrieve all stones above 75 microns (0.0000018 carat). An iterative procedure has also been designed to estimate the size distribution of the valuable stones starting from the small ones. The proposed solution rests on the assumption, found valid in all studied primary deposits, that stone sizes are lognormally distributed. The procedure to estimate the lognormal parameters takes into account the limited number of stones and their lack of representivity owing to an unavoidable loss of the smallest stones during the sample processing. It can be applied to a mixture of several populations of stones recovered at different cut-offs corresponding to different processing techniques. This procedure involves a graphical representation that compares the actual and simulated size distributions, and makes it possible to estimate the quantity of stones lost during the recovery process.
La prédiction des ressources récupérables d'un gisement kimberlitique passe par l'estimation de la loi en taille des diamants commercialisables qu'il contient. Cette estimation repose traditionnellement sur les pierres de plus de 0,5mm, sans tenir compte des petites pierres qui sont de loin les plus abondantes mais sans valeur économique. Le problème soulevé par cette approche est la taille des échantillons: ils doivent être d'autant plus volumineux que les grandes pierres sont rares. Une façon de réduire la taille des échantillons est d'abaisser le seuil de récupération à des pierres non commercialisables. A cette fin, des techniques spécifiques ont été développées (dissolution de la kimberlite à l'acide) pour récupérer toutes les pierres de plus de 75 microns (0,0000018carat). Une procédure itérative a été aussi mise au point pour estimer la loi des pierres commercialisables à partir des petites pierres. La solution proposée repose sur une hypothèse de lognormalité de la taille des pierres, hypothèse pertinente dans la totalité des gisements primaires de diamants étudiés. L'estimation des paramètres lognormaux tient compte du nombre limité des données et de leur biais, dû à la perte inévitable des pierres les plus petites au cours du traitement des échantillons. Elle permet la prise en compte simultanée de différents jeux de données prélevés à différents seuils de récupération correspondant à differents modes d'échantillonnage. Cette procédure met en jeu une représentation graphique comparée des lois expérimentale et simulée, mettant ainsi en évidence la quantité de pierres perdues.
Fichier principal
Vignette du fichier
2013ENMP0078.pdf (4.93 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)
Loading...

Dates et versions

pastel-00982337 , version 1 (23-04-2014)

Identifiants

  • HAL Id : pastel-00982337 , version 1

Citer

Johannes Ferreira. Sampling and estimation of diamond content in kimberlite based on microdiamonds. Other. Ecole Nationale Supérieure des Mines de Paris, 2013. English. ⟨NNT : 2013ENMP0078⟩. ⟨pastel-00982337⟩
400 Consultations
9925 Téléchargements

Partager

Gmail Facebook X LinkedIn More