从矿石采样开始，直到一个选矿厂建成投产，这么多坑，如何避免？

如何设计建设一个成功的选矿厂？这是一篇指引性说明。

设计一个成功的选矿厂，工作量大，也不容易。

整个设计过程，工程师们需要结合工作步骤检查清单分和处理各种复杂的数据：矿石品位、矿化作用、不同矿体中的矿石性质、采样、采矿计划、针对性的选矿试验等，这些复杂因素都会影响到工艺流程选择和设计，以及后续的设备选型，对选矿厂建成后的回收率等关键技术指标将产生直接，且长远的影响。

矿物学家面临的挑战包括：

± 如何处理这些设计变量？

± 如何在设计过程中预测和调整这些变量，使其更符合项目建成5年甚至更长时间的生产实际？

± 工艺流程不仅要满足灵活性，也要实现低成本运行；

± 随着开采推进，矿体多数时候还不是同样的类型，无论是可选性还是诸如硬度、氧化、硫化等性质都在不断变化；因此，选矿试验采用的各种平均值将很难适应这些矿石性质的实际变化。

本文，北京浩沃特矿业技术有限公司根据多年的选矿设计和交付经验，列举一些在选矿厂设计和设备选型工作中的一些影响问题，以及预测和评估这些问题对后续的选矿厂生产和性能表现的潜在影响。

工艺流程、分选过程和主次矿物分选顺序、设备选型、运行方法等都遵循最初的设计细节和设计初衷。选矿厂在后续的安装和建设过程的所有工作都由设计指导。

笔者列举了一个概要性的选矿厂建设全过程工作要点检查表格（如表1所示），表1总结了在工程设计及项目实施阶段主要技术领域的决策项。这些决策项是根据我们多年工程设计、项目交付实践、调试及选厂运营经验总结出的要点。如果在选矿厂的设计和实施过程中，忽略了其中的一些要点，将直接导致投资失败，比如无法达产，甚至无法达标（技术指标）。

尽管一些选矿厂项目是由经验丰富的工程师主导，但是在选厂设计和实施过程，或在运行中忽略了某些关键要点，就会导致项目失败，对于一些低品位矿、难选矿、多金属矿，以及为复杂且变异系数大采矿项目配套的选矿厂而言，无法达产达标的可能性是从项目设计阶段开始贯彻到整个选厂运行生命周期的，其中有几项很关键，如下：

1.矿样采样是否具有代表性？

采样没有考虑开采条件的变化、矿体的多项性、极难平均采样、扩大性选矿试验不合理（第一阶段、详细请参阅表1）

2.确定选矿流程

工艺路线的复杂性、选矿过程水的酸碱性影响（第二阶段，详细请查阅表1）

3.工程设计及实施

设计缺陷（机械的、工艺参数设定等）、设备选型和细节的针对性（比如旋流器的底流口的口径和开口方式选择）、安装细节要求不恰当等（第三阶段）

4.选厂运行

一线运行人员缺乏经验（好的球磨机师傅能够根据磨机运行的噪音判断涨肚、好的浮选机师傅能够一眼看出矿浆泡沫的品位范围等）；技能培训不够；管理层的专业技能和知识储备不足，拙劣的采购行为对设备和系统维护等系列工作造成负面影响等（第四阶段）。

表1 选矿厂项目不同阶段的关键工作表

笔者的经验是，除机械设备的性能瑕疵是无法避免的以外，多数风险点都可以在设计环节被辨识并将解决方法导入到项目设计中。因此，这里也列举了一些导致设计缺陷的基础问题，如：错误的技术参数设定、没有考虑影响因素对设备处理能力的影响等（破碎机在破碎不同矿物时，并不是同样的处理能力；球磨机入料和选矿试验，是否考虑了邦德功指数试验？）。

此外，本文列举了设计输入的参数与项目结果的关系总结（简要，请参阅图1）。

图1 设计工作与项目结果关系图（选矿厂）

阶段1 数据来源 = 选矿试验、含年或月平均品位的多年期采矿计划等设计数据输入 （绿色背景框）

阶段2 确定选矿流程 = 工艺流程设计等 （橙色背景框）

阶段3 工程设计 = 设备选型等 （紫色背景框）

阶段4 项目交付 = 项目执行、设备采购、安装、土建（钢结构）、调试等（黄色背景框）

工程设计概要阶段非常重要。所有的信息和数据源在这个阶段进行阐释和分析，也是随后的项目执行阶段的工程设计和项目计划的工作基础。这个阶段所有的工作和决策都将直接影响到项目建设成本、工期，以及项目建成后的性能表现。

虽然所有的细节是构成成功选矿厂项目的必需因素，其中一些非常重要，比如：矿石代表性和采样工作。参照[表1]，下面的这几个细节将在很大程度上影响项目建成后的效果。

± 包括选矿试验在内的各种数据分析决定着所设计的选矿流程是合理可行的；

± 设计参数要明确设备的技术责任、处理目标（理想状态、较差状态）；

± 计算设备选型及系统处理能力的合理性。

对已获取的矿体选冶特性的数据进行实践性、稳定性审核、阐释和分析，是选矿设计成果的基石。

选厂开发建设过程中，不同阶段的数据质量（真实性、代表性）对设计的正确性和流程的适应性都会产生重要的影响。

矿样的物理分选和冶金试验，通常情况是针对具体矿体的。可以分类为典型矿样和具有变异特性的矿样。

典型矿样，具有明显的岩性特征、矿化、品位、氧化，或代表矿体的构造或节理性质。相应的，物理分选和冶金的参数设定，就来源于选矿试验对具体矿样的分析结果。

具有变异特性的矿样，通常是指在矿体中矿石的性质或种类有变化。比如，品位变化、氧化矿变为硫化矿（适用于多数铜矿）、埋深、地质构造引起的具有经济开采价值的矿体位置变化等。

针对两种矿样，选矿试验获得的数据能够和矿体模型结合起来分析。工程实践中，一般会采用下面这些经验做法。

± 硬度和处理能力数值填入，须鉴定主要岩性代表性的矿样或变异特性的矿样组；

± 浸出回收数值填入，粉碎和混汞的金矿石矿样组，须鉴定氧化程度。比如：完全氧化、部分氧化、过渡阶段，或是否新采的矿石等；

± 要考虑可变因素与回收率的关系，须明确算法后填入数值。比如，对金矿石而言，入料品味和浸出效果之间的关系，硫化程度与浸出效果之间的关系，金的耐火性和含砷水平等（变异性）；

± 结合采矿计划和期间的矿石平均品位能够为后续的生产运营金额现金流预测提供数据支撑（月度、季度、半年）。

具有代表性的矿样组成是混合了不同的矿石种类和品位的。因此，整个矿体、矿山生命周期、年度平均品位等信息依然很难为流程设计提供100%接近生产实践的可靠数据；在这个方面，典型代表性矿样和具有变异特性的矿样的数据就非常有帮助。选矿厂运行期间，基本不太可能一直处理变化不大的原矿。因为在选矿试验阶段，稀释的矿样组合使得选矿厂的流程考虑不完善或者没有在选矿试验阶段意识到这个问题，选矿厂在后续的实际生产中处理具有不同特性的矿石时，通常会遇到选冶效果差和其他运营困难。

因为设备供应商会考虑自己的利润，包括国际知名制造商在内，通常的做法是通过支付给工程设计公司“咨询费”来影响设备选型结果；在国内则是支付“选型费”，甚至通过给主持设计的工程师个人好处来影响设备选型；工程师在做设计时也会考虑设备的富余系数等原因，这些因素使得预期的设计效果与实际生产表现会产生差异，尤其是当选矿厂在经过稳定生产周期后，当处理的矿石变化超过平均水平时，选冶效果的效果改变可能性就非常大。此外，当矿石品味和可选性比选矿试验的平均值低时，设备和选矿厂整体系统将会受到处理能力和体积等限制。比如：泵的能力、洗砂机的能力、筛机的有效筛分面积、浓密机的沉降空间、过滤速率等（压滤机、盘式过滤机、带式过滤机）。

在选矿厂项目筹备的早期阶段，比如，当钻探和地质分析正在进行时，资源量正在核实阶段，针对矿体的选矿试验的数据就会有局限。数据通常是一小部分的成套信息，典型的数据选取一般是最大值或数据范围内的平均值。输入的数据增量可能会影响到后续估算工作，比如选矿厂处理能力，设备型号等。还有，针对相似的原矿种类和相似的应用，为了提高早期的数据可信度，会对计算用“值”进行基准调整，就是需要把原始数据和可比较的行业数据，或公司内部的经验数据进行比较、调整。

在选矿厂项目整个开发过程，不仅是不同阶段的数据量和选冶试验的会交互影响，对矿石的特性和变异特征的大量细节的分析工作量不断增加也使得信息处理越来越复杂。选矿厂在生产时的入料计划中，需要考虑和添加变化的原矿量、品位、矿化，和岩性等情况。还需要考虑不同的开采阶段对原矿获取的影响，比如：大宗商品周期或矿产品价格因素考虑、采矿计划、项目整体价值模型和融资计划，以及资源赋存的限制条件等。

分析矿石类型的下列典型数据或具有变化性的数据，可以明确选矿厂设计的重要参数。

± 统计学分析方法，用于明确平均值、标准偏差、最小和最大值，以及指定的百分位值（比如，75^th 或 80^th百分位）；

± 离群值1评估（高/低数据）、分析包含基础数据和特别注释，或有正当理由丢弃的数据；

± 用一系列有规则的数据绘图，可以生动地展示一大堆数值的分布、数据在样本中的位置，以及离群值、等值线疏密等；

± 数值的确定，需要描述主要矿石种类、选矿流程和模块的表现、选矿数质量等特征；

± 加权值，针对需要把原矿进行配矿的选矿厂，在设计时需考虑加权值。

从方案阶段到详细的可行性研究，直到项目正式启动前的初步设计，主要需要这些数据。

± 客户预期的项目概算、生产计划和产能等数据。这个在中国，生产计划一般会遵循国家标准进行设计，但是国际上的矿业巨头，一般有自己的生产计划。无论是参照国家标准，还是遵循客户的意愿，这些数据一般情况是固定的，也是业主和设计方都认可的。

± 选矿试验报告，由专业的实验室、或由具有丰富经验的分包商或专家出具（高校的选矿实验室）。这是所有数据源最重要的一部分。一份“可靠的”选矿试验报告，最初的工作来自“具有代表性的采样”，并且需要结合矿体建模，采矿计划内的平均品位变化（最好是5年采矿计划）对选矿试验进行规划；一般情况，选取年平均品位即可，如果采矿计划周期内的品位变化大，就需要精确到月平均品位；选矿试验还需要兼顾氧化矿、硫化矿、过渡矿体的采样和试验等工作。

± 生产实践的参考数据，尤其是周边同类选矿厂的运营数据，以及行业标准。

± 公开的有用信息。比如：收集的供应商资料（技术参数、设备价格）、各类手册、政策法规（安全、环保、劳工、签证等）、项目所在地的国家标准、论文及项目实践文章等。简而言之，就是参考的信息越多，对设计一个新的选矿厂的后期表现，越有保障。

± 工程师的个人设计、运营及调试经验，以及个人整理的设计资料库。在上述数据源的可靠程度不高的前提下，会采用工程师自己的数据来源。比如：选矿试验数据有限或工程师认为不完善；选矿试验无法很好的模拟流程细节；有很多批次选矿试验需要做调整，从而模拟连续流程；如果需要对数据进行“按比例增加”时。

作为概要提示，选矿厂的设计数据来源的通常按上述几点。客户提供的数据是基于财务、运营和生产的。选矿试验和矿体模型等数据，主要用于确定选矿流程。其他数据主要用于对选矿流程、药剂制度等细节进行调整，尽量保障选矿厂建成后“达标、达产”。

设计参数主要用于流程计算，设备选型，以及选矿的某个某块，如：碳吸附流程。品味、或矿石性质、规定的处理能力、各种速率（浸出、浮选等）、可参考的参数以及设备运行条件或特殊流程等都可以作为设计参数。

设计参数并不一定需要与生产计划有关联，也不一定需要整合物料平衡计算。物料平衡计算是模拟在稳定的条件下，选矿厂连续生产时的入料和出料的平衡计算（物料包含：固体、水、金属、元素等；如果是选煤就是：原煤、煤、水、介质、矸石等）。

设计参数不包括附加的设计富余系数，追加产能等。为了实现设计目的，设计富余系数的选取应在设计计算中明确出来，包括选取的依据。生产时通常允许一定的富余产能，尤其是物料输送环节，如：皮带机、旋流器入料泵、渣浆泵、药剂泵、水泵和空压机等。

设备选型计算时会用到设计参数，富余系数等关键数据，从而综合计算出设备的合理的型号。输入流程的计算参数通常是某个类似项目或短期的中试数据，这些中试数据可能会因为增加某批次数据有些步骤调整。计算中，平均数质量条件也常用于预测选矿系统运行效果可能的偏差范围。

做设备选型和推荐时，须满足下面两个关键要求：

①设备性能与流程计算后选取的参数和技术规格描述严格匹配；

②成本因素，要同时兼顾建设期设备投入和选矿厂生命周期内的运行成本。

设备选型要达到流程计算的理想状态，需要在一些相互矛盾的要求中做出平衡选择：

± 减小设备型号，从而节省部分设备投资。这将导致系统无法达产的风险；

± 过大的设备选型，这当然能够满足“达产”的目的；但这个方式，不仅增加了设备投资，也增加了为了支撑这些大型设备的土建和钢结构等基础投资。

案例分析能够有效地帮助工程师在为关键流程选择技术参数和设备选型时做出更合适的方案。要做到有效的案例分析，这里以某金矿选矿厂项目为例。

从大量的数据样本中选择设计参数，入料品位、重选、磨矿等；含硫化物的变异性数据也考虑到了；数据来源于几个不同的项目，综合分析这些参数后，用于设计参数的选取。

落锤试验参数Axb用于矿石在半自磨中和自磨机的磨矿计算。图2是三种不同矿石落锤试验的Axb值的分布，三种矿石分别采样自浅层和深层的矽卡岩矿化的矿体。

从数值分布点选择Axb值用于设计，都是基于每种矿样的第25个百分位(如选取更低的Axb值，就需要更多代表性的矿样)。采矿计划里关于每种类型矿石的产量比例分布和计划的设计参数如表2所示。

图2 三种矿样的Axb值

表2 依据采矿计划的矿石类型及产量比例分布表

综合考虑采矿计划后，矿山开采的第一年到第三年，加权平均后的Axb值为65；第四年到八年，加权平均后的Axb值为46；其对应的邦德功指数分别是13.5 kWh/t和15.0 kWh/t。

综上分析，前3年的矿石具有较高的Axb值，更低的功指数。因此，在前3年，半自磨需要的功耗比后面5年小。下面的选项均可考虑到选厂运行计划（设计阶段）：

① 基于同样的磨机选型，前几年可以处理更多矿石；在第4~8年，则刚好满足生产能力要求；

② 前3年刚好满足要求；第4~8年，进行产能升级改造，增加磨矿能力来满足这个阶段的生产能力要求。

在这个项目中，基于长期和短期的各种因素考虑，工程师选择方案①。

棒磨机和球磨机都能用标准的邦德功指数试验来分析和评价矿石的硬度，同时，也用于棒磨机、球磨机和SAG半自磨机的选型。图3是一个通过交代作用和充填作用形成岩石蚀变和矿脉的矿样试验数据。设计选取的是75个百分位的分布数据，棒磨机的功指数是28.9kWh/t，球磨机的功指数是21.9kWh/t。这样的设计选型，使得磨机具有足够的灵活性来处理这个采自该矿体的主要矿石。但是，选取较高百分位的功指数也会增加设备投资。

图3 矿样实验数据

图4是地表采样做的重选试验，矿样每组5~10公斤，试验设备是实验室用的小型摇床。图4是三种石英网状脉矿化的金矿石的重选试验。

重选效果有一定的变化，入料品位和矿石类型没有明显趋势，在90个百分位，15个百分位以及平均百分位的回收率已比较评估。依据试验结果，90个百分位的回收率为49%，在选矿厂设计中，重选精矿回收率算作50%。

15个百分位以及平均百分位的回收率分别是29%和39%。因为这些实验室的回收率数据是基于入料稳定等比较理想化实现的。考虑到在项目建成后的连续运行中，由于入料矿石的性质变化，依据过往项目经验，在设计时调整重选平均回收率为30%。在重选后续的浸出、炭浸法(CIL)、炭浆法（CIP）等工艺环节，回收率和碳吸附等环节均按较低的回收率考虑设计参数选取，这个环节，选取的重选回收率为20%。

虽然在多数的金矿或金银矿的选矿实践中，重选环节的银回收率通常很低，而且比金的回收率低得多，出于流程完善考虑，在试验阶段，依然分析了矿石中银的回收，也进行了必要的追踪测定。

图5是一个斑岩型铜金矿在长期的采矿计划下的铜矿石入料品位的累计分布情况。

从第4年至第12年期间，铜矿石入料品位分布数据被选取为浮选和铜精矿物料输送的基准数据；75个百分位的分布数据用来作为铜产品的设计参数；虽然这个铜金矿的金矿石品位在前3年比第4年~第12年期间更高，金矿石的回收具有较好的经济收益，但是，对于铜矿选矿设备的选型是基本没有影响的。

虽然铜矿石入料品位在前三年比较低，但是设备选型要基于第4~12年更高的情况考虑，主要原因是不能等产能释放后，因为前期选型考虑不足，从而额外增加浮选系统和铜精粉物料输送系统。另外，一定的设计富余系统也能充分应对前期运行可能遇到的矿石性质变化的情况。

图6是金矿回收率散点分布结果图。这是针对一个大型露采金矿的原矿硫含量增加的重选尾矿的磨矿和氰化浸出试验。图6很好的呈现了4种硫含量变化情况时，浸渣与浸出的入料品位变化关系。每种硫品位与矿体建模的硫份含量分布是基本一致的。

以硫含量为变量，金矿石入料品位和浸渣是有关系可循的。须进一步的统计分析做一个针对浸渣品位和硫含量变化的模型，并结合矿石品位分布和入料品位计算出金矿的回收率。

金矿石处理环节，该项目借鉴了类似的一个金矿选矿厂的案例，完整的流程包括主要的选矿工艺环节从破碎磨矿直至最终的合质金冶炼。 

FEED选取的入磨的入料量和入料品位如表3所示。优化后的露采计划，这种节点划分能够与最优的金和银品位和现金流匹配。主要原矿来自1号坑，2号坑的金和银品位在初采期的前两年非常高，3号坑的品位最低，因此放到最后开采。

这样做的好处，能够在项目投产初期即实现更好的现金流和利润，从而帮助项目快速盈利。待矿山经营很多年后，早已实现投资回报，利用现有设施处理3号坑的低品位矿石，也能轻松盈利。

遗憾的是，这样看似简单的道理，在很多中小型矿山的开发计划中，几乎没有详细的论证。造成了项目投产后，投资者依然面临较大的现金流压力，实现盈亏平衡的时间更长。

所有矿坑的矿石依据岩性和蚀变岩型分类，并做了针对性的粉碎能力、硬度和磨蚀特性等试验。根据试验获得的无侧限抗压强度（UCS）、A×b、 棒磨功指数和球磨功指数，得出3种不同类型，分别标注为：硬矿、中等硬矿、软矿。按年分类的矿石类型分布的矿石入料量、硬度和回收率如表4所示。该表也表明了金和银的回收率与不同类型原矿配矿后的重选和浸出/CIL回收性能的关系。

表4 矿石处理能力、硬度和回收率逐年变化预测表

活性炭吸附和解吸流程在生产运营的前两年满足了生产要求和设计指标。这个阶段，虽然处理能力指标偏低，但是矿石品位和回收率是最高的。而且，前两年里，相比以后的时间，金和银的存储需求是最大的，这样的结果就是碳转移、碳解吸、活性炭再生系统都需要充分考虑。因此，该项目选取前两年的数据作为碳解吸、活性炭再生等流程的设计基础。

前两年的金：银的可溶率约为1:6。因此，银的回收是主要考虑的，并且对炭浆流程的设计和后期运营调整有决定性的影响。

随着矿石开采年限增加，“软矿”越来越多，在矿山生命周期最后几年成为主导入料原矿（第10~12年，占到95%）。这个阶段，磨矿环节的处理能力远超设计水平，大约能够多出25%的富余处理能力；这个能够帮助弥补由于入料品位下降和回收率下降带来的负面影响。

针对所有类型矿石都做了矿浆粘性和流体力学特征试验，尤其是“软矿”。对选矿流程中的矿浆密度、粘度、矿浆流动性和液位梯度提供了比较信息。矿浆特性和流动特征直接影响到处理量和设备选型参数，比如安全筛、渣浆泵、浓密机等。因此，在项目初期的设备选型中，就充分考虑到了由于矿浆性质变化带来的影响，或在项目初期为后面项目升级预留一定的接口和空间。

达标+达产，是选矿厂项目是否成功的两个基本项目，设计一个性能卓越的选矿厂，并不容易。在国内的项目，基本很少有选矿厂在项目验收阶段或在一定的生产间隔期做“效率测试”。很多值得优化的细节，也并没有引起足够的重视。作为矿山利润的引擎，一个成功的选矿厂只有最好的设计是不够的，以合理的成本获得最好的选冶效果，是一项长期的工作。

       

大坑清单，用于选矿厂项目投资前和建设期核对

①具有代表性的采样

②选矿试验的严谨性

案例，某国内选矿工程公司给客户的试验，存在这样的问题：第一次的试验，客户自己取样的代表性不强，品位与实际处理矿石差距太大（金矿石，矿样品位1.13g/t，客户认为的在4g/t左右），试验结论自然没有指导意义，国内一些选矿工程公司和试验机构然后就说帮客户免费做一次验证试验，提供的样品品位为4.27g/t。然而试验报告仅有结论，并无实验过程和试验数据。

对于这样的试验结论，我们不能从中得到有效信息，且客户不愿意付费委托专业权威机构进行试验。

因此，后续接手的工程设计公司只能根据客户的要求为主，结合相关项目经验，拟定工艺流程和设备选型。

③容易被收买的设计单位或工程师

④ 忽悠不做选矿试验就直接出方案给报价的承包商

⑤ 吓唬矿山企业“哎呀，这个矿难弄，不好选……”的承包商

⑥ 多数设备都“自己造”的工厂型承包商

       

【连载预告】

穿越未来（1）——改变并不意味着进步！

过去的40年里，选冶技术已获得突飞猛进的改变。比如，浮选机已经做到比40年前大100倍，磨机能够实现-10μm的出料粒度等。但是，这些细节的技术改变，并没有实质性地提升选冶效果。

为什么？

穿越未来（2）——我们仍在选矿的中世纪

解释和延伸阅读

 1 离群值，也称逸出值，是指在数据中有一个或几个数值与其他数值相比差异较大。chanwennt准则规定，如果一个数值偏离观测平均值的概率小于等于1/(2n)，则该数据应当舍弃（其中n为观察例数，概率可以很据数据的分布进行估计）。

https://baike.baidu.com/item/%E7%A6%BB%E7%BE%A4%E5%80%BC/311974?fr=aladdin 

 2  A×b值，澳大利亚JK矿物加工研究所开创了落锤试验，另外还有SMC试验作来测定矿石的粉碎特性。这些试验方法在半自磨机选型和工艺条件优化中得到越来越多的应用。由JK落锤试验或SMC试验获得的物料特性参数A×b值，是一种简历在特定的磨矿数学模型基础之上的模型参数，A和B两个数值本身没有物理意义，A×b值可以用来衡量矿石抵抗冲击粉碎能力的一个指标。A×b值大小的工艺意义只有通过模型计算结果才能体现。

自磨试验方面的进展

常规磨矿的磨矿介质一般为钢棒（棒磨机）或钢球（球磨机），其规格和添加量是可以控制的。自磨（或半自磨）不同于常规磨矿，其全部或部分介质为被磨物料本身，它是随着给矿粒度组成及其物理特性的变化而变化的。因此自磨不能像常规磨矿那样，仅凭矿石可磨性试验（获得矿石功指数）即可选择计算磨矿设备，它需要进行更充分的试验研究工作，其试验结果直接影响自磨流程的选择和设备规格的确定。

20世纪50～60年代，由于试验问题，自磨的应用曾出现过某些偏差和教训。70年代以来，人们认识到这一问题，对自磨试验工作更加重视，普遍认为新建矿山要采用自磨（半自磨）工艺，必须进行半工业规模的试验。这一认识和做法一直延续到90年代。我国为进行自磨试验，曾引进和自制半工业试验装置数套，做了多个矿山自磨试验，为选矿厂设计提供了可靠依据。

自磨半工业试验结果虽然可靠，但工作量大，费用高，并需要大量矿样（从几十t到几百t)。对某些未开发矿山要采取如此之多有代表性矿样是相当困难甚至不可能的。为此，多年来，国外许多公司和个人研究以用少量矿样的实验室试验代替半工业试验。近10多年来，这方面的研究取得了进展，国内外许多新建矿山根据实验室自磨试验结果，进行自磨（半自磨）工艺设计和建设。

目前，常用的几种实验室自磨试验如下表所示，其中有的试验可直接得出自磨（半自磨）单位矿石功耗(kWh/t)，用来选择计算磨机；有的需要根据试验结果和存有大量生产实际数据的数据库资料进行模拟，模拟出不同条件下的单位矿石功耗(kWh/t)，并依此选择和计算自磨（半自磨）机。

表 常用的几种实验室自磨试验

JKMRC, Julius Krutlschnitt Mineral Research Center；

OMC/Amdel, Orway Mineral Consultats and Madel

 3 前端工程设计，英文简写FEED，Front End Engineering Design。即业主对工程项目没有给出任何的参数和设计条件，承包商需要根据自己的经验对项目进行风险评估,设计并施工。一个设备装置建造项目的早期规划阶段被称之为前端工程设计阶段(FEED)，属于详细设计前的设计系统，80%左右的总费用将在这一时期确定下来。在这个FEED阶段开始之后做出的相关决策，将影响到以后的设计任务，并对设备装置的可操作性、生产能力、经济性等方面起到至关重要的作用。反过来这也将影响设备装置运行的安全性和环境的相容性。

HOT Mining is a leading engineering practice that provides mining, mineral processing and associated infrastructure solutions to the global resources industry.

For mining projects, HOT offers services from exploration through mine evaluation, feasibility, mine planning, and production to mine closure.

We also provide independent consulting services:

In recent years, HOT also holds equity in mines in China and Zambia. We can understand the real practice and requirements before, and during mining investment activities. For independent consulting services, HOT does NOT hold any equity in project. Understanding like a mining investor and being independent in consulting, these permit our consultants to provide clients with conflict-free and objective support on crucial issues. This is particularly important for due diligence and feasibility studies, which will lead the successful exploration!