Modélisation D'Un Classificateur Hydraulique À L'Usine de Boulettage D'Arcelormittal

Modélisation d’un classificateur hydraulique à l’usine de
boulettage d’ArcelorMittal
Mémoire
Gracia Payenzo Mfudi
Maîtrise en génie des matériaux et de la métallurgie

Maître ès Sciences (M. Sc.)
Québec, Canada
© Gracia Payenzo Mfudi, 2013

Résumé
La compagnie minière ArcelorMittal Mines Canada exploite, à Mont-Wright près de la ville
de Fermont, un gisement contenant principalement de l’hématite (Fe2O3) comme minéral
de valeur et de la silice (SiO2) comme gangue. Le minerai extrait de la mine est concassé
puis broyé et les minéraux de fer sont concentrés par des spirales. Le concentré est
ensuite envoyé par train à l’usine de boulettage de la ville de Port-Cartier. Une partie du
concentré est vendu comme tel et l’autre partie est traitée pour produire des boulettes
d’oxyde de fer pour les aciéries. Pour certains types de boulettes, la teneur en silice du
concentré doit être abaissée à moins de 1.2 à 1.4%. Pour obtenir la teneur en silice exigée
par les clients (aciéries), l’usine de boulettage se sert des classificateurs hydrauliques.
L’objectif du projet de maîtrise est d’étudier le fonctionnement du classificateur hydraulique

afin d’identifier le rôle et l’effet des variables opératoires (meilleur contrôle) et ultimement
de proposer un modèle pour cet équipement. Plusieurs essais ont été effectués sur les
classificateurs hydrauliques de l’usine de boulettage d’ArcelorMittal en vue d’observer
l’impact des variables opératoires sur la densité du lit de pulpe et les variables de sortie
(distribution granulométrique et composition chimique) du classificateur, mais surtout sur
les variables de performance (rendement poids et teneur en silice à la sousverse) de cet
équipement. Le fonctionnement du classificateur hydraulique a été étudié à partir des
courbes de partage des minéraux, une approche qui n’a pas été utilisée souvent dans la
littérature portant sur ces appareils. Les données tirées de ces campagnes
d’échantillonnage ont permis de calibrer un modèle empirique et de simuler, d’une
manière simplifiée, l’opération du classificateur hydraulique. Ces données ont finalement
permis de constater que cet appareil, d’opération à première vue simple, est en fait
complexe et que le développement d’un modèle phénoménologique est nécessaire pour
arriver à pouvoir établir des stratégies de commande efficaces afin de réguler le
fonctionnement du classificateur.
iii
Abstract
The mining company ArcelorMittal Mines Canada operates in Mont-Wright near the town
of Fermont, an ore deposit consisting mainly of hematite (Fe2O3) as a valuable mineral and
silica (SiO2) as gangue. The extracted ore from the mine is crushed and then ground and
iron minerals are concentrated by spirals. The concentrate is then sent by train to the
pelletizing plant in the city of Port-Cartier. A portion of the concentrate is sold as is and the
other part is treated to produce iron oxide pellets for steel mills. For certain types of
dumplings, the silica content of the concentrate should be reduced to less than 1.2 to
1.4%. For having the silica content required by customers (steelworks), the pellet plant
uses hydraulic classifiers.
The objective of the project is to study the operation of the hydraulic classifier to identify
the role and effect of process variables (for a better control) and ultimately to propose a
model for this equipment. Several tests were carried out on the hydraulic classifiers of
pelletizing plant of ArcelorMittal to observe the impact of process variables on the density
of the pulp bed and output variables (particle size distribution and chemical composition) of
the classifier but especially on performance variables (weight yield and silica content in the
underflow) for this equipment. The operation of the hydraulic classifier has been studied
from the minerals sharing curves, an approach that has not been used frequently in the
literature on these devices. Data from these sampling campaigns were used to calibrate
an empirical model and simulate, in a simplified manner, the operation of the hydraulic
classifier. These data have finally allowed to find that this device, operation of which is
simple at first view, is actually complex and the development of a phenomenological model
is necessary to arrive at strategies to establish effective control to regulate the operation of
classifier.
v
Table des matières
Résumé.................................................................................................................................. iii
Abstract ................................................................................................................................... v
Remerciements.....................................................................................................................xxi
Chapitre I : Introduction ......................................................................................................... 1
Chapitre II : Revue de littérature ............................................................................................ 5
2.1. Enrichissement des minéraux ................................................................................. 5
2.1.1. Procédé de séparation gravimétrique .............................................................. 6
2.1.2. Procédé de séparation par classification ......................................................... 7
2.2. Description générale des classificateurs hydrauliques à lit fluidisé ..................... 11
2.2.1. Principe fonctionnel ...................................................................................... 12
2.2.2. Variables opératoires .................................................................................... 12
2.3. Applications des classificateurs hydrauliques à lit fluidisé .................................. 13
2.4. Modélisation phénoménologique et autres méthodes proposées pour la simulation
des classificateurs hydrauliques à lit fluidisé .................................................................... 14
2.2.1. Modélisation d’un classificateur hydraulique pilote en production d’un
concentré de pyrite ........................................................................................................ 14
2.2.2. Modélisation d’un classificateur hydraulique pilote en production d’un
concentré de charbon .................................................................................................... 21
2.5. Contrôle et instrumentation des classificateurs hydrauliques à lit fluidisé ........... 23
2.5. Conclusion ............................................................................................................ 23
Chapitre III : Opération du classificateur hydraulique à l’usine de boulettage
d’ArcelorMittal et objectif du projet de maîtrise .................................................................. 25
3.1. Circuit de production des boulettes d’oxyde de fer .............................................. 25
3.1.1. Opération de la mine de Mont-Wright et transport du concentré ................. 26
3.1.2. Usine de boulettage ....................................................................................... 28
3.2. Classificateurs hydrauliques primaires ................................................................. 29
3.2.1. Schéma et dimensions ................................................................................... 29
3.2.2. Types d’enrichissement visé (BBS ou BSA) ................................................ 31
3.2.3. Stratégie d’opération selon le type d’enrichissement ................................... 32
3.2.4. Minerai d’alimentation ................................................................................. 37
3.2.5. Mesure de l’efficacité du classificateur ........................................................ 39
3.2.6. Paramètres d’opération ................................................................................. 40
3.2.7. Stratégie de contrôle et instrumentation ....................................................... 41
3.2.8. Analyse des données de production pour mettre en évidence des relations
entre les indices de performance et les variables opératoires ....................................... 43
3.3. Objectifs du projet de maîtrise .............................................................................. 53
3.4. Conclusion ............................................................................................................ 55
Chapitre IV : Acquisition de données ................................................................................... 57
4.1. Campagnes préliminaires effectuées par le personnel de l’usine ......................... 59
4.2. Campagnes d’avril 2010 ....................................................................................... 60
4.2.1. Effet du débit d’eau de fluidisation (Phase 1)............................................... 61
4.2.2. Effet du débit d’eau de dilution de l’alimentation (Phase 2) ........................ 63
4.2.3. Effet du tonnage d’alimentation (Phase 3) ................................................... 64
vii
4.2.4. Effet de la position de la vanne de sousverse (Phase 4) ............................... 65
4.2.5. Analyse granulochimique des échantillons prélevés sur le classificateur
Primaire du Broyeur A (CPBA) ................................................................................... 67
4.3. Campagnes de Juin 2011 ...................................................................................... 68
4.3.1. Effet du débit d’eau de fluidisation à densité de lit constante ...................... 68
4.3.2. Composition de la pulpe en fonction de la profondeur dans le classificateur
hydraulique ................................................................................................................... 71
4.4. Campagnes de Septembre 2011 ........................................................................... 73
4.5. Conclusion............................................................................................................ 77
Chapitre V : Analyse des résultats des essais dynamiques d’avril 2010 .............................. 79
5.1. Fonction de transfert d’un procédé....................................................................... 80
5.2. Réponse de la densité du lit de pulpe ................................................................... 82
5.3. Réponse de la teneur en Fe2O3 de la surverse ...................................................... 87
5.4. Réponse de la teneur en silice (SiO2) de la sousverse .......................................... 91
5.5. Réponse de la teneur des fines particules (-212 µm) en sousverse ...................... 94
5.6. Conclusion............................................................................................................ 97
Chapitre VI : Traitement et analyse des données des essais sur le classificateur opérant en
régime statique ..................................................................................................................... 99
6.1. Campagnes sans analyse granulochimique .......................................................... 99
6.1.1. Réconciliation des données par bilan de matière ......................................... 99
6.1.2. Analyse des données des campagnes de Septembre 2011 ......................... 107
6.2. Campagnes d’échantillonnage avec analyses granulochimiques ....................... 115
6.2.1. Réconciliation des données ........................................................................ 115
6.2.2. Traitement des données .............................................................................. 118
6.3. Conclusion.......................................................................................................... 132
Chapitre VII : Simulation du classificateur hydraulique .................................................... 133
7.1. Méthodologie de la construction du simulateur ................................................. 133
7.2. Vérification de la fiabilité des modèles de d50 et α ............................................ 138
7.2.1. Comparaison entre les courbes de partage observées et modélisées .......... 139
7.2.2. Comparaison entre les variables de performance simulées et celles calculées
à partir des données expérimentales ........................................................................... 141
7.2.3. Modification des variables opératoires ...................................................... 142
7.2.4. Modification des caractéristiques de l’alimentation................................... 146
7.3. Scénarios d’opération pour obtenir la combinaison « meilleur rendement poids
versus meilleure teneur en silice en sousverse » ............................................................ 148
7.4. Conclusion.......................................................................................................... 150
Conclusion générale ........................................................................................................... 151
Bibliographie ...................................................................................................................... 155
Annexes ................................................................................................................................ 71
Section I : Revue de littérature ........................................................................................... 159
1.1. Principes des méthodes de séparation gravimétrique ......................................... 159
Section II : Opération du classificateur hydraulique à l’usine de boulettage d’ArcelorMittal
............................................................................................................................................ 162
2.1. Opération de la mine de Mont-Wright ............................................................... 162
2.2. Opération de l’usine de Boulettage .................................................................... 164
2.2.1. Entreposage du concentré de Mont-Wright ............................................... 164
viii
2.2.2. Enrichissement du concentré de Mont-Wright ........................................... 164
2.2.3. Broyage du concentré de Mont-Wright ...................................................... 164
2.2.4. Boulettage du concentré de Mont-Wright .................................................. 164
2.2.5. Frittage des boulettes de fer ........................................................................ 165
2.2.6. Enrichissement secondaire du concentré de Mont-Wright ......................... 165
2.3. Installations portuaires ........................................................................................ 166
2.4. Principe de mesure du capteur de pression ......................................................... 166
2.5. Sources probables de la présence des deux populations dans les données de
production ....................................................................................................................... 167
Section III : Mesures expérimentales.................................................................................. 168
3.1. Campagnes préliminaires effectuées par le personnel de l’usine ....................... 168
3.2. Essais dynamiques d’Avril 2010 ........................................................................ 173
3.3. Campagnes de Juin 2011 .................................................................................... 196
3.3.1. Échantillonnage en profondeur du CPBC ................................................... 196
3.3.2. Échantillonnage sur le CPBA ..................................................................... 197
3.4. Campagnes de Septembre 2011 .......................................................................... 203
Section IV : Traitement et analyse des données des essais dynamiques d’Avril 2010 ...... 208
4.1. Calcul du temps de séjour de la pulpe dans le classificateur hydraulique .......... 208
4.1.1. Calcul du volume du classificateur hydraulique A (CPBA) ....................... 208
4.1.2. Calcul du temps de séjour de la pulpe sortant par la sousverse du CPBA . 210
4.1.3. Calcul du temps de séjour de la pulpe sortant par la surverse du CPBA .... 211
4.2. Calcul du gain relatif et de la plage de variation de la constante de temps ........ 214
4.2.1. Calcul du gain relatif................................................................................... 214
4.2.2. Calcul de la plage de variation de la constante de temps............................ 214
4.3. Réponse de la teneur en Fe2O3 de la surverse ..................................................... 215
4.4. Réponse de la teneur en Fe2O3 de la sousverse .................................................. 215
4.5. Réponse de la teneur en SiO2 de la surverse ....................................................... 218
4.6. Réponse de la teneur en SiO2 de la sousverse .................................................... 221
4.7. Réponse de la teneur des fines particules (-212 µm) en sousverse..................... 222
4.8. Réponse de la teneur des fines particules (-212 µm) de la surverse ................... 222
4.9. Réponse de la teneur des particules grossières (+212 µm) de la surverse .... 225
Section V : Traitement et analyse des données................................................................... 229
5.1. Équations de réconciliation des données ............................................................ 229
5.2. Campagnes préliminaires effectuées par le personnel de l’usine ....................... 231
5.3. Campagnes d’Avril 2010 .................................................................................... 237
5.4. Campagnes de Juin 2011 .................................................................................... 251
5.5. Campagnes de Septembre 2011 .......................................................................... 254
5.5.1. Données réconciliées .................................................................................. 254
5.5.2. Analyse statistique ...................................................................................... 255
5.6. Génération des valeurs aléatoires des teneurs en Fe2O3 et en silice (SiO2) ........ 267
Section VI : Construction du simulateur du classificateur hydraulique ............................. 269
6.1 Équations du simulateur...................................................................................... 269
6.2 Comparaison entre les courbes de partage estimées et celles calculées à l’aide des
données des campagnes de juin 2011 ............................................................................. 275
6.3 Variation des caractéristiques de l’alimentation ................................................. 277
6.4 Modification des variables opératoires ............................................................... 278
ix
6.5 Scénarios de simulation ...................................................................................... 281
Liste des tableaux

Tableau 3. 1 : Types et usage des concentrés produits à Mont-Wright ............................... 27
Tableau 3. 2 : Types de boulettes produites à l’usine de boulettage d’ArcelorMittal.......... 29
Tableau 3. 3 : Teneurs en silice du concentré de Mont-Wright avant et après classification,
selon le type de boulette ............................................................................................... 31
Tableau 3. 4 : Plage de variation des teneurs des minéraux contenus dans les concentrés de
Mont-Wright CBS et CBA ........................................................................................... 37
Tableau 3. 5 : Caractéristiques des concentrés pour la production des Boulettes Basse Silice
(CBS) et pour la production de Boulette Basse Silice Autofondante (CBA)............... 37
Tableau 3. 6 : Consignes de -45 µm des broyeurs des lignes 1 et 2 en production de BBS et
BSA .............................................................................................................................. 40
Tableau 3. 7 : Plages de variation des variables opératoires des différents classificateurs
hydrauliques ................................................................................................................. 40
Tableau 3. 8 : Valeurs de pentes et leurs écart-types ........................................................... 46
Tableau 3. 9 : Quelques exemples des causes probables de la présence de deux populations
dans le cas du CPBC .................................................................................................... 47
Tableau 4. 1 : Caractéristiques de l’alimentation et classificateurs hydrauliques utilisés pour

les 7 campagnes d’échantillonnage de novembre 2009 à mai 2010 ............................ 59
Tableau 4. 2 : Moyennes, maximum, minimum et écart-type des variables opératoires,
d’état et de perturbation du CPBA (Phase 1) ............................................................... 62
Tableau 4. 6 : Variables d’entrée et d’état du CPBA lors des Campagnes de juin 2011 ..... 69
Tableau 4. 7 : Teneurs en quartz et en hématite de l’alimentation lors des quatre tests
d’échantillonnage (ARL = % SiO2 du +300 µm) ........................................................ 71
Tableau 4. 8 : Variables d’entrée et d’état du CPBA en opération lors des campagnes de
septembre 2011 ............................................................................................................ 74
Tableau 4. 9 : Teneurs en quartz et en hématite de l’alimentation lors des sept campagnes
d’échantillonnage de septembre 2011 (ARL = % SiO2 du +300 µm) ......................... 77
Tableau 5. 1 : Paramètres des fonctions de transfert pour la densité du lit de pulpe. .......... 84
Tableau 5. 2 : F-test pour déterminer la significativité des paramètres ajoutés au modèle de
la densité du lit de pulpe dans le CPBA ....................................................................... 85
x
Tableau 5. 3 : Récapitulatif des valeurs de gains et constantes de temps obtenus avec les
modèles de densité de lit de pulpe et calcul du gain relatif .......................................... 87
Tableau 5. 4 : Paramètres des modèles dynamiques d’ordre 1 avec délai d’une unité de la
teneur en Fe2O3 en surverse du CPBA pour les quatre variables d’entrée modifiées .. 89
modèles de teneur en Fe2O3 en surverse du CPBA et calcul du gain relatif................. 91
teneur en SiO2 en sousverse du CPBA pour les quatre variables d’entrée modifiées .. 93
teneur en fines particules (-212 µm) en sousverse du CPBA pour les quatre variables
d’entrée modifiées......................................................................................................... 95
modèles de teneur en fines particules (-212 µm) en sousverse du CPBA et calcul du
gain relatif ..................................................................................................................... 97
Tableau 5. 9 : Gains (g), constantes de temps (τ) et significativité (S) des modèles (+=Forte,
0 =Moyenne et - =Faible). ............................................................................................ 98
Tableau 6. 1 : Mesures effectuées lors de la réalisation des sept campagnes de septembre

2011 ............................................................................................................................ 102
Tableau 6. 2 : Valeurs estimées des teneurs en Fe2O3 et en SiO2, des granulométries et du
rendement poids pour le septième test des campagnes de septembre 2011................ 105
Tableau 6. 3 : Calcul du défaut de bilan pour les campagnes de septembre 2011 ............. 106
Tableau 6. 4 : Vérification de la fiabilité du débit d’eau de dilution pour les campagnes de
septembre 2011 ........................................................................................................... 107
Tableau 6. 5 : Valeurs réconciliées d’analyses chimiques dans l’alimentation, le concentré
et le rejet du CPBA, pour les campagnes de juin 2011............................................... 116
Tableau 6. 6a : Teneurs minérales reconstruites à partir des données de l’alimentation des
tests 1 et 2 des campagnes de juin 2011 ..................................................................... 117
Tableau 6. 7a : Courbes de partage du CPBA, obtenues lors du déroulement des tests 1 et 2
des campagnes de juin 2011 ....................................................................................... 117
Tableau 6. 8 : Comparaison entre l’ARL du CBS et celui du CBA ................................... 131
Tableau 7. 1 : Valeurs et écart-types des paramètres des modèles de d50 et α ................... 135
Tableau 7. 2 : Test de Fischer effectué sur les modèles de d50 et α des minéraux.............. 137
Tableau 7. 3 : Comparaison entre les courbes de partage modélisées et observées de
l’hématite, pour les tests 1 et 2 des campagnes de juin 2011 ..................................... 140
Tableau 7. 4 : Comparaison entre les courbes de partage modélisées et observées du quartz,
pour les tests 1 et 2 des campagnes de juin 2011........................................................ 140
Tableau 7. 5 : Comparaison entre les variables de performance (rendement poids et teneur
en silice de la sousverse) simulées et celles calculées à partir des données des
campagnes de juin 2011 .............................................................................................. 141
Tableau 7. 6 : Alimentation du test 1 des campagnes de juin 2011 .................................... 142
Tableau 7. 7 : Conditions opératoires du test 1 des campagnes de juin 2011 .................... 142
xi
Tableau 7. 8 : Impact de la variation des caractéristiques du concentré de Mont-Wright sur
la teneur en silice de la sousverse du classificateur ................................................... 147
Tableau 7. 9 : Variables opératoires à utiliser pour obtenir un rendement poids supérieur à
80% et une teneur en silice en sousverse inférieure à 1.40% ..................................... 149
Tableau A2. 1 : Spécifications des différents types de concentré [16] .............................. 163
Tableau A2. 2 : Quelques exemples des causes probables de la présence de deux
populations dans le cas du CPBA .............................................................................. 167
Tableau A3. 1 : Résultats de l’analyse granulométrique d’alimentations, concentrés et rejets

des classificateurs primaires, pour les sept campagnes préliminaires ........................ 168
Tableau A3. 2 : Résultats d’analyses chimique et granulochimique de l’alimentation, du
concentré et du rejet des différents classificateurs primaires, pour les sept campagnes
préliminaires ............................................................................................................... 169
Tableau A3. 3 : Distributions granulométriques du concentré de Mont-Wright alimentant
les différents classificateurs primaires et valeurs maximales, moyennes et minimales
du % des particules passant chaque tamis pour les sept campagnes préliminaires .... 172
Tableau A3. 4 : Distributions granulométriques de l’hématite dans le concentré de Mont-
Wright alimentant les différents classificateurs primaires et valeurs maximales,
moyennes et minimales du % des particules retenues sur chaque tamis pour les sept
campagnes préliminaires ............................................................................................ 172
Tableau A3. 5 : Distributions granulométriques du quartz dans le concentré de Mont-
Wright alimentant les différents classificateurs primaires et valeurs maximales,
moyennes et minimales du % des particules retenues sur chaque tamis pour les sept
campagnes préliminaires ............................................................................................ 172
Tableau A3. 6 : Données de production de la campagne d’échantillonnage d’avril 2010 . 173
Tableau A3. 7 : Résultats de l’analyse granulométrique des échantillons de la campagne
d’échantillonnage d’avril 2010................................................................................... 174
Tableau A3. 8 : Résultats de l’analyse chimique de l’alimentation, du concentré et du rejet
du CPBA, pour chaque campagne d’échantillonnage d’avril 2010 ........................... 176
Tableau A3. 9 : Résultats de l’analyse granulométrique des échantillons mélangés de la
campagne d’échantillonnage d’avril 2010 ................................................................. 178
Tableau A3. 10 : Résultats de l’analyses granulochimique et chimique des échantillons
mélangés de l’alimentation, du concentré et du rejet du CPBA, pour chaque campagne
d’échantillonnage d’avril 2010................................................................................... 180
Tableau A3. 11 : Données de production de la campagne d’échantillonnage en profondeur
du CPBC ..................................................................................................................... 196
Tableau A3. 12 : Données prélevées lors du déroulement de la campagne d’échantillonnage
en profondeur du CPBC ............................................................................................. 196
d’échantillonnage en profondeur du CPBC ............................................................... 196
Tableau A3. 14 : Résultats de l’analyse chimique des échantillons de la campagne
d’échantillonnage en profondeur du CPBC ............................................................... 197
xii
Tableau A3. 15 : Données de production (campagnes de juin 2011) ................................. 197
Tableau A3. 16 : Données prélevées lors du déroulement des campagnes d’échantillonnage
de juin 2011 ................................................................................................................ 197
Tableau A3. 17 : Résultats de l’analyse chimique globale de l’alimentation, du concentré et
du rejet du CPBA, pour chaque campagne d’échantillonnage de juin 2011 .............. 198
Tableau A3. 18 : Résultats de l’analyse granulométrique de l’alimentation, du concentré et
du rejet du CPBA, pour chaque campagne d’échantillonnage de juin 2011 .............. 198
Tableau A3. 19 : Résultats de l’analyse chimique par tranches granulométriques de
l’alimentation, du concentré et du rejet du CPBA, pour chaque campagne
d’échantillonnage de juin 2011 ................................................................................... 199
Tableau A3. 20 : Données de production (Campagnes de septembre 2011) ...................... 203
Tableau A3. 21 : Données prélevées (Campagnes d’échantillonnage de septembre 2011)203
du rejet du CPBA, pour chaque campagne d’échantillonnage de septembre 2011 .... 204
du rejet du CPBA, pour chaque campagne d’échantillonnage de septembre 2011 .... 204
Tableau A3. 24 : Résultats de l’analyse chimique par tranche granulométrique de
l’alimentation et de l’analyse chimique globale du concentré et du rejet du CPBA,
pour chaque campagne d’échantillonnage de juin 2011 ............................................. 204
Tableau A4. 1 : Calcul du volume du CPBA ...................................................................... 209

Tableau A4. 2 : Masses volumiques des minéraux contenus dans le concentré de Mont-
Wright ......................................................................................................................... 211
Tableau A4. 3 : Temps de séjour moyen pour chaque phase d’échantillonnage ................ 214
Tableau A4. 4 : F-test pour déterminer la significativité des paramètres ajoutés au modèle
de teneur en Fe2O3 de la surverse du CPBA ............................................................... 215
de teneur en Fe2O3 de la sousverse du CPBA ............................................................. 216
Tableau A4. 6 : Paramètres des modèles dynamiques d’ordre 1 avec délai d’une unité de la
teneur en Fe2O3 en sousverse du CPBA pour les quatre variables d’entrée modifiées
.................................................................................................................................... 217
Tableau A4. 7 : Récapitulatif des valeurs de gains et constantes de temps obtenus avec les
modèles de teneur en Fe2O3 en sousverse du CPBA et calcul du gain relatif ............ 218
teneur en SiO2 en surverse du CPBA pour les quatre variables d’entrée modifiées .. 219
de teneur en SiO2 de la surverse du CPBA ................................................................. 220
modèles de teneur en SiO2 en surverse du CPBA et calcul du gain relatif................. 221
de teneur en SiO2 de la sousverse du CPBA ............................................................... 221
de teneur en fines particules (-212 µm) de la sousverse du CPBA ............................ 222
xiii
de teneur en fines particules (-212 µm) de la surverse du CPBA .............................. 223
teneur en fines particules (-212 µm) en surverse du CPBA pour les quatre variables
d’entrée modifiées ...................................................................................................... 224
modèles de teneur en fines particules (-212 µm) en surverse du CPBA et calcul du
gain relatif .................................................................................................................. 225
de teneur en particules grossières (+212 µm) de la surverse du CPBA ..................... 226
teneur en particules grossières (+212 µm) en surverse du CPBA pour les quatre
variables d’entrée modifiées....................................................................................... 227
modèles de teneur en particules grossières (+212 µm) en surverse du CPBA et calcul
du gain relatif ............................................................................................................. 228
Tableau A5. 1 : Tonnages d’alimentation réconciliés des différents classificateurs primaires

.................................................................................................................................... 231
Tableau A5. 2 : Valeurs réconciliées d’analyses chimique et granulochimique de
l’alimentation, du concentré et du rejet des différents classificateurs primaires, pour les
sept campagnes préliminaires..................................................................................... 232
Tableau A5. 3 : Valeurs réconciliées d’analyses granulométriques d’alimentations,
concentrés et rejets des différents classificateurs primaires ....................................... 235
Tableau A5. 4 : Courbes de partage des classificateurs primaires, obtenues lors du
déroulement des sept campagnes préliminaires ......................................................... 235
Tableau A5. 5 : Valeurs des rendements poids, granulométrique, en hématite et en quartz en
sousverse du CPBA, pour les campagnes d’avril 2011 .............................................. 237
l’alimentation, du concentré et du rejet du CPBA, pour les campagnes de juin 2011 251
Tableau A5. 7 : Valeurs réconciliées d’analyses granulométriques de l’alimentation, du
concentré et du rejet du CPBA, pour les campagnes de juin 2011 ............................ 253
Tableau A5. 8 : Courbes de partage du CPBA, obtenues lors du déroulement des
campagnes de juin 2011 ............................................................................................. 253
Tableau A5. 9 : Valeurs réconciliées d’analyses chimiques dans l’alimentation, le concentré
et le rejet du CPBA, pour les campagnes de septembre 2011 .................................... 254
Tableau A5. 10 : Valeurs réconciliées d’analyses granulométriques dans l’alimentation, le
concentré et le rejet du CPBA, pour les campagnes de septembre 2011 ................... 255
Tableau A5. 11 : Matrice de corrélation des xi entre eux et avec y ................................... 256
Tableau A5. 12 : Erreurs expérimentales commises sur la mesure des teneurs en hématite et
en silice dans un échantillon d’alimentation, de concentré et de rejet ....................... 267
Tableau A5. 13 : Valeurs de teneurs mesurées au laboratoire et erreurs commises sur ces
valeurs ........................................................................................................................ 268
xiv
Tableau A6. 1 : Matrice de conversion des oxydes en minéraux ....................................... 269
Tableau A6. 2 : Valeurs des variables opératoires utilisées lors des campagnes avec
granulochimies ............................................................................................................ 271
Tableau A6. 3 : Valeurs des diamètres de coupure et d’acuité de séparation issues des
courbes de partage des campagnes avec granulochimies ........................................... 272
Tableau A6. 4 : Comparaison entre les courbes de partage estimées des minéraux et celles
calculées à l’aide des données des campagnes de juin 2011 ...................................... 275
Tableau A6. 5 : Alimentation du test 1 des campagnes pré-maîtrise ................................. 277
Tableau A6. 6 : Alimentation du test 3 des campagnes pré-maîtrise ................................. 277
Tableau A6. 7 : Alimentation du test 1 de la phase 1 des campagnes d’avril 2010 ........... 277
Tableau A6. 8 : Alimentation du test 3 de la phase 3 des campagnes d’avril 2010 ........... 278
Tableau A6. 9 : Alimentation du test 3 des campagnes de juin 2011 ................................. 278
Tableau A6. 10 : Variation du tonnage d’alimentation ...................................................... 278
Tableau A6. 11 : Variation du débit d’eau de fluidisation.................................................. 279
Tableau A6. 12 : Variation de la densité du lit ................................................................... 279
Tableau A6. 13 : Variation du débit d’eau de dilution ....................................................... 279
Tableau A6. 14 : Variation du débit d’eau de cône ............................................................ 280
Tableau A6. 15 : Scénarios de simulation pour obtenir un débit d’eau cône maximal à
considérer, dépendamment du tonnage d’alimentation fixé ....................................... 281
Tableau A6. 16 : Valeurs de débits d’eau cône maximaux obtenus en fonction du tonnage
d’alimentation ............................................................................................................. 285
Liste des figures

Figure 2. 1 : Flux issus de la séparation minéralurgique d’un minerai ................................... 5
Figure 2. 2 : Comportements d’une particule solide située dans un champ d’attraction
gravitationnelle [8]. ......................................................................................................... 8
Figure 2. 3 : La sédimentation, l’élutriation et la fluidisation [2]. ........................................ 10
Figure 2. 4 : Illustration schématique d’un classificateur hydraulique [2]............................ 11
Figure 2. 5 : Schéma du classificateur hydraulique à lit fluidisé et du circuit de traitement
classificateur hydraulique/spirale [11]. ......................................................................... 13
Figure 2. 6 : Photo et schéma du classificateur hydraulique à lit fluidisé utilisé en
production à l’échelle pilote d’un concentré de pyrite [12]. ......................................... 15
Figure 2. 7 : Schéma du classificateur hydraulique à lit fluidisé utilisé pour la séparation du
charbon indien [14]. ...................................................................................................... 21
Figure 3. 1 : Schéma et photos du classificateur hydraulique primaire [5]. ......................... 30

Figure 3. 2 : Configuration d’opération en production de BBS (Ligne 1)............................ 32
Figure 3. 3 : Configuration d’opération en production de BSA (Ligne 1). .......................... 34
Figure 3. 4 : Configuration d’opération en production de BSA (Ligne 2). .......................... 35
Figure 3. 5 : Configuration d’opération en production de BAF (Ligne 2). .......................... 36
Figure 3. 6 : Distributions granulométriques du solide, de l’hématite et du quartz contenus
dans le CBA et CBS...................................................................................................... 38
xv
Figure 3. 7 : Schéma de l’instrumentation et du contrôle des classificateurs hydrauliques
primaires de l’usine de boulettage d’ArcelorMittal [19]. ............................................. 41
Figure 3. 8 : Variation de l’ouverture de la vanne de sousverse (a) et du débit d’eau de
fluidisation (b) en fonction du tonnage d’alimentation du CPBA. .............................. 45
fluidisation (b) en fonction du tonnage d’alimentation du CPBC................................ 45
Figure 3. 10 : Illustration de quelques exemples des causes probables de la présence de
deux populations dans le cas du CPBC. ....................................................................... 47
Figure 3. 11 : Variation du rendement poids en fonction du débit d’eau de fluidisation du
CPBA (a) et du CPBC (b). ........................................................................................... 48
Figure 3. 12 : Variation du rendement poids en fonction de la densité du lit de pulpe dans le
CPBA (a) et le CPBC (b). ............................................................................................ 49
Figure 3. 13 : Variation du rendement poids en fonction du tonnage d’alimentation du
CPBA (a) et du CPBC (b). ........................................................................................... 50
Figure 3. 14 : Variation de la teneur en silice en fonction de la densité du lit de pulpe dans
le CPBA (a) et le CPBC (b). ........................................................................................ 51
Figure 3. 15 : Variation de la teneur en silice en fonction du débit d’eau de fluidisation du
CPBA (a) et du CPBC (b). ........................................................................................... 51
Figure 3. 16 : Variation de la teneur en silice en fonction du tonnage d’alimentation du
CPBA (a) et du CPBC (b). ........................................................................................... 52
Figure 3. 17 : Performance des classificateurs A (a) et C (b) pendant 84 jours de production
de boulettes BSA. ......................................................................................................... 53
Figure 3. 18 : Performance des classificateurs A, B et C pendant 150 jours de production de
boulettes BBS [5]. ......................................................................................................... 54
Figure 4. 1 : Points d’échantillonnage des flux d’alimentation, de sousverse et de surverse.

...................................................................................................................................... 58
Figure 4. 2 : Distribution granulométrique du solide, du quartz et de l’hématite de
l’alimentation du classificateur pour les 7 campagnes de novembre 2009 à mai 2010.
...................................................................................................................................... 60
Figure 4. 3 : Variables manipulées, de perturbation et d’état pendant la phase 1. ............... 62
Figure 4. 7 : Plateaux choisis pour caractériser le régime stationnaire et nombres
d’échantillons à mélanger pour fins d’analyse granulochimique. ................................ 67
Figure 4. 8 : Plan d’expériences utilisé pour la campagne de juin 2011. ............................. 69
l’alimentation du CPBA pour les tests du 1er et 2 juin 2011. ...................................... 70
Figure 4. 10 : Échantillonnage de la pulpe à différentes profondeurs.................................. 72
Figure 4. 11 : Variation des caractéristiques de la pulpe et du solide en fonction de la
profondeur dans le classificateur hydraulique. ............................................................. 73
xvi
Figure 4. 12 : Plan factoriel expérimental présentant les niveaux des facteurs Eau de
fluidisation et densité de pulpe à appliquer lors des sept campagnes d’échantillonnage
de septembre 2011. ....................................................................................................... 74
l’alimentation du CPBA pour les tests de septembre 2011. ......................................... 76
Figure 5. 1 : Variation du niveau d’équilibre lors d’un essai dynamique. ............................ 81

Figure 5. 2 : Variation de la densité du lit de pulpe par rapport aux échelons sur les débits
d’eau de fluidisation (a) et de dilution de l’alimentation (b), le tonnage d’alimentation
(c) et l’ouverture de la vanne de sousverse (d) du CPBA. ............................................ 83
Figure 5. 3 : Modèle dynamique de la densité du lit de pulpe obtenue en variant le débit
d’eau de fluidisation (a), de dilution (b), le tonnage d’alimentation (c) et l’ouverture de
la vanne de sousverse (d). ............................................................................................. 86
Figure 5. 4 : Variation de la teneur en Fe2O3 en surverse du CPBA par rapport aux échelons
sur les débits d’eau de fluidisation (a) et de dilution de l’alimentation (b), le tonnage
d’alimentation (c) et l’ouverture de la vanne de sousverse (d). .................................... 88
Figure 5. 5 : Modèle dynamique de la teneur en Fe2O3 en surverse du CPBA, obtenue en
variant le débit d’eau de fluidisation (a), de dilution (b), le tonnage d’alimentation (c)
et l’ouverture de la vanne de sousverse (d)................................................................... 90
Figure 5. 6 : Variation de la teneur en SiO2 en sousverse du CPBA par rapport aux échelons
sur les débits d’eau de fluidisation (a) et de dilution de l’alimentation (b), le tonnage
Figure 5. 7 : Modèle dynamique de la teneur en SiO2 en sousverse du CPBA, obtenue en
variant le débit d’eau de fluidisation (a), de dilution (b), le tonnage d’alimentation (c)
et l’ouverture de la vanne de sousverse (d)................................................................... 93
Figure 5. 8 : Variation de la teneur en fines particules (-212 µm) en sousverse du CPBA par
rapport aux échelons sur les débits d’eau de fluidisation (a) et de dilution de
l’alimentation (b), le tonnage d’alimentation (c) et l’ouverture de la vanne de
sousverse (d). ................................................................................................................ 94
Figure 5. 9 : Modèle dynamique de la teneur en fines particules (-212 µm) en sousverse du
CPBA, obtenue en variant le débit d’eau de fluidisation (a), de dilution (b), le tonnage
Figure 6. 1: Réseau du solide pour le classificateur hydraulique. ...................................... 101

Figure 6. 2 : Réseau de conservation de l’eau dans le classificateur hydraulique. ............. 101
Figure 6. 3 : Effet du débit d’eau de fluidisation et de la densité du lit de pulpe sur le
rendement poids en sousverse du CPBA, pour les sept campagnes de septembre 2011.
.................................................................................................................................... 108
Figure 6. 4 : Effet du débit d’eau de fluidisation et de la densité du lit de pulpe sur la
proportion de Fe2O3 perdu en surverse du CPBA, pour les campagnes de septembre
2011. ........................................................................................................................... 109
rendement SiO2 en sousverse du CPBA, pour les campagnes de septembre 2011. ... 109
xvii
Figure 6. 6 : Effet du débit d’eau de fluidisation et de la densité du lit de pulpe sur la teneur
en silice en sousverse du CPBA, pour les campagnes de septembre 2011. ............... 110
Figure 6. 7 : Effet du débit d’eau de fluidisation sur le rendement des particules en
sousverse du CPBA, pour les sept campagnes de septembre 2011. ........................... 111
Figure 6. 8 : Effet de la densité du lit de pulpe sur le rendement des particules en sousverse
du CPBA, pour les sept campagnes de septembre 2011. ........................................... 111
rendement des particules de la tranche -150 µm en sousverse du CPBA, pour les sept
campagnes de septembre 2011. .................................................................................. 113
Figure 6. 10 : Superposition du modèle de rendement des particules de la tranche -150 µm
en sousverse du CPBA avec les valeurs expérimentales et variation en fonction de la
densité du lit de pulpe................................................................................................. 113
Figure 6. 11 : Partage des cinq minéraux de l’alimentation du CPBA lors du déroulement
de la quatrième campagne de Juin 2011..................................................................... 119
Figure 6. 12 : Distributions granulométriques du quartz et de l’hématite dans l’alimentation
des classificateurs échantillonnés. .............................................................................. 120
Figure 6. 13 : Courbes de partage minérales (hématite et quartz) des quatre classificateurs
hydrauliques utilisés lors de la réalisation des sept campagnes préliminaires ........... 121
Figure 6. 14 : Distributions granulométriques du quartz et de l’hématite pour les 16 régimes
d’équilibre en production de boulettes BSA. ............................................................. 122
Figure 6. 15 : Distributions granulométriques moyennes du quartz et de l’hématite dans les
concentrés utilisés pour produire des boulettes BBS et BSA..................................... 123
Figure 6. 16 : Effet du débit d’eau de fluidisation sur les courbes de partage de l’hématite et
du quartz. .................................................................................................................... 124
Figure 6. 17 : Effet du débit d’eau de dilution sur les courbes de partage de l’hématite et du
quartz. ......................................................................................................................... 125
Figure 6. 18 : Effet du tonnage d’alimentation sur les courbes de partage de l’hématite et du
quartz. ......................................................................................................................... 126
Figure 6. 19 : Effet de l’ouverture de la vanne de sousverse sur les courbes de partage de
l’hématite et du quartz. ............................................................................................... 127
Figure 6. 20 : Plan d’expériences suivi pour la campagne de juin 2011. ........................... 127
du classificateur lors du déroulement des campagnes de juin 2011. .......................... 128
Figure 6. 22 : Courbes de partage minérales (hématite et quartz) du CPBA pour les
campagnes de Juin 2011............................................................................................. 129
Figure 6. 23 : Comparaisons des distributions granulométriques moyennes du quartz et de
l’hématite dans l’alimentation du classificateur lors du déroulement des campagnes
pré-maîtrise, d’avril 2010 et de juin 2011. ................................................................. 130
Figure 6. 24 : Comparaisons des courbes de partage obtenues en production de BBS et
celles obtenues en production BSA ............................................................................ 132
Figure 7. 1 : Superposition des valeurs expérimentales et modélisées de d50 et α des

minéraux. .................................................................................................................... 136
xviii
Figure 7. 2 : Comparaison entre les courbes de partage modélisées et celles calculées à
partir des données des campagnes de juin 2011. ........................................................ 139
Figure 7. 3 : Variation du rendement poids et de la teneur en silice de la sousverse du
classificateur en fonction du tonnage d’alimentation. ................................................ 143
classificateur en fonction du débit d’eau de fluidisation. ........................................... 144
classificateur en fonction de la densité du lit de pulpe dans le classificateur. ............ 145
classificateur en fonction du débit d’eau de dilution. ................................................. 146
Figure 7. 7 : Impact de la variation l’ARL du concentré de Mont-Wright sur la teneur en
silice de la sousverse du classificateur ........................................................................ 147
Figure 7. 8 : Variation du débit d’eau de cône en fonction du tonnage d’alimentation. .... 149
Figure A1. 1 : Mécanisme de séparation par milieu dense [2]............................................ 159

Figure A1. 2 : Mécanisme de séparation par accélération différentielle [6]. ...................... 160
Figure A1. 3 : Mécanisme de séparation par nappe pelliculaire fluente [6]. ...................... 161
Figure A1. 4 : Mécanisme de séparation par centrifugation [8].......................................... 161
Figure A2. 1 : Chemin de fer servant au déplacement minerai de fer exploité par
ArcelorMittal de Mont-Wright à Port-Cartier [18]. .................................................... 162
Figure A2. 2 : Camion de 400 tonnes en chargement par une pelle électrique de la mine
d’ArcelorMittal Mines Canada [20]. .......................................................................... 163
Figure A2. 3 : Schéma de procédé de l’usine de boulettage d’ArcelorMittal. ................... 166
Figure A2. 4 : Illustration de quelques exemples des causes probables de la présence de
deux populations dans le cas du CPBA ...................................................................... 167
Figure A4. 1 : Sections du classificateur hydraulique. ....................................................... 208

Figure A4. 2 : Variation de la teneur en Fe2O3 en sousverse du CPBA par rapport aux
échelons sur les débits d’eau de fluidisation et de dilution de l’alimentation, le tonnage
d’alimentation et l’ouverture de la vanne de sousverse du CPBA. ............................ 216
Figure A4. 3 : Modèle dynamique, d’ordre 1 avec un délai de 1, de la teneur en Fe2O3 en
sousverse du CPBA, obtenue en variant les quatre variables d’entrée. ...................... 217
Figure A4. 4 : Variation de la teneur en SiO2 en surverse du CPBA par rapport aux
d’alimentation et l’ouverture de la vanne de sousverse du CPBA ............................. 219
Figure A4. 5 : Modèle dynamique, d’ordre 1 avec un délai de 1, de la teneur en SiO2 en
surverse du CPBA, obtenue en variant le débit d’eau de fluidisation (a), de dilution
(b), le tonnage d’alimentation (c) et l’ouverture de la vanne de sousverse (d)........... 220
Figure A4. 6 : Variation de la teneur en fines particules (-212 µm) en surverse du CPBA
par rapport aux échelons sur les débits d’eau de fluidisation (a) et de dilution de
xix
sousverse (d) ............................................................................................................... 223
Figure A4. 7 : Modèle dynamique, d’ordre 1 avec un délai de 1, de la teneur en fines
particules (-212 µm) en surverse du CPBA, obtenue en variant le débit d’eau de
fluidisation (a), de dilution (b), le tonnage d’alimentation (c) et l’ouverture de la vanne
de sousverse (d). ......................................................................................................... 224
Figure A4. 8 : Variation de la teneur en particules grossières (+212 µm) en surverse du
CPBA par rapport aux échelons sur les débits d’eau de fluidisation (a) et de dilution de
sousverse (d) ............................................................................................................... 226
Figure A4. 9 : Modèle dynamique, d’ordre 1 avec un délai de 1, de la teneur en en
particules grossières (+212 µm) en surverse du CPBA, obtenue en variant le débit
d’eau de fluidisation (a), de dilution (b), le tonnage d’alimentation (c) et l’ouverture de
la vanne de sousverse (d). .......................................................................................... 227
Figure A5. 1 : Représentation graphique des prédictions du modèle en fonction de valeurs

observées du rendement poids.................................................................................... 258
Figure A5. 2 : Analyse des résidus du modèle de rendement poids................................... 259
observées de la perte en Fe2O3 en surverse. ............................................................... 260
Figure A5. 4 : Analyse des résidus du modèle de la perte en Fe2O3 en surverse. .............. 260
observées du rendement SiO2 en sousverse. .............................................................. 261
Figure A5. 6 : Analyse des résidus du modèle du rendement SiO2 en sousverse. ............. 262
observées de la teneur en SiO2 en sousverse. ............................................................. 263
Figure A5. 8 : Analyse des résidus du modèle de la teneur en SiO2 en sousverse. ............ 263
observées du rendement des particules de dimension inférieure à 212 µm en sousverse.
.................................................................................................................................... 264
Figure A5. 10 : Analyse des résidus du modèle du rendement des particules de dimension
inférieure à 212 µm en sousverse. .............................................................................. 265
.................................................................................................................................... 266
inférieure à 150 µm en sousverse. .............................................................................. 267
Figure A6. 1 : Régressions linéaires pour la détermination du d50 du mica. ...................... 272
xx
Remerciements
Je tiens tout d’abord à remercier mon directeur de recherche, le Professeur Claude Bazin
pour la confiance qu’il m’a accordée en acceptant de travailler avec moi au travers d’un
projet de maîtrise et pour sa rigueur dans la méthodologie de recherche qu’il m’a faite
adopter. Je le remercie également pour tous les encouragements qu’il m’a fournis durant
les moments difficiles par lesquels je suis passée tout au long de la réalisation de ce
projet. Enfin, je le remercie pour son assistance lors de la rédaction de ce mémoire et son
implication active pour m’aider à approfondir mes connaissances dans le domaine du
traitement des minerais.
Je remercie aussi mon co-directeur de recherche, Claude Gosselin, pour son implication
dans l’obtention du financement de mon projet de maîtrise auprès d’ArcelorMittal, pour le
temps qu’il a investi dans l’organisation de tous mes déplacements pour Port-Cartier et
pour son assistance lors de la rédaction de ce mémoire.
J’aimerais aussi remercier toute l’équipe de procédé de l’usine de boulettage

d’ArcelorMittal et plus particulièrement Mathieu Desnoyers, Khadija Bouchha, Jimmy
Beaupré, Nadine Ringuette et Gaëtan Lavoie pour leur participation à la réalisation des
campagnes d’échantillonnage et à mon intégration au niveau de l’usine. Je ne saurais
oublier de remercier toute l’équipe des contremaîtres de la salle de contrôle, plus
particulièrement Vicky Landry et Steve Beaudin, pour leur disponibilité à répondre à toutes
mes questions en rapport avec l’opération de l’usine.
Mes remerciements vont également à Jean-François Wilhelmy de COREM, pour l’aide

précieuse qu’il m’a apportée en ce qui concerne certaines notions sur la minéralurgie.
Merci spécialement à mon fiancé qui a répondu présent et m’a soutenue pendant tous les
moments de stress que j’ai vécus durant ces deux années de maîtrise. Je ne saurai
oublier de remercier Jean Jacques et Flavienne Demba, Odette et Tity Dinkota et les
Pasteurs Jean et Violette Ruland pour leur soutien dans la prière.
Je dédie ce mémoire à toute ma famille et particulièrement à mes parents, qui ont toujours
cru en mes capacités et m’ont poussée à me surpasser.
Je ne saurais finir sans témoigner ma gratitude envers mon Dieu qui m’a accordé le
souffle de vie, la bonne santé et l’intelligence me permettant de mener à terme ce projet
de maîtrise.
xxi
Chapitre I : Introduction
Malgré la baisse actuelle que connait le marché de l’acier en Europe, ce matériau
demeure indispensable dans les domaines de la construction métallique et de la
construction mécanique [1]. Cette indispensabilité implique la nécessité de continuer à
exploiter le minerai de fer puisque le fer est le constituant majoritaire de cet alliage. Le
minerai brut extrait de la mine subit plusieurs processus de préparation mécanique
(concassage, broyage, etc.) et de concentration (ou enrichissement) pour produire un
concentré de valeur économique. La concentration des minéraux de valeur du minerai de
fer peut se faire de différentes façons. Certaines usines utilisent une séparation
magnétique, mais la plupart des usines utilisent des procédés qui exploitent la différence
de masse volumique entre le minéral de valeur et la gangue. Dans le cas des minerais de
fer à base principalement d’hématite, les équipements les plus utilisés sont des
séparateurs gravimétriques comme la spirale et le classificateur hydraulique [2]. Le
classificateur hydraulique utilisé à l’usine de boulettage d’ArcelorMittal fait l’objet de ce
mémoire.
Le minerai de fer exploité par ArcelorMittal au Canada, dans la province du Québec, est
principalement constitué d’hématite (Fe2O3) associée avec le quartz (SiO2) qui est la
principale gangue. La compagnie exploite deux mines dans le nord de la province, à Mont-
Wright près de la ville de Fermont et à Fire Lake. Tout le minerai brut extrait de ces mines
est acheminé par train et camions au concentrateur du complexe minier du Mont-Wright
où il est concassé, broyé et traité dans des spirales pour produire un concentré d’hématite.
Le concentré est chargé dans un train et est envoyé à Port-Cartier où il peut soit être
chargé dans des bateaux, soit être préparé pour donner des boulettes de 1 à 1.2 cm de
diamètre qui seront vendues aux aciéries. Plus de deux tiers du concentré produit à Mont-
Wright passe par l’usine de boulettage de la compagnie. Selon le type de boulettes requis
par le client, le concentré produit par le concentrateur de Mont-Wright pourrait devoir subir
une nouvelle concentration à l’aide de classificateurs hydrauliques à lit fluidisé [3].
1
Les classificateurs hydrauliques à lit fluidisé sont généralement constitués d’une partie
inférieure de forme conique coiffée d’une partie supérieure de forme cylindrique. Ils sont
caractérisés par un ajout d’eau introduit à mi-hauteur qui produit un courant ascendant
combattant la sédimentation des particules et entraînant les particules fines et légères
vers la surverse. Le principe de séparation repose sur la sédimentation libre (près de la
surverse) et sur la sédimentation entravée (près du cône) [2]. Les classificateurs
hydrauliques sont utilisés à l’usine de boulettage d’ArcelorMittal pour améliorer la qualité
(teneur en fer) du concentré de Mont-Wright tout en éliminant les fines particules de quartz
et d'autres minéraux riches en silice tels que le grenat et le mica [3].
À leur arrivée sur le site de l’usine de boulettage, les concentrés en provenance de Mont-
Wright sont classés et entreposés dans des aires d’entreposage extérieur en fonction
entre autres de leur teneur en silice et de la teneur en silice dans la fraction +300 µm.
Cette caractéristique est appelée ARL (American Research Laboratory). Suite à une
variabilité dans l’ARL du concentré, les relevés quotidiens du rendement poids et de la
teneur en silice du concentré des classificateurs hydrauliques de l’usine de boulettage ont
montré une augmentation de la variabilité de ces paramètres de performance par rapport
à leurs valeurs cibles [4]. Une étude de simulation effectuée par Bazin et al. (2012), basée
sur un modèle par courbe de partage des minéraux, a permis d’identifier que la variabilité
des résultats d’opération constatée est probablement due à l’opération des classificateurs
hydrauliques plutôt qu’à des variations dans les caractéristiques du concentré d’hématite
en provenance de Mont-Wright [5]. En vue d’apporter une lumière sur cette problématique,
l’équipe de procédé de l’usine de boulettage d’ArcelorMittal a initié un projet de maîtrise en
collaboration avec l’Université Laval.
L’objectif de ce projet est d’améliorer, grâce à une revue de littérature et à des

expériences conduites en usine, la compréhension du fonctionnement des classificateurs
hydrauliques. Ce projet vise également à établir les bases d’un modèle phénoménologique
qui pourra servir à comprendre le rôle des variables utilisées pour la régulation du
classificateur hydraulique et permettra peut-être d’en réviser la stratégie d’opération
actuelle. Plusieurs campagnes d’échantillonnage permettant de générer les données pour
la modélisation des classificateurs hydrauliques primaires de l’usine de boulettage
d’ArcelorMittal ont été effectuées et l’analyse des données de ces campagnes est
présentée dans ce mémoire.
2
Le plan expérimental de ces campagnes était défini de manière à générer des données
pour obtenir les courbes de partage des minéraux dans le classificateur afin de
comprendre l’impact de l’augmentation de l’ARL sur la teneur en silice des boulettes
produites et l’effet des variables opératoires des classificateurs hydrauliques primaires sur
leur rendement poids et d’autres variables de performance de ces équipements.
Ce mémoire est divisé en 7 chapitres dont le premier est l’introduction. La deuxième

section décrit les classificateurs hydrauliques et positionne leur opération dans la chaîne
de traitement des minerais pour produire des concentrés de valeur économique. Le
troisième chapitre décrit l’opération des classificateurs hydrauliques dans le circuit de
production des boulettes d’oxyde de fer à l’usine de boulettage d’ArcelorMittal, au Québec.
Les campagnes d'échantillonnage effectuées sur le classificateur hydraulique, la méthode
utilisée pour traiter les données de l'échantillonnage et les résultats du traitement de ces
données sont présentés dans les sections 4, 5 et 6. La dernière partie traite de la
simulation du classificateur hydraulique.
3
Chapitre II : Revue de littérature
Ce chapitre positionne l’opération des classificateurs hydrauliques dans la chaîne de
traitement des minerais pour produire des concentrés de valeur économique. La première
partie traite de l’enrichissement des minéraux de valeur par concentration gravimétrique et
par classification. Les sections suivantes abordent le principe d’opération des
classificateurs hydrauliques qui font l’objet de ce mémoire, les travaux de modélisation et
les stratégies de régulation utilisées pour ces équipements.
2.1. Enrichissement des minéraux

Le minerai brut (ou tout-venant1) extrait de la mine subit plusieurs processus de
préparation mécanique (concassage, broyage, etc.) et de concentration (ou
enrichissement) pour produire un concentré de valeur économique. L’enrichissement du
tout-venant, réalisé dans une usine de traitement (concentrateur), a pour but d’augmenter
la teneur en minéral de valeur et d’éliminer la gangue (minéraux sans valeur économique
pour l’exploitation). La figure 2.1 illustre les deux principaux flux résultant de la séparation
minéralurgique d’un minerai brut.
Rejet (riche en gangue)

Minerai Procédé
minéralurgique Concentré (riche en minéral de valeur)
Figure 2. 1 : Flux issus de la séparation minéralurgique d’un minerai

Il existe plusieurs procédés minéralurgiques permettant de séparer le minéral de valeur de
la gangue. Ces procédés utilisent les propriétés mécaniques, électromagnétiques,
physico-chimiques ou chimiques de ces minéraux. Il s’agit des procédés de séparation
magnétique, électrostatique, gravimétrique, par flottation et par classification. Seules les
méthodes de séparation basées sur la masse volumique et la taille des grains de
minéraux (séparation gravimétrique et par classification) seront décrits dans les sections
qui suivent.
1
Matériau extrait d’une mine ou d’une carrière, avant tout traitement
(http://www.larousse.fr/dictionnaires/francais/tout-venant/78793, consulté le 21 mai 2012).
5
Les phénomènes qui gouvernent la séparation par concentration gravimétrique sont les
mêmes que ceux qui gouvernent la classification (sédimentation, élutriation et fluidisation)
de telle sorte que, sous certaines conditions, des équipements de classification peuvent
être utilisés comme concentrateurs basés sur la masse volumique des minéraux ou basés
sur la taille des particules [2]. Le séparateur hydraulique qui fait l’objet de ce mémoire
appartient à la classe des séparateurs par milieu dense et peut également être utilisé
comme classificateur hydraulique tel que décrit dans les sections suivantes. Dans le circuit
de broyage de l’usine de boulettage d’ArcelorMittal, présenté à la section 3.2.3 du chapitre
3, cet équipement est utilisé comme classificateur hydraulique pour augmenter la teneur
en fer du concentré de Mont-Wright, comme démouilleur pour enlever l’eau des
concentrés des classificateurs hydrauliques avant leur broyage et, comme séparateur
hydraulique pour enlever les fines particules et retourner les grosses dans les broyeurs.
Les conditions d’opération, en particulier la densité du lit de pulpe, sont cependant
différentes pour les trois équipements.
2.1.1. Procédé de séparation gravimétrique
2.1.1.1. Définitions
Les méthodes de concentration par séparation gravimétrique exploitent le gradient de

densité entre les matériaux pour les séparer grâce à l’action combinée des forces en
présence dans les équipements (la force de gravité, la force centrifuge, la force centripète,
la poussée d’Archimède et la force de traînée). Les méthodes de séparation
gravimétriques peuvent être classées en quatre grandes catégories selon le principe de
séparation qui est mis en jeu : séparation par milieu dense, séparation par accélération
différentielle, séparation par nappe pelliculaire fluente et séparation par centrifugation [6].
2.1.1.2. Principes
La séparation par milieu dense fait intervenir la masse volumique du fluide ou de la pulpe
ainsi que la force gravitationnelle pour séparer les particules en deux produits, soient le
flottant et le plongeant. Il convient de rappeler qu’il y a une différence entre la masse
volumique et la densité. La masse volumique d’un corps est le rapport entre sa masse et
son volume alors que la densité de ce corps est le rapport de sa masse volumique à la
masse volumique d'un corps pris comme référence. Le corps de référence est l’eau pure à
4 °C pour les liquides et les solides. Il convient donc de noter que la densité est une
6
grandeur sans dimension tandis que la masse volumique s’exprime en kg/m³ en unités du
système international. La séparation par accélération différentielle fait intervenir la
pulsation et la stratification des particules tandis que la séparation par nappe pelliculaire
fluente repose sur l’action de percolation interstitielle à travers un lit de particules en
écoulement sur un plan incliné. La méthode de séparation par centrifugation fait intervenir
un champ centrifuge pour séparer les particules plutôt que d’utiliser le champ de gravité
[2]. La section I des annexes fournit une description détaillée de ces quatre méthodes de
séparation gravimétrique.
2.1.1.3. Applications
Les méthodes de séparation gravimétrique représentent la procédure de concentration de

minerais la plus ancienne. Ces méthodes de séparation sont utilisées pour une grande
variété de matériaux, allant des sulfures lourds (galène) jusqu’au charbon pour des
dimensions de particules jusqu’à 50 μm. Suite au développement de la flottation, ces
méthodes ont perdu en popularité. Elles demeurent cependant les méthodes par
excellence dans la concentration des minéraux de fer ou d’étain [6] et, des oxydes de
titane et certains sables de zircon [7].
2.1.1.4. Équipements
Les équipements de séparation gravimétrique sont classés selon le mécanisme de

séparation employé par ces équipements : a) par milieu dense (appareils statiques :
séparateur conique Wemco, Bac Static PIC-FCB ; appareils dynamiques : cyclone DSM,
DYNA-Whirpool, Tri-flo, cyclones à eau), b) par accélération différentielle (ex : séparateur
Jig), c) par nappe pelliculaire fluente (à plan incliné fixe : spirales, sluice, pinched sluice,
cône Reichert ; à plan incliné mobile : table à secousses, table GEC, séparateur
multigravité, séparateur Bartles-Mozzley) et d) par centrifugation (ex : Concentrateurs
Knelson) [6].
2.1.2. Procédé de séparation par classification
2.1.2.1. Définitions
La classification hydraulique en dimensions désigne l’ensemble des procédés permettant

de séparer les particules solides d’une suspension (ou pulpe) en milieu liquide en deux ou
plusieurs fractions granulométriques différentes par l’action d’un champ d’accélération
(gravitationnel ou centrifuge) [2].
7
2.1.2.2. Principes
La séparation des particules par classification se fait en fonction de leur taille ou masse ou
forme et selon le principe de la différence de leurs vitesses terminales de chute.
Lorsqu’une particule solide chute dans le vide absolu, sa vitesse augmente
continuellement en fonction de l’accélération (ne dépendant pas du diamètre ou de la
masse volumique de la particule). Par contre, sa vitesse augmente à un taux moindre
lorsqu’elle se situe dans un fluide comme l’air ou l’eau. En effet, la force due à la gravité
est combattue par la force due à la friction (ou force de traînée) occasionnée par le
mouvement de la particule dans le fluide. La force due à la friction dépend de la forme de
la particule, de la masse volumique (densité) du fluide dans lequel la particule sédimente,
de la viscosité de ce fluide (seulement en régime de stokes : 10-4<Re<2. 10-1) et aussi de
la vitesse de sédimentation de la particule dans ce fluide [2].
Une particule sphérique qui sédimente sous l’action de la gravité dans des conditions de
sédimentation libre (sans être entravée par la présence d’autres particules) est soumise à
l’action de trois forces : la pesanteur (Fg), la poussée d’Archimède (Fb) et la force due à la
friction (Ff). Lorsque la somme de ces trois forces est nulle, la vitesse de la particule
devient constante et correspond à la vitesse terminale de chute. Cette dernière varie en
fonction de la taille, la masse volumique et la forme de la particule solide, et aussi de la
viscosité et la masse volumique du fluide [8]. La figure 2.2 illustre les différentes forces
que subit une particule sphérique située dans un champ d’attraction gravitationnelle.
Sédimentation Sédimentation en milieu

dans le vide visqueux
Fb Ff
Fg Fg
Accélération constante Accélération nulle

Vitesse croissante Vitesse constante
Figure 2. 2 : Comportements d’une particule solide située dans un champ d’attraction
gravitationnelle [8].
8
Les notions abordées ci-haut constituent la base du phénomène de sédimentation. Il
existe deux types de sédimentation : la sédimentation libre et la sédimentation entravée.
Seule la quantité de solide en suspension dans le liquide permet de les distinguer.
Lorsque cette quantité dépasse 5% sur une base volumique, la sédimentation d’une
particule est entravée par la présence des particules avoisinantes qui perturbent sa
trajectoire descendante [2]. Qu’il s’agisse de sédimentation libre ou entravée, les
paramètres influençant la vitesse terminale de chute sont les mêmes à l’exception de la
masse volumique du fluide. En effet, la masse volumique du fluide doit être remplacée par
celle de la suspension (eau + solide) dans les cas où la sédimentation entravée
s’applique. La sédimentation entravée augmente l’effet relatif de la taille des particules et
de la densité sur la vitesse terminale. Les classificateurs reposant sur le principe de la
sédimentation libre sont utilisés pour effectuer des séparations en fonction de la taille
tandis que ceux reposant sur la sédimentation entravée sont utilisés pour effectuer des
séparations en fonction de la masse volumique [2].
Dans un équipement où il n’y a pas d’injection d’un courant d’eau ascendant, la

sédimentation des particules de taille et de masse volumique différentes s’effectue à un
taux qui dépend de la vitesse terminale de chute de chacune. Tandis que dans un fluide
animé d’un courant d’eau ascendant constant qui combat la gravité, ces particules auront
un comportement qui varie en fonction de leur vitesse terminale de chute par rapport à la
vitesse du courant d’eau ascendant. Ce dernier entraîne avec lui les particules dont la
vitesse terminale de chute est inférieure à sa vitesse. Les particules dont la vitesse
terminale de chute est supérieure à la vitesse du courant suivent un trajet opposé au
courant. Ces phénomènes constituent la base de l’élutriation2. Finalement, les particules
dont la vitesse terminale de chute est égale à la vitesse du courant conservent une
position constante. Ce phénomène qui est désigné par le terme fluidisation constitue le
principe de fonctionnement de plusieurs appareils employés dans des domaines variés
(minéralurgie, génie chimique, etc.) dont la classification.
Toutefois, dans le cas des équipements qui fonctionnent en continu comme les
classificateurs hydrauliques, les particules constituant le lit fluidisé finissent soit par être
entraînées vers la surverse, soit par sédimenter puisque un nouvel état d’équilibre
2
Méthode de séparation et de classification granulométrique de particules de grosseurs différentes, au moyen
d’une colonne de fluide en mouvement (http://www.larousse.fr/dictionnaires/francais/elutriation, consulté le
23 mai 2012).
9
s’installe à chaque fois que la pulpe d’alimentation est introduite dans le classificateur. Les
trois phénomènes sont illustrés à la figure 2.3. Pour simplifier ces exemples, il est
présumé que les particules ont la même masse volumique et que la séparation est
effectuée uniquement en fonction de la taille des particules [2].
Figure 2. 3 : La sédimentation, l’élutriation et la fluidisation [2].

Les deux produits obtenus à la suite de la classification sont la surverse (« d’overflow ») et
la sousverse (« underflow »). La surverse est composée des particules dont la vitesse
terminale de chute est faible tandis que la sousverse est composée des particules dont la
vitesse terminale de chute est élevée. Il est possible d’obtenir des produits intermédiaires
en variant les conditions d’opération ou en employant des classificateurs en série [2].
2.1.2.3. Applications
La classification hydraulique en dimensions s’applique lorsqu’il n’est pas rentable, d’un

point de vue économique, d’utiliser le tamisage [2]. Elle est utilisée dans plusieurs
industries pour diverses applications : classification granulométrique de minerais, produits
métallurgiques, sables…; classification dans des circuits de broyage; préconcentration de
minerais; Élimination ou récupération d’argiles, ou de toutes autres matières fines en
suspension; épuration et/ou concentration de matières minérales, de produits chimiques,
de matières agroalimentaires; soulagement ou protection des filtres, décanteurs...; lavage
à contre-courant; épaississement.
2.1.2.4. Équipements
Selon le type de champ d’accélération, les classificateurs hydrauliques peuvent être

regroupés en deux familles : classificateurs centrifuges et classificateurs gravitationnels.
Les classificateurs centrifuges sont constitués de deux groupes : classificateurs
mécaniques (centrifugeuses) et classificateurs non mécaniques (hydrocyclones). Les
10
classificateurs gravitationnels sont également constitués de deux classes : classificateurs
à simple sédimentation (mécaniques : à vis, à râteau, à coupe, décanteurs-épaississeurs;
non mécaniques : Couloirs de classement pyramidaux ou coniques) et classificateurs à
injection d’eau claire (mécaniques : à cône; à coupe hydraulique : réservoir classificateur
hydraulique, à contre-courant; non mécaniques : à cône, hydrosizers, élutriateurs, à lit
fluidisé) [9]. Les classificateurs hydrauliques à lit fluidisé, faisant l’objet de ce mémoire,
sont les seuls équipements qui seront décrits en détail.
2.2. Description générale des classificateurs hydrauliques

à lit fluidisé
Les classificateurs hydrauliques à lit fluidisé sont généralement constitués d’une partie
inférieure de forme conique tronquée (ou pyramidale tronquée) coiffée d’une partie
supérieure de forme cylindrique (ou cubique). Ils sont caractérisés par un ajout d’eau
introduit à mi-hauteur qui produit un courant ascendant combattant la sédimentation des
particules. Le principe de séparation repose sur la sédimentation libre (près de la
surverse) et sur la sédimentation entravée (près du cône). Cependant, les appareils à
sédimentation entravée sont les plus communément employés et les trois phénomènes
décrits à la figure 2.3 (sédimentation, élutriation et fluidisation) s’y produisent
simultanément. La figure 2.4 illustre le principe global de fonctionnement d’un
classificateur hydraulique [2].
Figure 2. 4 : Illustration schématique d’un classificateur hydraulique [2].

11
2.2.1. Principe fonctionnel
La pulpe alimentant le classificateur, contenant entre 35% et 65% de solide sur une base
massique, est introduite par un puits d’alimentation qui la disperse de façon radiale pour
éviter de perturber les conditions établies dans l’appareil. L’eau est introduite par le bas de
la partie cylindrique de l’appareil et elle engendre un courant ascendant qui sert à la
fluidisation des particules. Immédiatement au-dessus du point d’injection d’eau, le lit de
particules fluidisées est constitué des particules dont la vitesse terminale de chute est
égale ou inférieure à la vitesse du courant d’eau ascendant. Grâce à l’abondance de
particules en suspension, le lit forme un milieu de densité contrôlée et d’une valeur plus
élevée que celle de l’eau. La séparation des particules est accomplie par élutriation (voir
figure 2.3). Le courant ascendant entraîne les particules dont la vitesse terminale de chute
est inférieure à sa vitesse. Ces particules sont entraînées vers le haut de l’appareil et sont
évacuées par débordement (surverse). Les particules dont la vitesse terminale de chute
est supérieure à la vitesse du courant ascendant sont entraînées par gravité dans la
direction opposée, c’est-à-dire vers le bas. Le bas de la partie conique du classificateur
constitue une zone de compactage des particules qui a pour fonction de réduire la teneur
en eau de la sousverse. Cette dernière est évacuée de l’appareil par une vanne dont
l’ouverture est régulée automatiquement [2].
2.2.2. Variables opératoires

Les principales variables manipulables d’un classificateur à lit fluidisé sont le débit d’eau
de fluidisation et l’ouverture de la vanne de sousverse. La variation de ces deux
paramètres affecte une troisième variable opératoire qui est la densité du lit de particules
fluidisées formé au-dessus des tuyaux d’injection d’eau de fluidisation. Elle est ajustée et
contrôlée à l’aide d’un ou de deux capteurs de pression, couplés à la vanne automatique,
dont la valeur différentielle est communiquée à un panneau de contrôle. La densité
effective du lit est déterminée à l’aide de la différence de pression et de la distance entre
les deux détecteurs, dans le cas où il y a deux capteurs de pression. En présence d’un
seul détecteur, la densité effective du lit est déterminée à l’aide de la différence de
pression entre la pression atmosphérique (à l'extérieur du classificateur) et la pression à
l'intérieur du classificateur et de la distance entre ce détecteur et la surverse. Les
perturbations des conditions prévalant à l’intérieur de l’appareil sont éliminées par
12
l’activation de la vanne d’évacuation de la sousverse. Ces perturbations peuvent être
engendrées par des variations de débit ou de composition de la pulpe d’alimentation [2].
2.3. Applications des classificateurs hydrauliques à lit

fluidisé
Les classificateurs hydrauliques à lit fluidisé sont utilisés pour la concentration de minerais
(minerais de fer avec le quartz comme gangue principale; sable de titane, ilménite, rutile et
leucoxène avec de faibles quantités de grenat, zircon, monazite, sillimanite et magnétite)
[10], pour fermer un circuit de broyage en remplacement d’hydrocyclones ou de tamis (cas
de l’usine de boulettage d’ArcelorMittal) tel qu’illustré aux figures 3.2 et 3.3 présentées à la
section 3.2.3, en combinaison avec les spirales (cas de la production d’un concentré de
sable de silice de meilleure qualité avec une faible perte en récupération poids) tel
qu’illustré à la figure 2.5 [11].
a) Schéma du classificateur b) Schéma du circuit

hydraulique à lit fluidisé classificateur hydraulique/spirale
Figure 2. 5 : Schéma du classificateur hydraulique à lit fluidisé et du circuit de traitement

classificateur hydraulique/spirale [11].
13
2.4. Modélisation phénoménologique et autres méthodes
proposées pour la simulation des classificateurs
hydrauliques à lit fluidisé
Peu d’études ont été réalisées sur la compréhension complète du processus de
séparation dans un classificateur hydraulique à lit fluidisé. Cependant, l’opération de ces
équipements est assez similaire à celle des épaississeurs [12] qui ont fait l’objet de
plusieurs travaux de recherche et qui ont conduit à plusieurs théories empiriques de leur
opération, sans toutefois déboucher sur des modèles utilisables pour la construction
d’outils de simulation robustes. Les sections qui suivent présentent les résultats de travaux
de modélisation conduits sur des classificateurs hydrauliques à l’échelle pilote utilisés
dans un cas pour concentrer la pyrite [12] et dans l’autre, pour concentrer le charbon [14].
2.2.1. Modélisation d’un classificateur hydraulique pilote en

production d’un concentré de pyrite
Remes et al. (2011) [12] ont effectué des travaux de recherche, en production d’un
concentré de pyrite à l’échelle pilote, sur un classificateur hydraulique à lit fluidisé de
dimension 0.46 m x 0.46 m x 0.89 m. La figure 2.6 présente une photo ainsi qu’un schéma
de cet équipement. Ces travaux ont été effectués dans le but de produire des données
pour le paramétrage d’un modèle de sédimentation entravée servant à simuler la
composition de la surverse et de la sousverse du classificateur. Les résultats de la
simulation ont été par la suite comparés aux résultats expérimentaux. Le modèle utilisé
intègre à la fois un calcul basé sur la vitesse relative (ou vitesse de glissement)3,
permettant de déterminer le diamètre de coupure, et un modèle d'efficacité de séparation,
permettant de prédire le partage de la pyrite.
3
Vitesse de la particule (Phase solide) par rapport au fluide (phase liquide) en écoulement vertical. Il se passe
un glissement entre les deux phases (http://www.answers.com/topic/slip-velocity, consulté le 25 mai 2012).
14
Figure 2. 6 : Photo et schéma du classificateur hydraulique à lit fluidisé utilisé en
production à l’échelle pilote d’un concentré de pyrite [12].
15
2.2.1.1. Calcul des vitesses terminales de chute des particules et
interstitielle de l’eau de fluidisation
En sédimentation entravée, une particule est soumise aux forces dynamique (poussée
d’Archimède), de traînée (force de friction) et gravitationnelle. En outre de la résistance
visqueuse et dynamique, la résistance à l’écoulement peut être exprimée en termes de la
distance inter particulaire et de la force totale de résistance sur une particule, à l’aide de la
fonction suivante [12] :
R = f ( µ , ρ f , d p ,V , ε ) (2. 1)
Où R est la résistance à l’écoulement. La viscosité dynamique est notée µ est exprimée

en Pa.s ou kg/m.s. ρ f est la masse volumique du fluide (eau dans ce cas) et est
exprimée en kg/m³. Le diamètre de la particule est désigné par d p (m) et la vitesse de la
particule par V (m/s). ε est la fraction de vide du lit et est adimensionnel.
Les différentes forces auxquelles est soumise une particule en sédimentation entravée
déterminent sa vitesse terminale de chute. La vitesse de la particule par rapport au
courant d’eau ascendant, appelée vitesse de glissement ou vitesse relative, détermine si
la particule va se retrouver en surverse ou en sousverse, si l’effet du mouvement aléatoire
des particules est négligé. La vitesse relative est calculée comme suit :
nij −1
Vij U t ,ij (1 − φij )
= (2. 2)
Où Vij et U t,ij sont les vitesses relative et terminale de chute de la particule
respectivement et sont exprimées en m/s. La fraction volumique des particules est notée
φij et est adimensionnelle. nij est l’indice de Richardson-Zaki qui dépend du nombre de
Reynolds de la particule qui a atteint sa vitesse terminale de chute ( Ret ) comme suit :
2 ( 2.35 + 0.175 Ret0.75 )

nij = (2. 3)
(1 + 0.175Ret ) 0.75
Les indices i et j représentent respectivement les classes granulométrique et de densité
de particule (pour un solide constitué des particules de différentes densités).
16
Une forme plus commode de l’équation 2.4 a été proposée et écrite comme suit :
nij −1
 ρ − ρ sus 
Vij = U t ,ij  ij  (2. 4)
 ρij − ρeau 
 
Où ρsus est la masse volumique moyenne de la suspension (kg/m³) et est calculée
comme suit :
P
ρ sus = ρeau (2. 5)
Plit d' eau
Avec P : La pression mesurée (kPa);
Plit d'eau : La pression du lit lorsque le classificateur est rempli seulement avec de
l’eau (kPa);
ρeau : La densité de l’eau (kg/m³).
La vitesse terminale de chute U t ,ij (m/s) d’une particule sphérique peut être déduite de la
relation du nombre de Reynolds :

Ret ⋅ µeau
U t ,ij = (2. 6)
d p ⋅ ρeau
Où µeau est la viscosité de l’eau et est exprimée en Pa.s ou kg/m.s. Ret est le nombre
de Reynolds de la particule qui a atteint sa vitesse terminale de chute et est calculé

comme suit :
Ret P ( A ) + log10 R ( A )
log10=
P (=A ) ( 0.0017795 A − 0.0573) A + 1.0315 A − 1.26222 (2. 7)

R ( A) =0.99947 + 0.01853sin (1.848 A − 3.14 )
A = log10 Ar
Ar est le nombre d’Archimède (-) et est déterminé à l’aide de la relation suivante :
Ar =
(
d 3p ⋅ g ⋅ ρeau ⋅ ρij − ρeau ) (2. 8)
2
µeau
Une fois que la vitesse terminale de chute de la particule est calculée, elle est comparée à
la vitesse interstitielle de l’eau de fluidisation pour statuer si la particule va être entraînée
17
ou pas vers la surverse. La vitesse interstitielle du courant d’eau ascendant est obtenue
comme suit :
vsup eau
vint eau = (2. 9)
ε moy
Où vint eau et vsup eau sont les vitesses, en m/s, interstitielle et superficielle du courant
d’eau ascendant respectivement. La vitesse superficielle est calculée comme suit :

Qeau
vsup eau = (2. 10)
S
Où Qeau est le débit d’eau de fluidisation injecté dans le classificateur (m³/s) et S est la
section du classificateur dans laquelle passe le courant d’eau ascendant (m²).

Dans l’équation 2.9, ε moy est la fraction moyenne de vide du lit fluidisé qui, étant
adimensionnelle, est calculée à l’aide la relation suivante :
ρ moy , particule − ρ sus
ε moy = (2. 11)
ρ moy , particule − ρeau
Avec ρmoy, particule : La masse volumique moyenne des particules du lit (kg/m³).
Une fois le calcul des deux vitesses effectué (équations 2.4 et 2.9), les bilans massiques
de solide par composant et global peuvent peut être vérifiés :
F ⋅ f ij = U ⋅ uij + O ⋅ oij
(2. 12)
F= U + O
F est le débit massique du solide alimenté (t/h). Les débits massiques du solide sortant
par la sousverse et la surverse sont notés respectivement U et O et sont aussi exprimés
en t/h. f ij , uij et oij sont respectivement les compositions massiques de l’alimentation,
la sousverse et la surverse.
Il a été dit précédemment que le calcul de la vitesse relative (équation 2.4) permettrait de
déterminer le diamètre d’équicoupure (d50). Celui-ci correspond au diamètre des particules
dont la vitesse relative est égale à la vitesse interstitielle du courant d’eau ascendant
(équation 2.9).
18
2.2.1.2. Calcul de la courbe d’efficacité de séparation
En vue de calculer les compositions de la sousverse et de la surverse du classificateur,
l’efficacité de séparation devrait être prise en compte. Une séparation idéale, déterminée
par la dimension de coupure où la vitesse relative de la particule et la vitesse interstitielle
du courant d’eau ascendant sont en équilibre, résulte à une distribution granulométrique
de la sousverse et de la surverse nettement définie. Ce phénomène est accentué lorsque
le débit d'alimentation est constitué d'un type de solides de densité uniforme, n'ayant
qu’une distribution granulométrique. Ce qui n’est pas toujours le cas de minerais traités en
industrie. Par conséquent, il faut tenir compte du mouvement aléatoire des particules en
calculant une courbe d’efficacité de séparation sur la dimension de coupure
prédéterminée. Cette courbe, suivant une distribution gaussienne aléatoire de la vitesse
des particules, a la forme suivante [12] :
y′p = 0.5 1 + erf ( A ⋅ d pc ,ij ⋅ ( ρij − ρ F ) − B ) (2. 13)

 
Avec
y′p : L’efficacité de séparation;
erf : La fonction erreur;
d p,ij : Le diamètre moyen des particules de la classe granulométrique et de densité
(m);
c : Un paramètre ajustable;
ρij : La masse volumique de solides d’une classe de particules i et d’une classe de
densité j (kg/m³);
ρF : La masse volumique du flux d’alimentation (kg/m³).
Les paramètres A et B sont calculé comme suit :

vint eau
B=
σ Vij ⋅ 2
(2. 14)
B
A=
(ρ ij − ρ F ) ⋅ d50c
Avec
σVij : La déviation standard de la vitesse relative (m/s) d’une particule minérale et qui est
un paramètre ajustable;
d 50c : Le diamètre (m) d’équicoupure corrigé.
19
L’utilisation des équations 2.1 à 2.12 fait en sorte que la courbe d’efficacité obtenue à
l’équation 2.13 soit une courbe corrigée. Il en est de même pour le diamètre d’équicoupure
déterminé. Cependant, une portion de fines particules entraînées en sousverse est
régulièrement constatée en opérant les classificateurs hydrauliques. Ce constat a été
également fait avec le classificateur pilote. Cette portion de fines particules perdues en
sousverse devrait être prise en compte pour simuler le fonctionnement d’un classificateur
hydraulique. L’ajout de cette portion de fines au modèle de l’équation 2.13 donne la
courbe de partage non corrigée suivante :
y p = y′p (1 − R f ) + R f (2. 15)

Où R f est la fraction de fines particules entraînées en sousverse par l’eau et est souvent
assimilée à la fraction d’eau soutirée en sousverse. Le soutirage d’eau est calculé comme
suit [13] :
100 − su
U⋅
su
Rf =
100 − su 100 − so
U⋅ +O⋅
su so (2. 16)
Où su et so sont respectivement les pourcentages solides des flux de sousverse et de
surverse.
Le modèle de l’équation 2.15 a permis une simulation détaillée de la composition

granulométrique de la surverse et de la sousverse du classificateur. Le modèle a été
paramétré sur la base de l'ensemble des données expérimentales pour répondre à des
caractéristiques de l'alimentation du procédé de concentration de la pyrite. Un écart de
8.6% a été obtenu entre l’expérience et la simulation pour la distribution granulométrique
(% passant) du concentré (sousverse). En ce qui concerne le rejet (surverse), l’écart était
de 9.5%. Il a été également constaté qu’à haut débit d’eau de fluidisation (ou vitesse
interstitielle du courant d’eau ascendant élevée), les valeurs simulées divergeaient des
mesures. Tandis que pour les conditions normales d’opération (vitesse interstitielle du
courant d’eau ascendant inférieure à environ 4 mm/s), la précision de prédiction était très
bonne, particulièrement pour la surverse. Pour le classificateur hydraulique pilote, les
conditions opératoires les plus stables et favorables étaient obtenues avec une pression
du lit d’environ 12±0.25 kPa et un débit d’eau de fluidisation de 40±2.5 l/min. L’avantage
20
de ce modèle réside dans le fait de tenir compte de la vitesse aléatoire des particules (voir
équation 2.13) [12].
2.2.2. Modélisation d’un classificateur hydraulique pilote en

production d’un concentré de charbon
La performance d’un classificateur hydraulique à lit fluidisé à l’échelle pilote a été
également étudiée par Sarkar et al. (2008) [14] pour la séparation du charbon. La boîte
carrée du classificateur pilote mesure 230 mm x 230 mm x 530 mm avec une profondeur
de la boîte conique de 200 mm. La figure 2.7 illustre le schéma de cet équipement.
530 mm
230 mm
200 mm
Figure 2. 7 : Schéma du classificateur hydraulique à lit fluidisé utilisé pour la séparation du

charbon indien [14].
Le modèle utilisé dans ce cas est différent de celui présenté par Remes et al. (2011) [12]
puisqu’à part le fait qu’il tienne compte de la distribution de taille et de densité des
particules de l’alimentation et du débit d’eau de fluidisation, ce modèle prend également
en compte la pression du lit fluidisé (effet de la densité de la suspension et de la fraction
21
de vide du lit). Pour une suspension fluidisée, la fraction volumique des particules est
exprimée en fonction du gradient de pression dissipatif et la vitesse relative d'une particule
peut être décrite comme une fonction de ce gradient de la manière suivante [15] :
nij −1
 
dP / dH 
Vij U t ,ij 1 −
= (2. 17)

 ( )
ρij − ρeau g 

Dans cette expression, ρij est la masse volumique de la particule et est exprimée en
kg/m³. g est l’accélération gravitationnelle exprimée en m/s². dP / dH représente le

gradient de pression dissipatif qui, exprimé en kg/(m.s)², est calculé comme suit :
dP
dH
( )
= φij ρij − ρeau g (2. 18)
Les autres équations nécessaires pour la simulation sont les mêmes que celles décrites
par Remes et al. (2011) [12]. Il a été observé, en simulant le classificateur avec le modèle
obtenu, que la pression du lit et le débit d’eau de fluidisation ont un important impact sur la
performance de séparation. L’augmentation de la pression du lit et du débit d’eau de
fluidisation entraîne une hausse du rendement des particules grossières (+300 µm) en
surverse du classificateur. Il a été également établi que pour obtenir un bon effet de
concentration, un seuil minimal de pression de lit est requis. En dessous de ce seuil, les
effets de taille dominent sur la séparation, résultant en une classification de particules au
lieu de la concentration. La pression de lit ne doit pas non plus être trop élevée car cela
augmenterait la présence de particules de haute densité à la surverse. L’effet de la
distribution granulométrique (large : -1180 µm, étroite : -1180/+500 µm et intermédiaire :
-1180/+150 µm) a également été étudié. Il a été constaté qu’une distribution
granulométrique étroite de l’alimentation donne une bonne performance de concentration,
en réduisant l’effet de la taille des particules. Les résultats prédits sont en accord avec les
observations, et donc, ce simple modèle de vitesse relative a la capacité de prédire les
performances des classificateurs hydrauliques à lit fluidisé avec une précision raisonnable
[15].
22
2.5. Contrôle et instrumentation des classificateurs
hydrauliques à lit fluidisé
Une revue de la littérature ne donne pas beaucoup de détails sur les stratégies de
régulation de l’opération des classificateurs hydrauliques. Parmi les références consultées
telles que celle de Gosselin et al. (1999) [2], il est mentionné que la densité du lit, mesurée
par un (ou deux) capteur pression avant le point d’injection de l’eau de fluidisation (voir
figure 2.8), est habituellement régulée avec l’ouverture de la vanne de sousverse. Une
augmentation de la densité du lit conduit habituellement à une augmentation de l’ouverture
de la vanne de sousverse et vice-versa pour une baisse de la densité du lit. Il ne semble
pas y avoir de régulation en anticipation avec le tonnage d’alimentation au classificateur.
Une variation du tonnage d’alimentation affecte la densité du lit qui à son tour influence
l’ouverture de la vanne de sousverse. Il ne semble pas non plus y avoir de stratégie
établie pour la régulation de l’injection de l’eau de fluidisation. La discussion sur la
régulation des classificateurs hydrauliques est donc limitée à cette brève introduction.
2.5. Conclusion
Les classificateurs hydrauliques sont des appareils qui utilisent la force de gravité et les
principes de sédimentation libre et entravée pour classer les particules selon leurs tailles
et masses volumiques. Ils peuvent à la fois être utilisés pour la concentration
gravimétrique et pour la classification puisque les phénomènes qui gouvernent ces deux
procédés de séparation minéralurgiques sont les mêmes. Les classificateurs hydrauliques
de l’usine de boulettage d’ArcelorMittal, dont il est question dans ce mémoire, sont du type
à lit fluidisé et interviennent à divers niveau dans l’usine (concentration du fer, démouillage
du concentré, remplacement des hydrocyclones en circuit fermé).
Quelques travaux de simulation effectués sur les classificateurs ont été retrouvés dans la
littérature mais peu d’études existent sur leur contrôle et instrumentation. Le prochain
chapitre traite de l’opération des classificateurs hydrauliques de l’usine de boulettage
d’ArcelorMittal et va discuter en détail de la stratégie de régulation utilisée.
23
Chapitre III : Opération du classificateur hydraulique à
l’usine de boulettage d’ArcelorMittal et objectif du projet
de maîtrise
Ce chapitre positionne les classificateurs hydrauliques dans le circuit de traitement du
minerai de fer par ArcelorMittal au Québec. La première section décrit le circuit de
traitement de la mine à l’usine de boulettage. La deuxième section traite de l’opération des
classificateurs hydrauliques primaires de l’usine de boulettage et de la stratégie de
régulation utilisée. La dernière section traite de la problématique qui a suscité l’intérêt
d’étudier, à travers ce projet de maîtrise, l’opération des classificateurs hydrauliques de
l’usine de boulettage et décrit l’objectif poursuivi par le projet.
3.1. Circuit de production des boulettes d’oxyde de fer

Le fer est un métal qui a une densité de 7.88 et occupe la position 26, entre le manganèse
(Mn) et le cobalt (Co), dans le tableau périodique des éléments. Il est le principal
constituant du noyau de la terre et fond à 1535°C à l’état pur. À la surface de la terre, le fer
se trouve sous forme de minéraux dans de nombreux et abondants gisements. Ces
minéraux sont généralement des oxydes de fer dont les plus importants sont la magnétite
(Fe3O4) et l’hématite (Fe2O3) [16]. À part les oxydes de fer, il existe aussi d’autres
minéraux de fer, moins utilisés pour la production du fer, tels que l’ilménite, la pyrite, la
sidérite, etc. [17]
Le minerai de fer exploité par ArcelorMittal, au Canada dans la province du Québec, est
principalement constitué d’hématite. La compagnie exploite deux mines dans le nord de la
province, à Mont-Wright près de la ville de Fermont et à Fire Lake. Tout le minerai brut
extrait de cette dernière mine est acheminé par train dans le complexe minier de Mont-
Wright pour être concentré. La figure A2.1 de la section II des annexes montre le lien
ferroviaire entre la mine et l’usine de boulettage. Une partie du concentré produit à Mont-
Wright est envoyée à l’usine de boulettage de la compagnie, située à Port-Cartier, pour
être transformée en boulettes d’oxyde de fer [3].
25
3.1.1. Opération de la mine de Mont-Wright et transport du
concentré
Le complexe minier de Mont-Wright comporte une mine à ciel ouvert, le concasseur, le
concentrateur, des ateliers d’entretien, un entrepôt de pièces et un système de
chargement des trains. Environ 1000 employés travaillent au complexe de Mont-Wright.
La superficie de la mine représente 24 kilomètres carrés. Les réserves et ressources sont
estimées à près de 725 millions de tonnes de minerai brut avec une teneur en fer
d’environ 30 %. Il faut en moyenne extraire 2.6 tonnes de minerai pour produire une tonne
de concentré d’oxyde de fer [3].
Après dynamitage, le minerai est transporté (voir figure A2.2 de la section II des annexes)
vers deux concasseurs giratoires qui réduisent la taille des fragments de roche à environ
20 centimètres de diamètre. Le minerai concassé est acheminé par convoyeur vers l’un
des six silos d’entreposage du concentrateur. Le minerai concassé est traité sur six lignes
de broyage/concentration similaires. Chaque ligne comporte un broyeur autogène et un
système de tamisage suivi d’un circuit de concentration gravimétrique par spirales. Le
tonnage traité sur chaque ligne varie entre 950 et 1000 t/h. À la sortie du circuit de
broyage la taille des particules est inférieure à 1.5 millimètre [3].
Le produit du circuit de broyage d’une ligne est dirigé vers les 1440 spirales de la ligne
correspondante. Le circuit de l’usine comporte 8640 spirales pour les 6 lignes. Ces
spirales sont réparties selon leur fonction en spirales ébaucheuses, nettoyeuses et
renettoyeuses [3]. Le concentré des spirales ébaucheuses titre 53% en fer et passe dans
deux circuits de spirales nettoyeuses qui augmentent la teneur du concentré final à
environ 66% selon le type de concentré produit. Le concentré des spirales renettoyeuses
est déversé sur deux tables de filtres horizontaux pour être filtré avant d’être acheminé au
silo de chargement des trains à destination de Port-Cartier.
Trois principaux types de concentrés sont produits et leur description est présentée au
tableau 3.1 [16]. La principale différence entre ces concentrés réside dans leur usage et la
concentration de silice (SiO2), dans les classes de particules de dimension supérieure à
300 µm, qu’ils contiennent. Cette dernière caractéristique (%SiO2 +300 µm), appelée aussi
ARL (American Research Laboratory), ne concerne que le concentré utilisé pour les
boulettes à basse teneur en silice (CBS) et celui servant à fabriquer les boulettes
autofondantes à basse teneur en silice (CBA). L’ARL est calculé comme suit :
26
( xi,SiO )
n
∑
i =1
2
⋅ gi
ARL = n (3. 1)
∑
i =1
gi
Où gi est la fraction de solide retenu sur la classe granulométrique i et xi,SiO , la

2
concentration de silice mesurée sur la classe granulométrique i. les classes

granulométriques de la sommation vont des tamis grossiers au tamis de 48 mailles (300
µm) inclusivement.
Pour le CBS, l’ARL doit être inférieur à 1.80% alors que pour le CBA, l’ARL doit être
inférieur à 2.80% (voir tableau 3.1). L’ARL est en fait une mesure de la concentration de
quartz non-libéré de l’hématite dans les classes granulométriques grossières.
Tableau 3. 1 : Types et usage des concentrés produits à Mont-Wright
ARL (%SiO2
Type Dénomination Usage
+300 µm)
Concentré pour Boulettes pour Haut- Fabrication des boulettes pour Haut-
CON -
fourneau fourneau (BHF)
Fabrication des boulettes basse silice
CBS Concentré à Basse teneur en Silice 1.80
(BBS)
Fabrication des boulettes
Concentré pour Boulettes
CBA autofondantes (BAF) et de boulettes 2.80
Autofondantes
basse silice autofondantes (BSA)
Le concentrateur de la mine produit annuellement 14.5 millions de tonnes de concentré de

fer dont 9.3 millions sont utilisées pour la production de boulettes de fer [3]. Pendant le
transport du concentré par wagons, le laboratoire du concentrateur de Mont-Wright
analyse le chargement du train et entre les données dans l’ordinateur central. À ce
moment, l’opérateur du culbuteur à Port-Cartier compare les données d’analyse avec les
spécifications des différents types de concentré (voir annexes, section II, tableau A2.1). Il
détermine ainsi l’emplacement d’entreposage selon les instructions disponibles. Du
culbuteur, le concentré peut prendre, à l’aide des convoyeurs à bande, trois destinations :
l’usine de boulettage, les aires de stockage et le port [16].
27
3.1.2. Usine de boulettage
Plus de deux tiers du concentré de Mont-Wright est transformé en boulettes à l’usine de
boulettage. Celle-ci permet de produire deux types de boulettes en même temps grâce à
la présence de deux circuits (Lignes 1 et 2) semblables. Exploitée depuis 1977, elle a
initialement été conçue pour une production annuelle de 6 millions de tonnes de boulettes,
mais l’expertise des employés et les nouvelles technologies ont permis d’en hausser la
capacité annuelle à plus de 9 millions de tonnes. L’usine de boulettage de Port-Cartier est
considérée comme l’une des plus performantes au monde [3]. Fonctionnant sur deux
lignes de production, le procédé de boulettage se résume en sept étapes principales :
• Enrichissement
• broyage
• filtration
• ajout d’additifs et mélange
• agglomération
• tamisage
• cuisson
L'usine est dotée d’installations d'enrichissement qui permettent de réduire la teneur en
silice (SiO2) du concentré selon la demande des clients. Après cette étape facultative, de
l’eau et des additifs sont ajoutés au concentré broyé à 65% des particules passant 45
microns dans les six broyeurs à boulets (3 sur la ligne 1 et 3 sur la ligne 2). La pulpe
produite au circuit de broyage est épaissie dans certains cas (pulpe des broyeurs
fonctionnant à circuit fermé) et pompée vers les 9 filtres verticaux (4 sur la ligne 1 et 5 sur
la ligne 2) qui en amènent l’humidité entre 8 et 9%. Le gâteau est déversé dans 2 des 3
mélangeurs où d’autres additifs, dont la bentonite qui sert de liant, sont incorporés au
concentré broyé. Les mélanges sont ensuite amenés dans les 10 disques d'agglomération
(5 sur la ligne 1 et 5 sur la ligne 2) qui façonnent des boulettes de 1 à 1.2 centimètre de
diamètre dans un mouvement rotatif, avant que celles-ci soient durcies à une température
de 1300°C dans les 2 fours de cuisson (1 sur la ligne 1 et 1 sur la ligne 2) [3]. D’autres
détails sur l’opération de l’usine de boulettage se trouvent au point 2.1 de la section II des
annexes.
Quatre types de boulettes sont principalement produits à l’usine de boulettage. À chaque

type de boulettes correspond un type de concentré de Mont-Wright. Ces types de
boulettes sont identifiés au tableau 3.2. La teneur en SiO2 du tableau 3.2 correspond à la
teneur en SiO2 visée pour la boulette envoyée au client.
28
Tableau 3. 2 : Types de boulettes produites à l’usine de boulettage d’ArcelorMittal
Type de concentré Teneur en SiO2

Types de boulettes
de Mont-Wright (%)
Boulette pour haut-fourneau (BHF) CON 5.25
Boulette autofondante (BAF) CBA 3.75
Boulette basse silice autofondante (BSA) CBA 2.50
Boulette basse silice (BBS) CBS 1.60
3.2. Classificateurs hydrauliques primaires

Pour la production des boulettes BSA et BBS (voir tableau 3.2), le concentré de Mont-
Wright doit être traité en tout ou en partie pour réduire la teneur en silice. L’équipement
d’enrichissement utilisé par l’usine de boulettage est un classificateur hydraulique à lit
fluidisé. L’usine de boulettage d’ArcelorMittal possède quatre classificateurs hydrauliques
primaires. Le classificateur hydraulique fait l’objet du projet de maîtrise.
3.2.1. Schéma et dimensions

Les classificateurs hydrauliques primaires de l’usine de boulettage (CPBA, CPBB et CPBC
sur la ligne 1 et CPBE sur la ligne 2) sont du type gravitationnel à injection d’eau (voir
section 2.1.5, point d). Les classificateurs de la ligne 1 sont identiques et constitués
chacun d’une boîte carrée de 1.81 m (5,94 pi) de profondeur et de 4.55 m² (49 pi²) de
section (7 pix7 pi). La partie inférieure du classificateur (dite cône) est une boîte de 2.42 m
(7.94 pi) de profondeur verticale, ayant quatre côtés en forme de trapèze. La figure 3.1
montre un schéma et quelques photos du classificateur hydraulique.
29
Figure 3. 1 : Schéma et photos du classificateur hydraulique primaire [5].
Les classificateurs hydrauliques primaires sont utilisés dans l’usine de boulettage
d’ArcelorMittal pour enrichir le concentré d’oxyde de fer (majoritairement de l’hématite :
Fe2O3) de Mont-Wright en retirant les impuretés qui sont principalement constituées du
quartz (SiO2), mais aussi d’ilménite et des silicates (mica et grenat) en concentration
inférieure à 1%. Le concentré de Mont-Wright est envoyé dans le classificateur par un
puits d’alimentation muni d’un plat qui le distribue de façon radiale pour éviter de perturber
les conditions établies dans l’appareil. De l’eau, identifiée ci-après comme l’eau de
fluidisation, est injectée à la mi-hauteur (bas de la boîte carrée) du classificateur à l’aide
des tuyaux munis de buses d’injection orientées vers le bas afin qu’elles ne se bouchent
pas avec de la pulpe (voir figure 3.1). L’eau de fluidisation produit un courant d’eau
30
ascendant combattant la sédimentation des particules. Immédiatement au-dessus des
tuyaux d’injection d’eau, le lit de particules fluidisées est constitué des particules dont la
vitesse terminale de chute est la même ou inférieure à la vitesse du courant d’eau
ascendant. Grâce à l’abondance de particules en suspension, le lit forme un milieu de
masse volumique supérieure à celle de l’eau. La séparation des particules est accomplie
par élutriation. Le courant ascendant entraîne les particules dont la vitesse terminale de
chute est inférieure à sa vitesse. Ces particules sont entraînées vers le haut de l’appareil
et sont évacuées par débordement (surverse). Les particules dont la vitesse terminale de
chute est supérieure à la vitesse du courant ascendant sont entraînées par gravité vers la
base du cône (voir figure 3.1) d’où elles sont évacuées par l’action d’une vanne
automatique dont l’ouverture est régulée en fonction de la densité du lit. Les classificateurs
hydrauliques de l’usine de boulettage sont munis d’un seul capteur de pression qui
mesure la pression exercée par la colonne de pulpe dans l’équipement et la convertit en
densité de lit (voir point 2.3 de la section II des annexes). Un ajout d’eau, identifiée à la
figure 3.1 comme l’eau de cône, est effectué au niveau du cône du classificateur pour
empêcher le compactage de solide dans cette section.
3.2.2. Types d’enrichissement visé (BBS ou BSA)

Selon la demande des clients et seulement en production des boulettes BSA et BBS, le
concentré de Mont-Wright peut être enrichi à nouveau à l’aide des classificateurs
hydrauliques primaires afin de réduire la teneur en SiO2 d’environ 4.60 à 1.20% SiO2 pour
la fabrication de BBS et d’environ 4.80 à 1.40% SiO2 pour la fabrication de BSA (voir
tableau 3.3). La stratégie d’enrichissement dépend principalement des caractéristiques du
concentré qui alimente l’usine et en partie des conditions opératoires du classificateur.
Tableau 3. 3 : Teneurs en silice du concentré de Mont-Wright avant et après classification,

selon le type de boulette
Type de Teneur en SiO2 (%) Teneur en SiO2 (%) à la
Types de boulettes concentré de dans le concentré de sousverse des classificateurs
Mont-Wright Mont-Wright primaires
Boulette basse silice (BBS) CBS 4.60±0.46 1.20±0.14
Boulette basse silice
CBA 4.80±0.40 1.40±0.16
autofondante (BSA)
31
3.2.3. Stratégie d’opération selon le type d’enrichissement
L’usine de boulettage d’ArcelorMittal comporte deux lignes de production et la
configuration d’opération sur chaque ligne dépend du type de boulettes produit. La figure
3.2 illustre la configuration d’opération utilisée en production des boulettes basse silice
(BBS). Celles-ci ne sont produites que sur la ligne 1.
Figure 3. 2 : Configuration d’opération en production de BBS (Ligne 1).

En production de BBS, les broyeurs A (BROA), B (BROB) et C (BROC) sont alimentés
seulement avec les sousverses des classificateurs primaires CPBA, CPBB et CPBC
respectivement, qui passent d’abord par les démouilleurs (CHBA, CHBB et CHBC
respectivement) pour en retirer l’eau (voir figure 3.2). Les circuits des broyeurs B et C sont
fermés avec des séparateurs hydrauliques (CHB1, CHB2, CHB3 et CHB4 pour le broyeur
B et CHC1, CHC2, CHC3 et CHC4 pour le broyeur C) qui fonctionnent en alternance 2 par
2 et dont les surverses sont d’abord envoyées à l’épaississeur de 75 pieds (EP 75) avant
32
d’être acheminées aux réservoirs à boue de la ligne 1 (RB1N et RB1S). Les grosses
particules recueillies à la sousverse des séparateurs hydrauliques retournent dans les
broyeurs pour être broyées à nouveau. En mode de production de BBS, le concentré de
Mont-Wright frais n’est jamais ajouté directement dans ces broyeurs. Il passe toujours par
les classificateurs hydrauliques.
Les boulettes basse silice autofondantes (BSA) peuvent être produites sur les lignes 1 et
2. La figure 3.3 illustre la configuration d’opération de la ligne 1 en production de BSA.
Lorsque ce sont les boulettes BSA qui sont produites sur la ligne 1, le concentré de Mont-
Wright frais peut être ajouté directement dans les broyeurs A, B et C en plus d’alimenter
les classificateurs de la ligne 1 (voir figure 3.3). Dans ce cas, il faut réduire le tonnage
d’alimentation des classificateurs primaires de la ligne 1. Le CPBA fonctionne à faible
tonnage par rapport aux CPBB et CPBC puisque des additifs (coke, dolomie, pierre à
chaux) sont ajoutés dans le Broyeur A. Les CPBB et CPBC fonctionnent à haut tonnage
parce que les BROB et BROC peuvent être opérés en circuit fermé avec les séparateurs
hydrauliques. Ainsi, à cause de la capacité du circuit de broyage en aval, le tonnage
maximal d’alimentation du CPBA est d’environ 260 tmn/h et celui des CPBB et CPBC est
d’environ 350 tmn/h 4.
4
Tmn (Tonnes de minerai naturel) : Tonnage du concentré de Mont-Wright humide (Environ 3% d’humidité).
33
Figure 3. 3 : Configuration d’opération en production de BSA (Ligne 1).
Sur la ligne 2, ce sont les boulettes autofondantes (BAF) et les boulettes basse silice
autofondantes (BSA) qui sont produites selon la demande des clients. La figure 3.4 illustre
la configuration d’opération de la ligne 2 en production de BSA.
34
Figure 3. 4 : Configuration d’opération en production de BSA (Ligne 2).
Le broyeur E (BROE) est alimenté avec le concentré (sousverse) du CPBE et il fonctionne

en circuit fermé avec des hydrocyclones (CY1E) dont les surverses sont envoyées
directement dans les réservoirs à boue de la ligne 2 (RB2N et RB2S). Le broyeur D
(BROD) est alimenté avec le concentré de l’usine d’enrichissement (U.E) et le concentré
de Mont-Wright frais (provenant des silos des broyeurs). Le broyeur F (BROF), quant à lui,
35
est alimenté avec la sousverse de l’épaississeur de 80 pieds (EP80), les additifs, le
concentré de Mont-Wright frais, la récupération (débordement des broyeurs, boulettes,
matériel de n’importe où, etc.) et le concentré de l’U.E (seulement en production de BSA).
En mode BAF, seule la pompe PB35 est utilisée pour amener le matériel du réservoir du
concentré de l’U.E (CA14) vers le BROD comme le montre la figure 3.5. En production de
BSA, les pompes PB34 et PB35 sont utilisées pour transporter le matériel vers les BROF
et BROD respectivement (voir figure 3.4).
Figure 3. 5 : Configuration d’opération en production de BAF (Ligne 2).

36
3.2.4. Minerai d’alimentation
Les classificateurs hydrauliques primaires sont alimentés avec le concentré de Mont-
Wright. Ce dernier est composé principalement d’hématite, de magnétite, de quartz,
d’ilménite, de mica et de grenat. La composition chimique de ces minéraux ainsi que les
plages de variation de leurs teneurs dans les concentrés CBA et CBS sont données au
tableau 3.4. Les plages de variation des teneurs en oxydes dans ces deux concentrés
sont présentées au tableau 3.5 et les distributions granulométriques de chaque concentré
et de l’hématite et du quartz qu’ils contiennent sont illustrées à la figure 3.6. Quelques
informations sur les autres types de concentré produits à Mont-Wright sont fournies au
tableau A2.1 de la section II des annexes. Les données des tableaux 3.4 et 3.5 et de la
figure 3.6 proviennent de 4 campagnes d’échantillonnage réalisées en juin 2011 en
production de BSA et de 7 campagnes conduites en septembre 2011 en production de
BBS.
Tableau 3. 4 : Plage de variation des teneurs des minéraux contenus dans les concentrés de
Mont-Wright CBS et CBA
Tableau 3. 5 : Caractéristiques des concentrés pour la production des Boulettes Basse Silice
(CBS) et pour la production de Boulette Basse Silice Autofondante (CBA)
Les distributions granulométriques de l’hématite et du quartz présentées à la figure 3.6

correspondent à des valeurs minimales, moyennes et maximales des % massiques des
particules de ces minéraux, retenues dans chaque tranche granulométrique, observées
lors de 4 campagnes d’échantillonnage pour le CBA et de 7 campagnes pour le CBS.
L’hématite a tendance à se concentrer dans les fractions grossières alors que le quartz se
37
retrouve dans les fractions fines. Cette caractéristique des distributions granulométriques
des minéraux est favorable à l’enrichissement de l’hématite dans le classificateur
hydraulique qui va opérer préférentiellement une élimination des particules fines de quartz.
CBA CBS
% Cumulatif passant 100
80
60
40
20
0
10 100 1000
Dimension (μm)
a) Distribution granulométrique du solide
40
% retenu de l'hématite
et du quartz du CBA
30
Quartz Hématite
20
10
0
10 100 1000
Dimension (μm)
b) Distribution granulométrique de l'hématite et du quartz dans le CBA
40
% retenu de l'hématite
et du quartz du CBS
30
Quartz Hématite
20
10
0
10 100 1000
Dimension (μm)
c) Distribution granulométrique de l'hématite et du quartz dans le CBS
Figure 3. 6 : Distributions granulométriques du solide, de l’hématite et du quartz contenus
dans le CBA et CBS.
38
3.2.5. Mesure de l’efficacité du classificateur
La performance d’un classificateur hydraulique est évaluée à partir principalement de 2
indices :
• Le rendement poids, c.-à-d. la proportion massique de l’alimentation qui se

retrouve à la sousverse du classificateur. Le concentré enrichi d’oxyde de fer se
retrouve dans la sousverse qui alimente les broyeurs et les autres unités de
préparation des boulettes. Le rendement poids peut être estimé :
o En appliquant la règle des 2 produits aux analyses chimiques qui sont

effectuées aux 12 heures pour les échantillons de sousverse et de surverse
et aux 4 à 12 heures pour les échantillons de l’alimentation, dépendamment
du type de boulettes fabriquées. Les teneurs en fer et en silice (SiO2) étant
fortement couplées, l’utilisation de la teneur en fer ou en silice pour calculer
le rendement poids conduit pratiquement aux mêmes valeurs du rendement
poids;
o En faisant le rapport entre le débit de solide extrait du broyeur (moins les

débits d’additifs et du concentré de Mont-Wright frais ajoutés au broyeur) et
le débit d’alimentation au classificateur. Ce calcul est effectué entre les
périodes d’obtention des analyses chimiques [19] et permet d’effectuer des
ajustements réguliers au débit d’eau de fluidisation.
• La teneur en SiO2 de la sousverse du classificateur, Cette mesure n’est

disponible que lorsque des échantillons sont prélevés à la sousverse et analysés
chimiquement.
Le point de consigne pour le rendement poids varie entre 80 et 85% pour les
classificateurs hydrauliques de la ligne 1 (CPBA, CPBB et CPBC) et entre 88 et 90% pour
le classificateur de la ligne 2 (CPBE). Le point de consigne pour la teneur de SiO2 dans le
concentré (sousverse) est 1.2% pour la production de BBS et de 1.4% pour la production
de BSA.
39
3.2.6. Paramètres d’opération
Les principaux paramètres permettant de régler les conditions d’opération des
classificateurs primaires sont le tonnage d’alimentation, le débit d’eau de dilution de
l’alimentation, le débit d’eau de fluidisation, le débit d’eau de cône et le débit d’évacuation
de la sousverse qui est ajusté par l’ouverture de la vanne de sousverse.
Le débit d’eau de fluidisation est ajusté pour maintenir un rendement poids aux valeurs
indiquées à la section 3.2.5. Le choix du tonnage d’alimentation des classificateurs
dépend de la granulométrie du produit du circuit de broyage. Les consignes de
granulométrie sont données au tableau 3.6. Par exemple, lorsque la fraction passant 45
µm du produit d’un circuit de broyage dépasse 68% en mode BBS, l’opérateur peut
augmenter le tonnage d’alimentation au classificateur et vice versa lorsque la fraction est
inférieure à 68%. Les plages de variation des différentes variables opératoires, par
classificateur hydraulique sont résumées au tableau 3.7.
Tableau 3. 6 : Consignes de -45 µm des broyeurs des lignes 1 et 2 en production de BBS et
BSA
Consigne du % de -45µm
Lignes Broyeurs
Production de BBS Production de BSA
A 68.0±1.5 65.0±1.5
66.0±1.5 (circuit fermé) ou 63.0±1.5
B 68.0±1.5
1 (circuit ouvert)
66.0±1.5 (circuit fermé) ou 63.0±1.5
C 68.0±1.5
(circuit ouvert)
D - 64.0±1.5
2 E - 64.0±1.5
F - 65.0±1.5
Tableau 3. 7 : Plages de variation des variables opératoires des différents classificateurs

hydrauliques
40
Tableau 3. 7(suite) : Plages de variation des variables opératoires des différents
classificateurs hydrauliques
3.2.7. Stratégie de contrôle et instrumentation

Durant l’opération du classificateur hydraulique, les variations de débit ou de composition
du concentré d’alimentation peuvent perturber l’opération des classificateurs. Des
instruments de mesure et de contrôle, combinés à une stratégie de contrôle, sont utilisés
pour minimiser l’effet de ces perturbations. Ces instruments sont identifiés à la figure 3.7.
Figure 3. 7 : Schéma de l’instrumentation et du contrôle des classificateurs hydrauliques

primaires de l’usine de boulettage d’ArcelorMittal [19].
41
3.2.7.1. Instrumentation
Quatre débitmètres (FIC 1B251, FIC 1B251x2, FIC 1B252 et FIC 1B259) sont installés sur
la ligne d’eau de dilution (pour nettoyer la chute des convoyeurs d’alimentation et le tamis
à rebuts), de dilution supplémentaire (pour ajuster le pourcentage solide de l’alimentation),
de fluidisation et de cône. Chaque débitmètre est utilisé par une boucle de régulation qui
maintient le débit à une valeur de consigne déterminée par l’opérateur ou encore calculée
en fonction d’une proportion d’eau par rapport au tonnage d’alimentation. C’est le cas de
l’eau de dilution et de l’eau ajoutée au tamis à l’alimentation du classificateur.
Un capteur de pression placé au-dessus des tuyaux d’injection de l’eau de fluidisation est
utilisé pour mesurer la densité moyenne de la pulpe. Le principe de mesure de ce capteur
est présenté au point 2.3 de la section II des annexes. La mesure de la densité du lit est
utilisée par une boucle de régulation qui opère sur la vanne de sousverse du
classificateur. La consigne de densité de lit est entrée par les opérateurs et le système de
contrôle ajuste l’ouverture de la vanne de sousverse pour maintenir la consigne. Une
densité de lit supérieure à la consigne commande une augmentation de l’ouverture de
vanne, et l’inverse pour une densité de lit inférieure à la consigne. Le choix du point de
consigne de la densité est décrit à la section suivante.
3.2.7.2. Stratégie de contrôle pour le rendement poids
La stratégie de contrôle des classificateurs hydrauliques primaires repose principalement

sur le rendement poids. Si celui-ci est entre 80 et 85% pour les classificateurs CPBA,
CPBB et CPBC et entre 88 et 90% pour le CPBE, aucune action n’est prise par le
contremaître en salle de contrôle. Dans le cas où la consigne du rendement poids n’est
pas respectée, les actions suivantes sont prises :
Pour les classificateurs primaires de la ligne 1 (CPBA, CPBB et CPBC)
 Si le rendement poids est inférieur à 80% :

- Diminuer le débit d’eau de fluidisation (variations de 25 L/min) jusqu’à un débit
minimum de 1800 L/min.
- Lorsque les 1800 L/min sont atteints et que le rendement poids est toujours en
dessous de 80%, il faut alors diminuer la densité du lit de pulpe dans le
classificateur primaire par incréments de 0.05 jusqu’à ce que le rendement poids
soit ramené entre 80 et 85%.
42
 Si le rendement poids est supérieur à 85% :
- Augmenter le débit d’eau de fluidisation (variations de 25 L/min) jusqu’à un débit
maximum de 2000 L/min.
- Lorsque les 2000 L/min sont atteints et que le rendement poids est toujours
supérieur à 85%, il faut alors augmenter la densité dans le classificateur primaire
par incréments de 0.05 jusqu’à ce que le rendement poids soit ramené entre 80 et
85%.
Pour le classificateur primaire de la ligne 2 (CPBE)
 Si le rendement poids est inférieur à 88% :

- Diminuer le débit d’eau de fluidisation (variations de 25 L/min) jusqu’à un débit
minimum de 1800 L/min.
- Lorsque les 1800 L/min sont atteints et que le rendement poids est toujours en
dessous de 88%, il faut alors diminuer la densité dans le classificateur primaire de
0.05 jusqu’à ce que le rendement poids soit ramené entre 88 et 90%.
 Si le rendement poids est supérieur à 90% :
- Augmenter le débit d’eau de fluidisation (variations de 25 L/min) jusqu’à un débit
maximum de 2000 L/min.
- Lorsque les 2000 L/min sont atteints et que le rendement poids est toujours
supérieur à 90%, il faut alors augmenter la densité dans le classificateur primaire
par incréments de 0.05 jusqu’à ce que le rendement poids soit ramené entre 88 et
90%.
3.2.8. Analyse des données de production pour mettre en évidence
des relations entre les indices de performance et les variables
opératoires
Les données présentées dans cette section proviennent des bilans journaliers de 84 jours
d’opération (de mars 2011 à avril 2012) des classificateurs primaires A et C de l’usine de
boulettage, en production de boulettes basse silice autofondante (BSA). Les deux
classificateurs sont identiques et sont censés être opérés avec les mêmes stratégies de
régulation. Cependant, le fait que le CPBA et le CPBC ne soient pas opérés avec les
mêmes plages de tonnage d’alimentation pourrait faire en sorte que leurs stratégies de
d’opération diffèrent. Le tonnage d’alimentation maximal du CPBA est d’environ 260 tmn/h
alors que celui du CPBA tourne autour de 350 tmn/h puisque le broyeur C est opéré en
circuit fermé, donnant une capacité de broyage supérieure à celle du broyeur A (voir
section 3.2.3).
43
Le tonnage d’alimentation de chaque classificateur hydraulique varie selon le pourcentage
des particules de moins de 45 µm dans le produit du broyeur ou du circuit de broyage.
L’augmentation du tonnage d’alimentation entraîne une hausse de densité de pulpe dans
le classificateur. L’impact du tonnage sur la densité du lit est similaire et opposé à celui de
l’ouverture de la vanne de sousverse, mais il est supérieur et opposé à celui de l’eau de
fluidisation (chapitre 5). La vanne de sousverse et le débit d’eau de fluidisation peuvent
alors être utilisés, l’une de façon automatique et l’autre manuellement, pour atténuer
l’impact du tonnage sur la densité du lit puisqu’ils entraînent un effet contraire sur la
densité. Cependant, l’impact de l’ouverture de la vanne sera plus important que celui de
l’eau de fluidisation (voir tableau 5.3, section 5.2). Et donc, dépendamment de
l’importance de l’effet du tonnage sur la densité du lit, l’opérateur peut décider d’utiliser
seulement l’eau de fluidisation ou d’associer une action sur la vanne de sousverse. C’est à
ce niveau que proviendrait la différence dans les stratégies d’opération des classificateur
A et C.
La figure 3.8 présente la variation de l’ouverture de la vanne de sousverse (figure 3.8a) et

du débit d’eau de fluidisation (figure 3.8b) en fonction du tonnage d’alimentation durant
l’opération du CPBA. L’observation de la figure 3.8 ne montre aucune tendance de
variation de l’ouverture de la vanne de sousverse avec le tonnage (figure 3.8a). En effet, la
régression linéaire appliquée sur ces données, présentée au tableau 3.8, montre que la
pente de la droite de régression n’est pas significative, son écart-type étant plus élevé que
la valeur de la pente. Il y a cependant une augmentation du débit d’eau de fluidisation
avec le tonnage (figure 3.8b). Ces résultats montrent simplement que, pour l’opération du
CPBA, le contremaître en salle de contrôle a décidé de contrôler la densité du lit avec le
débit d’eau de fluidisation, ce qui est logique puisque l’augmentation du débit d’eau de
fluidisation entraîne une baisse de la densité du lit (voir section 5.2 du chapitre 5). Il se
pourrait que la plage d’opération du tonnage (120 à 220 tmn/h) n’affecte pas la densité du
lit au point de nécessiter l’intervention de la vanne de sousverse. Le cas du CPBC montré
à la figure 3.9 est différent puisque l’opérateur se sert de l’ouverture de la vanne de
sousverse pour contrecarrer l’effet du tonnage sur la densité du lit (figure 3.9a) et l’eau de
fluidisation pour atténuer l’impact de la vanne de sousverse (figure 3.9b). La nécessité
d’utiliser la vanne de sousverse pour contrôler la densité dans ce cas semble justifiée
puisque la plage de tonnage du CPBC est élevée (150 à 350 tmn/h).
44
80
Ouverture de la vanne
60
de sousverse (%)
40
20
0
100 120 140 160 180 200 220 240
a) Tonnage d'alimentation (tmn/h)
2400
fluidisation (L/min)
Débit d'eau de
2200
2000
1800
1600
1400
100 120 140 160 180 200 220 240
b) Tonnage d'alimentation (tmn/h)

fluidisation (b) en fonction du tonnage d’alimentation du CPBA.
80
Ouverture de la vanne
60
de sousverse (%)
40
20
0
100 150 200 250 300 350
2500
Débit d'eau de
2300
2100
1900
1700
1500
100 150 200 250 300 350

fluidisation (b) en fonction du tonnage d’alimentation du CPBC.
45
Les régressions linéaires appliquées aux données de production dans cette section sont
effectuées dans Excel. Le tableau 3.8 présente seulement les valeurs de pentes des
droites de régression et leurs écart-types afin d’évaluer la significativité des effets
observés aux figures 3.8 et 3.9. La notation est pente ± écart-type et les symboles S et
N.S entre parenthèses sont utilisés pour montrer si la pente est significative ou non
significative respectivement. Les valeurs de pentes dans chaque case du tableau sont
lues selon le type de graphique tracé. Par exemple, les données de la première case sont
les pentes (avec leurs écart-types) issues de la variation de l’ouverture de la vanne de
sousverse en fonction du tonnage d’alimentation durant l’opération des classificateurs
CPBA et CPBC.
Tableau 3. 8 : Valeurs de pentes et leurs écart-types
Deux populations sont constatées aux figures 3.8a et 3.9a. Une vérification de l’origine de
ces deux populations est effectuée en répertoriant quelques données de ces deux figures
ayant le même tonnage mais une ouverture de vanne de sousverse différente comme
l’illustre la figure 3.10 pour le cas du CPBC. Les résultats obtenus pour le CPBA sont
présentés à section 2.5 des annexes. La présence de deux populations est observable
dans les données compilées au tableau 3.9 pour le CPBC fonctionnant dans des
conditions de tonnage et de concentration de solide d’alimentation constante. Le débit
d’eau de cône (voir figure 3.7), l’eau de fluidisation ou la consigne de densité du lit
pourraient être à l’origine des deux populations observées (voir tableau 3.9). Il est aussi
possible que la variation soit causée par une variable non-mesurée comme le % solide de
la pulpe en sousverse qui pourrait affecter significativement la viscosité et la masse
volumique de pulpe.
46
Échantillonnage du CPBC à 20h00
80
Ouverture de la vanne de
60
sousverse (%)
40
20
0
220 230 240 250 260 270 280
Tonnage d'alimentation (tmn/h)
Figure 3. 10 : Illustration de quelques exemples des causes probables de la présence de

deux populations dans le cas du CPBC.
Tableau 3. 9 : Quelques exemples des causes probables de la présence de deux populations
dans le cas du CPBC
Comme il a été précédemment mentionné dans la section 3.2.7.2 du chapitre 3, le débit

d’eau de fluidisation est l’une des variables utilisées pour contrôler le rendement poids à
l’usine de boulettage d’ArcelorMittal. Le débit d’eau de fluidisation est fixé par l’opérateur.
Les résultats de la figure 3.11 montrent une tendance à la baisse du rendement poids
avec le débit d’eau de fluidisation durant l’opération du CPBA (figure 3.11a). La pente de
la droite de régression est significative comme le montre le tableau 3.8. Cette tendance
est logique puisque l’opérateur a augmenté le débit d’eau de fluidisation pour atténuer
l’impact du tonnage d’alimentation comme l’illustre la figure 3.8b et il n’a pas utilisé la
vanne de sousverse (voir figure 3.8a). L’augmentation du débit d’eau de fluidisation nuit à
la sédimentation des fines particules vers la sousverse, occasionnant ainsi une baisse du
rendement poids comme le montre la figure 5.9a (voir section 5.5 du chapitre 5).
47
Le cas du CPBC, présenté à la figure 3.11b, diffère de celui du CPBA puisque la densité
du lit est contrôlée avec la vanne de sousverse et l’eau de fluidisation en même temps. Il
serait attendu que le rendement poids augmente à cause des effets d’une plus grande
ouverture de vanne et d’un faible débit d’eau de fluidisation. Cependant, ce n’est pas le
cas puisque ces actions entraînent des effets contraires sur la densité du lit que celui-ci,
en se rééquilibrant, ne permet pas à ce que le nombre de particules sédimentant vers la
sousverse soit augmenté. La tendance d’augmentation du rendement poids observée à la
figure 3.11b n’est pas significative (tableau 3.8).
100
Rendement poids (%)
90
80
70
60
1750 1850 1950 2050 2150
Débit d'eau de fluidisation (L/min)
a)
100
90
Rendement poids (%)
80
70
60
50
40
1750 1850 1950 2050 2150 2250 2350
b) Débit d'eau de fluidisation (L/min)
Figure 3. 11 : Variation du rendement poids en fonction du débit d’eau de fluidisation du

CPBA (a) et du CPBC (b).
La densité du lit de pulpe est l’autre paramètre qui, étant régulée par l’ouverture de la
vanne de sousverse, est utilisé pour contrôler le rendement poids du classificateur. Le
point de consigne pour la densité est également fixé par le contremaître en salle de
contrôle. La variation du rendement poids en fonction de la densité du lit de pulpe est
montrée à la figure 3.12. Les résultats de la figure 3.12 ne semblent pas indiquer que la
48
densité du lit soit la variable dominante pour expliquer la variation du rendement poids. Il
faut cependant nuancer ces observations par le fait que les actions des opérateurs pour
ajuster l’eau de fluidisation et la densité du lit en fonction du rendement poids peuvent
masquer la relation de cause à effet entre ces variables. C’est une des difficultés
associées à l’identification en boucle fermée de régulation.
100
Rendement poids (%)
90
80
70
60
1,75 1,80 1,85 1,90 1,95 2,00 2,05 2,10
a) Densité du lit de pulpe (-)
100
Rendement poids (%)
90
80
70
60
50
40
1,85 1,95 2,05 2,15 2,25
Densité du lit de pulpe (-)
b)
Figure 3. 12 : Variation du rendement poids en fonction de la densité du lit de pulpe dans le
CPBA (a) et le CPBC (b).
La variation du rendement poids pourrait provenir de la fluctuation du tonnage
d’alimentation. Toutefois, aucune tendance claire n’est observable à la figure 3.13 où le
rendement poids est porté en graphique en fonction du tonnage d’alimentation au
classificateur. Il serait attendu que le rendement soit meilleur lorsque le classificateur est
opéré à bas tonnage. Le manque de tendance observable sur la figure 3.13 pourrait
provenir du fait qu’à l’usine de boulettage, le rendement poids est en boucle fermée avec
le tonnage d’alimentation. Lorsque le rendement poids est élevé, le débit au broyage est
49
grand et la granulométrie du produit de broyage peut augmenter entraînant une diminution
du tonnage d’alimentation au classificateur (respect du % de -45 µm).
100
Rendement poids (%)
90
80
70
60
100 120 140 160 180 200 220 240
100
Rendement poids (%)
90
80
70
60
50
40
100 150 200 250 300 350
Figure 3. 13 : Variation du rendement poids en fonction du tonnage d’alimentation du

La teneur en silice en sousverse du classificateur hydraulique ne semble dépendre ni de la
densité du lit de pulpe, ni du débit d’eau de fluidisation ni même du tonnage d’alimentation
comme les montrent les figures 3.14, 3.15 et 3.16 respectivement. L’analyse des données
des campagnes d’échantillonnage (chapitre 6) conduit à une conclusion similaire.
50
2,0
Teneur en silice (%)

1,8
1,6
1,4
1,2
1,0
1,75 1,80 1,85 1,90 1,95 2,00 2,05 2,10
a) Densité du lit de pulpe (-)
1,8
1,6
1,4
1,2
1,0
0,8
1,80 1,90 2,00 2,10 2,20 2,30
b)
Figure 3. 14 : Variation de la teneur en silice en fonction de la densité du lit de pulpe dans
le CPBA (a) et le CPBC (b).
2,0
1,8
1,6
1,4
1,2
1,0
1650 1750 1850 1950 2050 2150 2250
a) Débit d'eau de fluidisation (L/min)
1,8
1,6
1,4
1,2
1,0
0,8
1750 1850 1950 2050 2150 2250 2350
b)
Figure 3. 15 : Variation de la teneur en silice en fonction du débit d’eau de fluidisation du
51
2,0
1,8

1,6
1,4
1,2
1,0
100 120 140 160 180 200 220 240
a)
1,8
1,6
1,4
1,2
1,0
140 190 240 290 340
b)
Figure 3. 16 : Variation de la teneur en silice en fonction du tonnage d’alimentation du
L’objectif d’opération est de fournir un rendement poids de 80% et plus, avec une teneur
en silice inférieure à 1.40%, en sousverse du classificateur. La figure 3.17 illustre la
performance des classificateurs A et C obtenue en 84 jours de production. Pour les deux
classificateurs, l’objectif d’opération n’est pas atteint pour plus de 2/3 des journées de
production. Il y a donc place à l’amélioration dans l’opération de ces classificateurs
hydrauliques.
52
100
28 points 20 points
Rendement poids (%)

90
80
70
24 points 12 points
60
1,00 1,20 1,40 1,60 1,80
a) Teneur en silice (%)
100
25 points 3 points
Rendement poids (%)
90
80
70 18 points
38 points
60
1,00 1,20 1,40 1,60 1,80
b) Teneur en silice (%)
Figure 3. 17 : Performance des classificateurs A (a) et C (b) pendant 84 jours de production

de boulettes BSA.
3.3. Objectifs du projet de maîtrise
Le projet de maîtrise vise principalement 2 objectifs :
• Améliorer la compréhension du fonctionnement du classificateur hydraulique en se

basant sur une revue de la littérature et des expériences conduites en usine;
• Établir les bases d’un modèle phénoménologique du classificateur hydraulique

mais surtout produire des données qui permettront de développer ce modèle. Le
modèle du classificateur pourra servir à comprendre le rôle des variables utilisées
pour la régulation et peut-être à réviser la stratégie utilisée présentement pour la
régulation du classificateur et évaluer la pertinence d’ajouter des capteurs
supplémentaires pour augmenter la robustesse de la régulation de l’opération du
classificateur.
53
Ces objectifs sont motivés par le fait que même si le classificateur est opéré de façon
rigoureuse par les opérateurs, il y a encore de la place pour en améliorer les
performances. Cette hypothèse n’est infirmée ni par les résultats de la figure 3.16 ni par
ceux de la figure 3.18. Les observations montrées sur la figure 3.18 correspondent à la
variation du rendement poids en fonction de la teneur en SiO2 dans la sousverse du
classificateur. Les données de cette figure proviennent des bilans journaliers de 150 jours
consécutifs d’opération des classificateurs A, B et C en production de boulettes basse
silice (BBS). Puisque l’objectif de l’opération du classificateur est de fournir un rendement
de 80% et plus, avec une teneur en silice inférieure à 1.2%, la figure 3.18 montre que cet
objectif n’est pas atteint pour plus de la moitié des journées de production.
Figure 3. 18 : Performance des classificateurs A, B et C pendant 150 jours de production

de boulettes BBS [5].
Une étude de simulation effectuée par Bazin et al. (2012), reposant sur un modèle par
courbe de partage des minéraux a permis d’identifier que les conditions opératoires sont
probablement responsables de la variabilité des résultats d’opération [5]. Cette étude de
simulation, bien que basée sur des modèles simples de séparation des minéraux en
fonction de leur dimension dans un classificateur hydraulique, permet de justifier le projet
de maîtrise qui vise à améliorer la connaissance du fonctionnement du classificateur et
d’étudier des approches pour réduire la variabilité des performances de la machine.
54
3.4. Conclusion
Une analyse des données journalières de production recueillies pour les classificateurs
hydrauliques des circuits A et C montre :
• Qu’il y a une différence dans la stratégie de régulation des deux classificateurs;

• Qu’il y a une corrélation entre le tonnage d’alimentation et l’ouverture de la vanne
de sousverse, surtout dans le cas du CPBC;
• Que la relation entre le débit d’eau de fluidisation et le tonnage d’alimentation
dépend de la stratégie de régulation employée par l’opérateur;
• Que le fait que le rendement poids soit en boucle fermée avec le tonnage
d’alimentation rend difficile l’observation d’une corrélation entre cette variable de
performance les autres variables opératoires du classificateur;
• Que la teneur en SiO2 du concentré enrichi en sousverse du classificateur n’est
pas corrélable aux conditions opératoires;
• Qu’il existe autant pour la production de BBS que de BSA, une variabilité
importante dans le rendement et la concentration en silice en sousverse, montrant
la nécessité d’améliorer l’opération des classificateurs hydrauliques de l’usine de
boulettage.
Le prochain chapitre décrit les différentes campagnes d’échantillonnage conduites sur les
classificateurs hydrauliques primaires de l’usine de boulettage et présente les données
expérimentales recueillies, données qui serviront à la construction du modèle
phénoménologique de ces équipements.
55
Chapitre IV : Acquisition de données
L’équipe de procédé de l’usine de boulettage d’ArcelorMittal, en collaboration avec
l’Université Laval par le biais du projet de maîtrise, a réalisé plusieurs campagnes
d’échantillonnage permettant de générer les données pour la modélisation des
classificateurs hydrauliques primaires de l’usine. Le plan expérimental de ces campagnes
était défini de manière à générer des données pour obtenir les courbes de partage des
minéraux dans le classificateur afin de comprendre l’impact de l’augmentation de l’ARL
(teneur en SiO2 +300 µm) sur la teneur en silice des boulettes produites et l’effet des
variables opératoires des classificateurs primaires sur leurs récupérations poids et
d’autres variables de performance de l’équipement. Ces campagnes d’échantillonnage
sont identifiées comme suit :
• Campagnes préliminaires effectuées par le personnel de l’usine;
• Essais dynamiques d’avril 2010;
• Campagnes de juin 2011;
• Campagnes de septembre 2011.
La méthode de prélèvement d’échantillons est sensiblement la même pour toutes les
campagnes d’échantillonnage. L’échantillonnage du classificateur est conduit pendant un
régime d’opération stationnaire, sauf dans le cas des essais dynamiques décrits à la
section 4.2. Pour toutes ces campagnes, des échantillons sont prélevés à l’alimentation, à
la surverse et à la sousverse du classificateur aux positions indiquées à la figure 4.1.
L’échantillon de l’alimentation est prélevé sur le convoyeur avec une petite pelle.
L’échantillon de la surverse est prélevé en actionnant un couteau qui coupe la section
complète du flux de surverse. L’échantillon est récupéré dans un seau. Finalement la
sousverse est prélevée avec un couteau d’échantillonnage standard à la sortie du cône du
classificateur. La seule campagne qui diffère est l’une des campagnes de Juin 2011,
décrite à la section 4.3.2, durant laquelle des échantillons ont été prélevés à différentes
profondeurs dans le classificateur.
En général, une campagne sur un classificateur dure entre 60 et 90 minutes soit environ 4
à 7 fois le temps de séjour moyen dans le classificateur, des particules sortant par la
sousverse. Le calcul de ce temps de séjour est décrit au point 4.1 de la section IV des
annexes. Toutefois, dépendamment du type d’essai effectué, la durée d’une campagne
peut être plus longue (cas d’essais dynamiques d’avril 2010 qui durent entre 3 et 4
heures). Une coupe de chaque flux (alimentation, sousverse et surverse) est prise à une
57
période de 15 minutes. Les échantillons humides sont pesés puis séchés et repesés pour
déterminer la concentration de solide.
Pour certaines campagnes la concentration de solide n’a cependant pas été mesurée. Les
échantillons secs sont divisés en 3 fractions. Une portion est tamisée sur un banc des
tamis de 150 mailles (106 µm) à 20 mailles (850 µm). Pour quelques campagnes le solide
recueilli sur les tamis est envoyé au laboratoire d’analyse chimique pour obtenir une
distribution granulochimique de la matière. Une autre portion de l’échantillon primaire est
envoyée à l’analyse chimique pour obtenir une analyse de tête de l’échantillon. La
troisième portion est conservée pour vérification si cela s’avère nécessaire. Les analyses
chimiques sont effectuées par fluorescence X. L’analyse chimique fournit les teneurs en
fer total, SiO2, Al2O3, K2O, TiO2, etc. Une mesure de la perte au feu est aussi envoyée par
le laboratoire. Les teneurs fournies sont des concentrations d’oxydes utilisées pour
reconstruire les teneurs minérales.
Alimentation
Débit de solide (t/h)
(Concentré de Mont-Wright)
Eau de dilution
(L/min) Surverse
Classificateur
Hydraulique
CPBA Eau de fluidisation

(L/min)
Ouverture de la vanne de sousverse (%)
Sousverse
Couteau d’échantillonnage
de la sousverse
Figure 4. 1 : Points d’échantillonnage des flux d’alimentation, de sousverse et de surverse.
58
4.1. Campagnes préliminaires effectuées par le personnel
de l’usine
Sept campagnes d’échantillonnage ont été conduites, de novembre 2009 à mai 2010, sur
les classificateurs primaires de l’usine lors de la production de boulettes BBS. Les
caractéristiques de l’alimentation de ces tests et les différents classificateurs utilisés sont
présentés au tableau 4.1. La teneur en silice de l’alimentation fluctue entre 3.3 et 5.0%.
Les tests ont été réalisés avec différents tonnages d’alimentation. Les données recueillies
permettront de calculer des courbes de partage des minéraux dans les différents
classificateurs primaires et de comparer la performance de ces équipements,
indépendamment des conditions opératoires.
Tableau 4. 1 : Caractéristiques de l’alimentation et classificateurs hydrauliques utilisés

pour les 7 campagnes d’échantillonnage de novembre 2009 à mai 2010
Les distributions granulométriques du solide, du quartz et de l’hématite dans l’alimentation

du classificateur observées sont illustrées à la figure 4.2. La distribution granulométrique de
l’alimentation (figure 4.2a) ne change pas beaucoup et cela malgré que les campagnes aient
été réalisées sur différentes journées. La plage de variation de la granulométrie du solide
d’alimentation est montrée à la figure 4.2b sous la forme de valeurs minimale, moyenne et
maximale pour les sept tests. Les plages de variation des proportions retenues d’hématite et
de quartz dans les différentes classes granulométriques sont montrées à la figure 4.2c et la
figure 4.2d respectivement. Les distributions granulométriques de ces deux minéraux dans le
CBS présentent des variations importantes et uniformes pour toutes les tranches
granulométriques de particules, ce qui pourrait avoir un impact sur les valeurs de
rendements poids et teneurs en silice obtenues en sousverse du classificateur.
59
Test 1 Test 2 Test 3 Test 4
Test 5 Test 6 Test 7 100
% cumulatif passant
100 80
% cumulatif passant
80 60
60 40
40 20
20 0
0 10 100 1000
10 100 1000 Dimension (μm)
Dimension (μm) b) Plage de variation de la distribution
a) Distribution granulométrique du solide granulométrique du solide
25 35
% retenu hématite
20 30
% retenu quartz
25
15
20
10 15
5 10
5
0
0
10 100 1000
10 100 1000
Dimension (μm)
Dimension (μm)
c) Plage de variation de la distribution d) Plage de variation de la distribution
granulométrique de l'hématite granulométrique du quartz
l’alimentation du classificateur pour les 7 campagnes de novembre 2009 à mai 2010.
4.2. Campagnes d’avril 2010

Quatre campagnes d’échantillonnage, s’étendant sur trois jours successifs, ont été
réalisées sur le classificateur primaire du broyeur A (CPBA). Ces tests (ou phases) se sont
déroulés pendant la production de la boulette basse silice autofondante (BSA) et avaient
pour but d’évaluer les réponses dynamiques des teneurs chimiques et des concentrations
des classes granulométriques dans les flux de sousverse et de surverse du classificateur
suite à des changements en échelon:
• Du débit d’eau de fluidisation (Phase 1);

• Du débit d’eau de dilution de l’alimentation du classificateur (Phase 2);
• Du tonnage de concentré de Mont-Wright à l’alimentation du classificateur (Phase 3);
• De l’ouverture de la vanne de sousverse (Phase 4).
60
Avant le début de chaque phase et lorsque cela s’avérait nécessaire, la vanne de
sousverse était ouverte et un grand débit d’eau était introduit dans le classificateur par les
tuyaux d’injection d’eau de fluidisation, pour vidanger le cône afin de s’assurer qu’aucune
accumulation importante de solide ne vienne perturber les résultats du test. Pendant la
réalisation des différentes phases, le système de régulation de la densité du lit était placé
en mode manuel pour éviter que l’ouverture de la vanne de sousverse fausse la réponse
du procédé à la variable d’entrée utilisée pour perturber l’opération du classificateur. Les
mesures des capteurs ont été recueillies et enregistrées à toutes les 5 secondes. Les
échantillons des flux d’alimentation, de surverse et de sousverse étaient prélevés aux 2
minutes. Chaque campagne d’échantillonnage durait entre 3 et 4 heures avec une
production d’environ 30 échantillons/heure par flux (alimentation, concentré ou rejet). Au
total, 1203 échantillons ont été prélevés pour les 4 phases. Des analyses chimiques et
granulométriques ont été effectuées pour chaque échantillon. Des analyses
granulochimiques ont aussi été effectuées mais seulement sur des échantillons
composites préparés à partir des échantillons obtenus pendant des périodes de régime
stationnaire. Cet aspect est discuté à la section 4.2.5.
4.2.1. Effet du débit d’eau de fluidisation (Phase 1)

L’essai a été conduit le 29 avril 2010 entre 9h00 et 12h00. Les variations des variables
manipulées (tonnage d’alimentation, débit d’eau de fluidisation, débit d’eau de dilution de
l’alimentation, débit d’eau de cône, ouverture de la vanne de sousverse), de perturbation
(caractéristiques de l’alimentation) et d’état (densité du lit de pulpe) sont montrées au
tableau 4.2. Le débit d’eau de fluidisation est la variable d’excitation et a été modifié selon
le patron montré à la figure 4.3a. Les autres variables opératoires ont été maintenues aux
conditions indiquées au tableau 4.2. Les perturbations causées par des changements de
composition et de granulométrie de l’alimentation du classificateur sont mesurées puisque
des échantillons ont été prélevés pendant toute la durée du test. Certaines valeurs
moyennes des variables avec leur écart-type sont données au tableau 4.2. Un graphique
de la variation de la teneur en SiO2 à l’alimentation est illustré à la figure 4.3b. Les
variations des classes +600 µm et -106 µm sont montrées à la figure 4.3c. Les variations
sont relativement faibles et permettent de supposer que leur effet sur l’opération du
classificateur pourrait être négligeable.
61
La densité du lit varie avec l’application des échelons de débit d’eau de fluidisation
(figure 4.3d), puisque la vanne de sousverse est en mode manuel.

d’état et de perturbation du CPBA (Phase 1)
Variable Moyenne Écart-type Minimum Maximum
Tonnage (tmn/h) 187.4 3.43 156.4 188.4
Eau de fluidisation (L/min) Variable étudiée : Variation entre 1700 et 2200
Eau de dilution (L/min) 3000.68 4.55 2990 3012
Eau de cône (L/min) 249.99 0.39 249.2 251.1
Vanne de sousverse (%) 38.68 0.00 38.68 38.68
Densité du lit (-) 1.88 0.04 1.82 1.94
Alimentation
% SiO2 4.58 0.07 4.44 4.77
% +600 µm 14.24 0.54 12.9 16.6
%-106 µm 10.40 0.33 9.30 11.9
5,0
Teneur en SiO2 (%)
2500
Débit d'eau de
2300 4,8
2100 4,6
1900 4,4
1700
4,2
1500 0 50 100 150 200
0 50 100 150 200
Temps (min)
Temps (min)
b) Variation de la teneur en silice de
a) Échelons du débit d'eau de fluidisation l'alimentation du CPBA
Tranche granulométrique grossière (+ 600 µm) 1,96
Densité du lit de pulpe
17
1,92
% retenu
15
13 1,88
(-)
11
1,84
9
Tranche granulométrique fine (- 106 µm)
7 1,80
0 50 100 150 200 0 50 100 150 200
Temps (min) Temps (min)
c) Variation de la granulométrie de d) Variation de la densité du lit de pulpe
l'alimentation du CPBA dans le CPBA
Figure 4. 3 : Variables manipulées, de perturbation et d’état pendant la phase 1.
62
4.2.2. Effet du débit d’eau de dilution de l’alimentation (Phase 2)
Les conditions de l’essai visant à étudier l’effet du débit d’eau de dilution sont résumées
au tableau 4.3 et à la figure 4.4. L’essai a été conduit le 27 avril 2010 entre 13h30 et
16h28. Lors de cette phase il y a une légère augmentation de la teneur en SiO2 de
l’alimentation (voir figure 4.4b) qui pourrait masquer ou s’ajouter à l’effet du changement
de débit d’eau de dilution. La granulométrie d’alimentation est stable (voir figure 4.4c).
Similairement au cas du débit d’eau de fluidisation, la densité du lit fluidisé formé dans le
classificateur varie faiblement avec le débit de d’eau dilution comme le montrent son écart-
type qui est d’environ 0.04 (tableau 4.3) et la figure 4.4d. La variation est toutefois
déterministe et suit les actions sur le débit d’eau de dilution.
4000
5,0
Teneur en SiO2 (%)

Débit d'eau de dilution
3500 4,8
3000 4,6
(L/min)
2500 4,4
4,2
2000
4,0
1500 3,8
0 50 100 150 200 0 50 100 150 200
b) Variation de la teneur en silice de
a) Échelons sur le débit d'eau de dilution l'alimentation du CPBA

18
16 1,96
% retenu
14 1,92
12
Tranche granulométrique fine (- 106 µm) 1,88
10
1,84
8
6 1,80
0 50 100 150 200 0 50 100 150 200 250 300
63
Tonnage (tmn/h) 188.0 0.20 187.4 188.4
Eau de fluidisation (L/min) 1950.1 4.71 1937 1964
Eau de dilution (L/min) Variable étudiée : Variation entre 2200 et 3800
Eau de cône (L/min) 250.01 0.32 249.4 250.9
Densité du lit (-) 1.93 0.04 1.88 1.98
Alimentation
% SiO2 4.45 0.24 3.84 4.82
% +600 µm 16.28 0.64 14.1 17.4
%-106 µm 8.40 0.28 7.94 9.30
4.2.3. Effet du tonnage d’alimentation (Phase 3)

La phase 3 a été réalisée le 28 avril 2010 entre 08h06 et 12h00. Le tableau 4.4 résume les
valeurs des variables opératoires et perturbations utilisées pour la réalisation du test et la
variable d’état obtenue suite à ces manipulations. La variable manipulée est le tonnage
d’alimentation tel que présenté à la figure 4.5a et l’observation de la figure 4.5b montre
que cette variable influence significativement la densité du lit de pulpe comparativement
aux débits d’eau de fluidisation et de dilution (écart-type de 0.12 versus 0.04 dans les
deux cas précédents). Il semble également y avoir une augmentation de la teneur en silice
de l’alimentation entre la 75ème et la 175ème minute du déroulement du test (voir figure
4.5c), ce qui pourrait avoir un impact sur les résultats. La granulométrie de l’alimentation
est demeurée presque constante (voir figure 4.5d).

Tonnage (tmn/h) Variable étudiée : Variation entre 173 et 203
Eau de cône (L/min) 249.99 0.36 249.2 250.7
Densité du lit (-) 1.93 0.12 1.72 2.06
Alimentation
% SiO2 4.62 0.07 4.43 4.81
% +600 µm 16.39 0.42 15.2 18.4
%-106 µm 8.91 0.33 6.97 9.41
64
Tonnage d'alimentation 210 2,1
200 2,0
190 1,9
(tmn/h)
180 1,8
170 1,7
160
1,6
0 50 100 150 200 250
0 50 100 150 200 250
b) Variation de la densité du lit de pulpe
a) Échelons sur le tonnage d'alimentation dans le CPBA
20 Tranche granulométrique grossière

5,0
Teneur en SiO2 (%)
18 (+ 600 µm)
4,8 16
14
4,6 % retenu 12
Tranche granulométrique fine (- 106 µm)
4,4 10
8
4,2
6
0 50 100 150 200 250
0 50 100 150 200 250
c) Variation de la teneur en silice de d) Variation de la granulométrie de
l'alimentation du CPBA l'alimentation du CPBA
4.2.4. Effet de la position de la vanne de sousverse (Phase 4)

Cette phase était réalisée le même jour que la phase 3 mais en après-midi (13h00 à
16h22). Les échelons appliqués sur la position de la vanne de sousverse, présentés à la
figure 4.6a, ont révélé que l’impact de cette variable manipulée sur la densité du lit est
similaire à celui du tonnage d’alimentation comme le montre son écart-type (0.12) dans le
tableau 4.5.
65
Tonnage (tmn/h) 188.0 0.17 187.6 188.4
Eau de cône (L/min) 249.98 0.44 249.1 251.2
Vanne de sousverse (%) Variable étudiée : Variation entre 37 et 43
Densité du lit (-) 1.92 0.12 1.72 2.06
Alimentation
% SiO2 4.64 0.14 4.50 5.88
% +600 µm 14.89 0.33 13.5 16.2
%-106 µm 9.79 0.18 9.00 10.0
5,0
Teneur en SiO2 (%)
44
4,8
42
sousverse (%)
40 4,6
38 4,4
36 4,2
0 50 100 150 200 0 50 100 150 200
a) Échelons sur la position de la vanne b) Variation de la teneur en silice de
de sousverse l'alimentation du CPBA

16
2,0
14
% retenu
1,9
12 Tranche granulométrique fine (- 106 µm)
1,8
10
8 1,7
0 50 100 150 200 0 50 100 150 200
66
4.2.5. Analyse granulochimique des échantillons prélevés sur le
classificateur Primaire du Broyeur A (CPBA)
Dû à leur nombre élevé (1203), les échantillons prélevés sur le CPBA au cours des
campagnes d’avril 2010 n’étaient pas analysés chimiquement par tranche
granulométrique. Toutefois les essais représentaient des conditions intéressantes pour
caractériser l’effet des variables manipulées sur le partage du quartz et de l’hématite en
fonction de la dimension des particules. À cet effet, un composite de 2 ou 4 échantillons a
été préparé aux conditions d’équilibre montrées à la figure 4.7. Ainsi pour chaque essai,
on dispose d’échantillons de l’alimentation, de la sousverse et de la surverse, pour
lesquelles il est acceptable de supposer que le classificateur fonctionne en régime
stationnaire. Ces échantillons ont été tamisés et les tranches granulométriques ont été
analysées pour obtenir les données granulochimiques nécessaires au calcul des courbes
de partage pour la production de boulettes BSA. Les résultats de ces analyses sont
fournis au point 3.2 de la section III des annexes (voir tableau A3.10).
Plateau du 1er echelon

Composite de Composite de 4 échantillons
2 échantillons
Plateau du 3ème echelon
État initial
Composite de 4 échantillons
Composite de 4 échantillons
Plateau du 2ème echelon
Figure 4. 7 : Plateaux choisis pour caractériser le régime stationnaire et nombres

d’échantillons à mélanger pour fins d’analyse granulochimique.
67
4.3. Campagnes de Juin 2011
Deux campagnes d’échantillonnage ont été conduites en juin 2011. La première
campagne, comportant 4 tests a été effectuée sur le CPBA et visait à étudier l’effet du
débit d’eau de fluidisation à densité de lit constante, ce qui n’avait pas été fait dans le
cadre des essais dynamiques décrits à la section 4.2. La seconde campagne visait à
déterminer l’évolution de la teneur en silice, du pourcentage solide et de la distribution
granulométrique du solide en fonction de la profondeur dans le CPBC. Ces campagnes se
sont déroulées en production de BSA (boulette Basse Silice Autofondante) pour lesquelles
la teneur en silice visée à la sousverse des classificateurs primaires est de 1.40%.
4.3.1. Effet du débit d’eau de fluidisation à densité de lit constante

Quatre tests ont été réalisés selon le plan d’expériences montré à la figure 4.8. Ces tests
ont été effectués en faisant varier le débit d’eau de fluidisation et en maintenant la densité
du lit fluidisé constante dans le CPBA (vanne de sousverse en mode automatique). À
cause d’une contrainte d’opération sur le débit d’eau de fluidisation il n’a pas été possible
d’effectuer le test 1 (voir figure 4.8) avec un débit d’eau de fluidisation de 1700 L/min, le
débit minimum pour un tonnage de 171 tmn/h étant fixé à 1850 L/min. La densité du lit
était maintenue constante afin d’observer l’effet individuel de l’eau de fluidisation et non
pas un effet combiné (avec la densité) comme dans le cas des tests réalisés en avril 2010.
La concentration de solides de l’alimentation est constante à 46% massique et la densité
du lit régulée à 2.0. Deux campagnes ont été réalisées le 1er juin et deux autres le 2 juin.
Les campagnes n’ont pas pu être effectuées le même jour à cause de problèmes
d’opération du classificateur, ce qui a eu pour conséquence un changement de tonnage
d’alimentation entre les deux journées. Les conditions des campagnes sont résumées au
tableau 4.6. Les échantillons recueillis ont été analysés pour déterminer les concentrations
de solides, les distributions granulométriques et les compositions chimiques et
granulochimiques du solide. Les résultats complets sont à la section III des annexes (point
3.3.2).
68
Débit d’eau de fluidisation (L/min)
2200 3 2
1850 1
1700 4
144 171
Tonnage (t/h)
Figure 4. 8 : Plan d’expériences utilisé pour la campagne de juin 2011.

Tableau 4. 6 : Variables d’entrée et d’état du CPBA lors des Campagnes de juin 2011
Les caractéristiques de l’alimentation des quatre tests sont résumées au tableau 4.7 et les
distributions granulométriques du solide, du quartz et de l’hématite dans l’alimentation sont
montrées à la figure 4.9. Malgré une variation de 3.99 à 4.48% quartz dans l’alimentation
(tableau 4.7), il est acceptable de considérer que la composition de tête de l’alimentation a
été stable pendant le déroulement des différents tests. Toutefois la teneur en SiO2 de la
fraction +300 µm a diminué significativement du 1er (campagnes 1 et 2) au 2 juin
(campagnes 3 et 4), ce qui pourrait avoir un impact sur le rendement poids et la teneur du
concentré. Bien que les distributions granulométriques des échantillons de l’alimentation
des campagnes 3 et 4 soient légèrement plus fines que pour les campagnes 1 et 2 (figure
4.9b), il est possible de supposer que l’effet de cette variation sur l’opération du
69
classificateur soit marginal par rapport au changement de débit d’eau de fluidisation. Les
distributions granulométriques de l’hématite (figure 4.9c) sont relativement similaires pour
les 4 tests. Il en est de même pour le quartz (figure 4.9d) à l’exception du fait que les
concentrations des particules grossières de quartz (+300 µm) dans les échantillons
d’alimentation des campagnes 1, 2 et 4 semblent être plus élevées que dans celui de la
campagne 3. Cette observation est confirmée par la valeur de l’ARL5 (tableau 4.7). Il est
aussi possible de noter la forme relativement constante des distributions granulométriques
des minéraux de quartz et d’hématite avec une distribution plus grossière de l’hématite par
rapport à celle du quartz. Cette constance a été aussi observée à la figure 4.2 pour des
campagnes effectuées 18 mois plus tôt et est probablement liée à une caractéristique
intrinsèque du minerai et de la classification opérée par les spirales au concentrateur de
l’usine de Mont-Wright.
Test 1 Test 2 Test 3 Test 4 Test 1 Test 2 Test 3 Test 4

100 50
% cumulatif passant
% cumulatif passant
80 40
60 30
40 20
20 10
0
0
10 100
10 100 1000
Dimension (μm) Dimension (μm)
a) Distribution granulométrique du solide b) Distribution granulométrique des fines

25 40
% retenu hématite
% retenu Quartz
20 30
15
20
10
5 10
0 0
10 100 1000 10 100 1000
c) Distribution granulométrique de l'hématite d) Distribution granulométrique du quartz
l’alimentation du CPBA pour les tests du 1er et 2 juin 2011.
5
ARL : American Research Laboratory.
70
Tableau 4. 7 : Teneurs en quartz et en hématite de l’alimentation lors des quatre tests
d’échantillonnage (ARL = % SiO2 du +300 µm)
Campagne Tonnage Eau fluidisation (L/min) % hématite % Quartz ARL
1 171 1850 94.17 4.29 2.29
2 171 2200 93.98 4.48 2.18
3 144 2200 94.37 3.99 1.91
4 144 1700 94.05 4.40 1.87
4.3.2. Composition de la pulpe en fonction de la profondeur dans le

classificateur hydraulique
Le 1er juin 2011, le CPBC a été échantillonné à six hauteurs différentes au-dessus des
tuyaux d’injection d’eau de fluidisation. Les conditions d’opération pendant la campagne
étaient :
• Tonnage d’alimentation : 200 t/h

• % solide p/p de l’alimentation : 46%
• Débit d’eau de fluidisation 1900 L/min
• Densité du lit : 2.0 avec une ouverture de vanne de 16%
Il n’a pas été possible d’échantillonner en dessous des buses d’injection de l’eau de
fluidisation. Le siphonage de pulpe s’est fait à l’aide d’un tuyau en PVC souple transparent
de 5 cm de diamètre intérieur, en utilisant le principe des vases communicants6 selon le
schéma illustré à la figure 4.10. Une fois amorcé, le siphon permet d’aspirer la pulpe à
différents niveaux dans le classificateur. Le flux de pulpe produit par le siphon est
échantillonné et les échantillons sont analysés pour obtenir leur concentration de solide,
teneur en silice et distribution granulométrique. Aucun échantillon de l’alimentation, de la
surverse ou de la sousverse n’a été prélevé lors de cette campagne. Les résultats
détaillés de la campagne sont fournis à la section III des annexes (point 3.3.1).
6
http://fr.vikidia.org/wiki/Siphon (consulté le 04 juillet 2012).
71
Alimentation
Tige métallique
permettant de soutenir
Surverse le siphon
Classificateur
Hydraulique Siphon
CPBC
Point d’échantillonnage
Sousverse
Figure 4. 10 : Échantillonnage de la pulpe à différentes profondeurs.

La variation de la concentration de solide en poids, des fractions +600 et -106 µm et des
concentrations en SiO2 et Fe2O3 est montrée à la figure 4.11. Le classificateur hydraulique
fonctionne comme un épaississeur qui n’aurait pas la capacité de diriger tout le solide en
sousverse. La concentration de solides augmente rapidement avec la profondeur (figure
4.11a). Après moins d’un mètre de sédimentation, la teneur en solides est passée
d’environ 25% à plus de 65%. La baisse de la concentration de solides au niveau du point
d’injection de l’eau de fluidisation est causée par la dilution due à l’eau sortant des buses.
Les particules grossières sédimentent rapidement puisque les concentrations retrouvées

dans les niveaux supérieurs du classificateur sont très faibles. Les fines disparaissent
presque totalement des zones du classificateur situées sous un mètre de sédimentation
(figure 4.11b). La teneur en SiO2 est élevée (environ 20%) au niveau correspondant à la
surverse, ce qui tend à confirmer le fait que les particules légères de silice soient
poussées vers la surverse par le flux d’eau ascensionnel (figure 4.11c). La caractérisation
de l’alimentation présentée à la section 4.3.1 montre aussi que le quartz (minéral qui
transporte principalement la silice) contient une concentration élevée des fines particules,
ce qui favorise l’entraînement de ces particules vers la surverse. La teneur en Fe2O3
augmente légèrement avec la profondeur à cause de l’élimination de la silice (figure
4.11d). Il n’a pas été possible de retrouver de tels résultats dans la littérature en lien avec
les classificateurs hydrauliques et cette information sera importante pour le
développement d’un modèle phénoménologique pour le classificateur.
72
80% 60
50
Pourcentage solide
60% 40 - 106 µm +600
% retenu
30 µm
40% 20
10
20%
0
0,0 0,5 1,0 1,5 2,0
0,0 0,5 1,0 1,5 2,0
Profondeur (m)
Surverse Buses d'eau Surverse
Profondeur (m)
Buses d'eau
de fluidisation de fluidisation
a) Variation du pourcentage solide b) Variation de la granulométrie
25 100
Teneur en Fe2O3 (%)

95
Teneur en SiO2 (%)
20
15 90
10 85
80
5
75
0
70
0,0 0,5 1,0 1,5 2,0
0,0 0,5 1,0 1,5 2,0
Profondeur (m)
Surverse
Buses d'eau Profondeur (m)
Surverse Buses d'eau de
de fluidisation
fluidisation
c) Variation la teneur en SiO2 d) Variation la teneur en Fe2O3
Figure 4. 11 : Variation des caractéristiques de la pulpe et du solide en fonction de la
profondeur dans le classificateur hydraulique.
4.4. Campagnes de Septembre 2011
Sept campagnes d’échantillonnage ont été réalisées afin d’étudier le lien qui existe entre
l’ARL (% SiO2 +300 μm) et la teneur en silice de la sousverse des classificateurs
primaires. Ces campagnes devaient également permettre d’étudier la qualité des
concentrés (teneur en silice) des classificateurs primaires de la ligne 1 (CPBA, CPBB et
CPBC) lorsque ceux-ci sont opérés à rendement poids supérieur à 80%. Elles ont été
réalisées sur le classificateur primaire du Broyeur A (CPBA) et en production de BBS
(Boulette Basse Silice). La teneur en silice visée à la sousverse des classificateurs
primaires en production de BBS est d’environ 1.20%.
Comme l’illustre la figure 4.12, les sept campagnes d’échantillonnage ont été réalisées
avec différents débits d’eau de fluidisation et densités du lit. La densité du lit devait être
maintenue constante durant le déroulement de chaque test pour permettre de découpler
l’effet de l’eau de fluidisation de celui de la densité. Le tonnage d’alimentation devait
également être le même pour tous les essais.
73
Figure 4. 12 : Plan factoriel expérimental présentant les niveaux des facteurs Eau de
fluidisation et densité de pulpe à appliquer lors des sept campagnes d’échantillonnage de
septembre 2011.
Le tableau 4.8 résume les consignes des différentes variables d’entrée (Tonnage
d’alimentation, pourcentage solide de l’alimentation dilué, débit d’eau de fluidisation, débit
d’eau de cône et ouverture de la vanne de sousverse) et variable d’état (densité du lit de
pulpe dans le classificateur) pendant les sept campagnes d’échantillonnage. Les valeurs
obtenues sont compilées dans le tableau A3.20 de la section III des annexes. Les
échantillons recueillis ont été analysés pour déterminer les concentrations de solide, les
distributions granulométriques et les compositions chimiques et granulochimiques
(seulement pour l’alimentation) du solide. Les résultats complets sont à la section III des
annexes (point 3.4).
Tableau 4. 8 : Variables d’entrée et d’état du CPBA en opération lors des campagnes de

septembre 2011
Ouverture
Consigne du Consigne de Consigne de Consigne du
Consigne de la
Date et tonnage dilution de l’eau de débit d'eau
Test de densité vanne de
heure d'alimentation l'alimentation fluidisation de cône
(g/cm³) sousverse
(t/h) (% solide) (L/min) (L/min)
(%)
23/09/2011
1 188 46 2200 250 2.05 47.67
à 9h15
23/09/2011
2 188 46 1800 250 2.05 47.98
à 10h40
23/09/2011
3 188 46 2000 250 1.90 49.29
à 14h20
74
Tableau 4. 8 (suite) : Variables d’entrée et d’état du CPBA en opération lors des
campagnes de septembre 2011
Ouverture
Consigne du Consigne de Consigne de Consigne du
Consigne de la
Date et tonnage dilution de l’eau de débit d'eau
Test de densité vanne de
heure d'alimentation l'alimentation fluidisation de cône
(g/cm³) sousverse
(t/h) (% solide) (L/min) (L/min)
(%)
26/09/2011
4 188 46 2200 250 1.75 62.33
à 13h30
28/09/2011
5 188 46 1700 250 2.05 54.13
à 09h45
28/09/2011
6 188 46 1700 250 1.75 62.95
à 12h20
28/09/2011
7 188 46 1800 250 1.75 45.74
à 14h15
Les caractéristiques de l’alimentation des 7 tests sont résumées au tableau 4.9 et les
distributions granulométriques du solide, du quartz et de l’hématite dans l’alimentation sont
montrées à la figure 4.13 La composition de tête de l’alimentation a été stable pendant le
déroulement des différentes campagnes d’échantillonnage et ce, malgré la variation de la
teneur en quartz dans l’alimentation de 3.88 à 4.21% (tableau 4.9). Bien que les
distributions granulométriques des échantillons de l’alimentation des campagnes 2 et 3
soient légèrement plus fines que pour les autres campagnes (figure 4.13b), il est
acceptable de supposer que l’effet de cette variation sur l’opération du classificateur soit
marginal par rapport au changement de débit d’eau de fluidisation et de densité du lit. Les
distributions granulométriques du quartz (figure 4.13c) et de l’hématite (figure 4.13d) sont
relativement similaires pour les 7 campagnes, à l’exception des tests du 23 septembre qui
présentent quelques différences. La teneur en SiO2 de la fraction +300 μm de
l’alimentation a fluctué au cours de cette journée (tableau 4.9), mais cette variation
demeure minime (voir figure 4.13f). Par contre au niveau des fines particules d’hématite
(figure 4.13e) et de quartz (figure 4.13f), l’alimentation du 23 septembre a subi des
variations qui, étant assez significatives pour une journée, pourraient avoir un impact sur
le rendement poids et la teneur du concentré.
75
Test 5 Test 6 Test 7 Test 5 Test 6 Test 7
100 50
% cumulatif passant
% cumulatif passant
80 40
60 30
40 20
20 10
0 0
10 100 1000 10 100
a) Distribution granulométrique du solide b) Distribution granulométrique des fines
20 35
% retenu Quartz
30
% retenu hématite
15 25
20
10
15
5 10
5
0 0
10 100 1000 10 100 1000
Dimension (μm)
Dimension (μm)
c) Distribution granulométrique de
l'hématite d) Distribution granulométrique du quartz
20 35
% retenu hématite
% retenu Quartz
30
15 25
10 20
15
5 10
5
0 0
10 100 1000 10 100 1000
e) Distribution granulométrique d'hématite f) Distribution granulométrique du quartz
dans l'alimentation du 23 septembre 2011 dans l'alimentation du 23 septembre 2011

l’alimentation du CPBA pour les tests de septembre 2011.
76
Tableau 4. 9 : Teneurs en quartz et en hématite de l’alimentation lors des sept campagnes
d’échantillonnage de septembre 2011 (ARL = % SiO2 du +300 µm)
Eau
Densité du
Campagne fluidisation % hématite % Quartz ARL
lit (-)
(L/min)
1 2200 2.05 94.02 4.21 1.84
2 1800 2.05 94.15 3.96 1.68
3 2000 1.90 93.92 4.18 1.75
4 2200 1.75 94.07 4.14 1.72
5 1700 2.05 94.16 3.88 1.78
6 1700 1.75 93.95 4.04 1.82
7 1800 1.75 93.85 4.16 1.84
4.5. Conclusion
Deux types de campagnes d’échantillonnage ont été effectués dans le cadre de ce projet :
• Des campagnes en régime stationnaire visant à obtenir des données pour étudier
la séparation, dans le classificateur, des particules en fonction de leur taille et
masse volumique.
• Des essais dynamiques pour caractériser la vitesse de réponse de certaines
variables de sortie à des échelons de tonnage, de débits d’eau de fluidisation et de
dilution et de l’ouverture de la vanne de sousverse. On n’a pas pu retrouver des
traces dans la littérature de la réalisation de tels essais sur des classificateurs
hydrauliques.
Le prochain chapitre traite les résultats des essais dynamiques effectués sur le
classificateur primaire A, en avril 2010 et le traitement des données obtenues en régime
stationnaire est présenté au chapitre 6.
77
Chapitre V : Analyse des résultats des essais dynamiques
d’avril 2010
Ce chapitre traite les résultats des essais dynamiques effectués sur le classificateur
primaire A en avril 2010. Les quatre campagnes d’échantillonnage, dont la description se
trouve dans la section 4.2, ont été réalisées en appliquant des variations en échelons sur
les variables manipulables suivantes :
• Le débit d’eau de fluidisation;

• Le débit d’eau de dilution;
• Le tonnage d’alimentation;
• L’ouverture de la vanne de sousverse.
Les variables de sortie considérées pour la discussion sont :
• La densité du lit de pulpe;

• La teneur en SiO2 de la sousverse;
• La teneur en Fe2O3 de la surverse qui, en supposant une composition stable de
l’alimentation et de la sousverse, peut être considérée comme une mesure de la quantité
de fer perdue en surverse. Ainsi, une augmentation de la teneur en fer dans la surverse
traduit une perte de rendement fer et de rendement poids puisque l’oxyde de fer
représente plus de 94% de la matière alimentant le classificateur hydraulique. Quoiqu’il en
soit, l’utilisation d’une variable comme le rendement calculé à partir de l’hypothèse d’un
régime stationnaire doit être interprétée avec soin dans le contexte d’essais dynamiques
pendant lesquels les régimes transitoires priment;
• La concentration de la fraction -212 µm dans le flux de sousverse qui permet de
mesurer l’impact d’une action (tonnage, eau de fluidisation, eau de dilution, position de la
vanne de sousverse…) sur les particules fines, sachant que les particules de plus de 212
µm de la sousverse ne sont presque pas affectées par ces actions (sauf en cas d’une
action sur le tonnage ou sur la vanne de sousverse). Ainsi une diminution de la
concentration des fines (-212 µm) à la sousverse pourrait être interprétée comme le
résultat d’une action qui favorise le déplacement de ces particules vers la surverse.
L’analyse des résultats des essais dynamiques est effectuée à travers le calibrage de
fonctions de transfert. Une fonction de transfert relie les variables d’entrée, dites variables
manipulées, aux variables de sortie (variable contrôlée) d’un procédé [24]. La fonction de
79
transfert décrit les régimes transitoires et stationnaires d’un procédé. L’analyse des
données permet d’obtenir des estimés des gains et constantes de temps des réponses
des différentes variables de sortie aux variations des débits d’eau de fluidisation et de
dilution, de tonnage d’alimentation et de la position de la vanne de sousverse. L’analyse
permet aussi d’obtenir le type de réponse (transmission directe, phase non-minimale ou
réponse inverse…).
5.1. Fonction de transfert d’un procédé

La variation dans le temps d’une variable de sortie à une modification d’une variable
d’entrée peut être modélisée avec une fonction de transfert discrète du type [24] :
yˆ ( i ) =a1 ⋅ yˆ ( i − 1) + a2 ⋅ yˆ ( i − 2 ) + ... + ana ⋅ yˆ ( i − na ) + b0 ⋅ u ( i − d ) + b1 ⋅ u ( ( i − 1) − d ) + ... + bn ⋅ u ( ( i − nb ) − d ) (5. 1)

b
Dans cette équation, ŷ ( i ) est la variable de sortie du modèle. aj et bk sont des

paramètres du modèle dont l’indice j varie de 1 à na et l’indice k de 0 à nb . d est le
délai pur entre le changement dans la variable d’entrée et la réponse de la variable de
sortie. L’ordre du modèle est représenté par le paramètre na et l’instant d’échantillonnage
par le paramètre i. La variation de la variable d’entrée U ( i ) autour d’une valeur de
référence ou d’équilibre U réf est notée u ( i ) et celle de la variable de sortie Y ( i ) autour
d’une valeur de référence ou d’équilibre Yréf .est appelée y ( i ) .
Les variables y ( i ) et u ( i ) sont calculées comme suit :
( i ) U ( i ) − U réf
u= (5. 2)
( i ) Y ( i ) − Yréf
y= (5. 3)
Les valeurs de référence U réf et Yréf peuvent être choisies comme les valeurs moyennes
ou les valeurs de départ (si le procédé est en régime stationnaire au départ c.-à-d. à i=0)
des séries temporelles. Ces valeurs peuvent aussi être estimées lors du calibrage de la
fonction de transfert. Cette dernière approche est utilisée lorsque les résultats d’essais
avec des échelons de la variable d’entrée ne permettent de localiser une position
d’équilibre.
80
Le principe est montré à la figure 5.1 où la position de la variable de sortie change pour
une même valeur de la variable d’entrée. Les situations montrées à la figure 5.1 ont été
observées à quelques reprises sur les résultats des essais dynamiques.
Variable de
Variable
d’entrée
sortie
Changement de
niveau de référence
Temps Temps
Figure 5. 1 : Variation du niveau d’équilibre lors d’un essai dynamique.

La valeur de na correspond à l’ordre du procédé comme mentionnée dans la présentation
des variables de l’équation 5.1. Habituellement les valeurs de na (ordre du modèle) et nb

sont inférieures à 2. Les valeurs des paramètres a j , bk et d de la fonction de transfert
sont habituellement estimées de façon à minimiser le critère des moindres carrés :
t
∑
2
=J  y ( i ) − yˆ ( i )  (5. 4)
i =0
Les détails de la procédure de calibrage sont décrits par Box et Jenkins(1976) [25].
Puisque les modèles ne sont pas dédiés à des fins de contrôle, il n’a pas été jugé
nécessaire pour cette première étude de calibrer un modèle autorégressif à moyenne
mobile (ARMA) sur les résidus (perturbation) du modèle donnés par :
( i ) y ( i ) − yˆ ( i )
e= (5. 5)
Toutefois, une analyse plus approfondie que celle conduite ici, devrait inclure le calibrage
d’un modèle pour la perturbation additive [25].
Une fois le modèle calibré, le gain du procédé peut être estimé à l’aide de :
b0 + b1 + ... + bnb
g= (5. 6)
1 − a1 − a2 − ... − ana
Pour un procédé d’ordre 1 ( na = 1 ), la constante de temps du procédé correspond à :
−∆t
τ= (5. 7)
ln ( a1 )
81
Le pas d’échantillonnage utilisé pour produire les séries temporelles est noté ∆t .
Le modèle de l’équation 5.1 ne comporte qu’une entrée. Cependant, la variation de l’état
d’une variable de sortie du classificateur dépend probablement de l’état de plus d’une
variable d’entrée. Par exemple, la teneur en silice dans la sousverse du classificateur
dépend de la teneur en silice et de la granulométrie de l’alimentation. Idéalement, ces
variables d’entrée devraient être incluses dans le modèle. Cependant, le calibrage devient
complexe assez rapidement. De plus, si l’objectif du projet avait été l’analyse des régimes
dynamiques, des logiciels comme Matlab auraient été utilisés pour faire le traitement des
données. Toutefois, dans le cadre de ce premier travail d’analyse du classificateur
hydraulique, on se limite au calibrage de fonctions de transfert n’ayant qu’une variable
d’entrée afin d’évaluer les gains et constantes de temps propres au classificateur
hydraulique. Ces informations pourront servir au développement du modèle
phénoménologique du classificateur hydraulique.
5.2. Réponse de la densité du lit de pulpe

La figure 5.2 illustre la variation de la densité du lit de pulpe en fonction d’échelons de
débits d’eau fluidisation et de dilution de l’alimentation, du tonnage d’alimentation et de la
position de la vanne de sousverse. La densité du lit de pulpe diminue lorsque le débit
d’eau de fluidisation (figure 5.2a), celui de dilution de l’alimentation (figure 5.2b) et
l’ouverture de la vanne de sousverse (figure 5.2c) augmentent et lorsque le tonnage
d’alimentation (figure 5.2d) diminue. Toutefois, pour les quatre essais, la densité du lit ne
retourne pas à sa valeur initiale lorsque la variable d’entrée est ramenée à sa valeur de
départ. Cette observation pourrait être la conséquence d’un phénomène d’accumulation-
déaccumulation de solide dans le classificateur qui est à l’origine des vidanges conduits
sur une base régulière (voir section 4.2).
82
2200 1,95
Débit d'eau de
Densité du lit
de pulpe (-)
fluidisation
2000 1,90
(L/min)
1800 1,85
1600 1,80
0 30 60 90 120 150 180 0 30 60 90 120 150 180
a) Temps (min) a) Temps (min)
4000 2,00
Densité du lit de
dilution (L/min)
Débit d'eau de
3500
1,95
pulpe (-)
3000
2500 1,90
2000 1,85
0 30 60 90 120 150 180 0 30 60 90 120 150 180
b) Temps (min) b) Temps (min)
210 2,10
d'alimentation
Densité du lit de
200 2,00
Tonnage
(tmn/h)
pulpe (-)
190 1,90
180 1,80
170 1,70
0 40 80 120 160 200 240 0 40 80 120 160 200 240
c) Temps (min) c) Temps (min)
44 2,10
Ouverture de la
Densité du lit de
sousverse (%)
42 2,00
vanne de
pulpe (-)
40 1,90
38 1,80
36 1,70
0 40 80 120 160 200 0 40 80 120 160 200
d) Temps (min) d) Temps (min)
Figure 5. 2 : Variation de la densité du lit de pulpe par rapport aux échelons sur les débits
d’eau de fluidisation (a) et de dilution de l’alimentation (b), le tonnage d’alimentation (c) et
l’ouverture de la vanne de sousverse (d) du CPBA.
La réponse de la densité du lit de pulpe aux différents échelons des variables d’entrée
s’apparente à celle d’un procédé d’ordre 1 avec délai. Pour les quatre variables d’entrée
considérées, un délai d’une période de temps s’est avéré adéquat pour modéliser le
comportement de la densité du lit. Pour chaque variable d’entrée trois modèles
dynamiques de la densité sont déterminés : Modèles à un paramètre (b0), à deux
paramètres (b0 et a1) et à trois paramètres (b0, a1 et b1). Les valeurs estimées des
paramètres sont données au tableau 5.1. Les valeurs de référence des variables d’entrée
correspondent aux valeurs moyennes de ces variables pendant l’essai.
83
Les valeurs de référence de la densité du lit sont calibrées en même temps que les
paramètres (aj et bk) lors de la minimisation du critère de l’équation 5.4. Le critère sans
modèle (voir tableau 5.1) correspond à la variation de la variable de sortie. Cette valeur
permet d’évaluer la contribution du modèle à expliquer la variation dans la sortie.
Tableau 5. 1 : Paramètres des fonctions de transfert pour la densité du lit de pulpe.
Afin de déterminer si les paramètres a1 et b1 sont significatifs, la variable de Fischer est

calculée selon [26] :
 
 J modèle à un paramètre − J modèle à deux paramètres 
F =  (5. 8)
 J modèle à deux paramètres 
 
 N −2 
Pour déterminer l’utilité d’ajouter le paramètre b1 au modèle en b0 et a1 la variable F
suivante est calculée :
84
 
 J modèle à deux paramètres − J modèle à trois paramètres 
F =  (5. 9)
 J modèle à trois paramètres 
 
 N −3 
Le nombre de données dans la série temporelle est noté N .
Lorsque la valeur de F est supérieure à 5, l’ajout d’un paramètre peut être considéré
comme une contribution significative à l’explication de la variation de la variable de sortie
[26]. L’observation du tableau 5.2, où sont données les valeurs de F pour les 4 systèmes
entrée-sortie considérés, montre que pour le cas de la variation du débit d’eau de
fluidisation, seul le modèle de densité à deux paramètres est à considérer alors que pour
les autres cas, ce sont les modèles à trois paramètres qui doivent être pris en compte.
Tableau 5. 2 : F-test pour déterminer la significativité des paramètres ajoutés au modèle de

la densité du lit de pulpe dans le CPBA
Les équations qui suivent représentent les modèles, d’ordre 1 avec un délai d’une unité,
de la densité du lit de pulpe obtenue en variant les quatre variables d’entrée.
( i ) 8.68 ⋅10−1 × ∆ Lit ( i − 1) − 2.60 ⋅10−5 × eF ( i − 1)

∆ Lit =
(5. 10)
Avec ∆ Lit ( i ) = δ Lit ( i ) − δ Lit et eF = EF ( i ) − EF
réf réf
∆ Lit ( i )= 9.59 ⋅10−1 × ∆ Lit ( i − 1) − 2.64 ⋅10−5 × eD ( i − 1) + 2.23 ⋅10−5 × eD ( i − 2 )

(5. 11)
eD ED ( i ) − ED
Avec=
réf
85
∆ Lit ( i )= 9.23 ⋅10−1 × ∆ Lit ( i − 1) + 4.57 ⋅10−3 × wpa ( i − 1) − 3.61 ⋅10−3 × wpa ( i − 2 )
(5. 12)
pa ( i )
Avec w= W pa ( i ) − W pa
réf
∆ Lit ( i )= 9.28 ⋅10−1 × ∆ Lit ( i − 1) − 2.31 ⋅10−2 × ovs ( i − 1) + 1.83 ⋅10−2 × ovs ( i − 2 )
(5. 13)
ovs ( i ) OVS ( i ) − OVSréf
Avec =
δLit est la densité du lit de pulpe et est adimensionnel. Les débits d’eau de fluidisation et
de dilution de l’alimentation sont notés E F et E D respectivement et sont exprimés en
L/min. W pa est le tonnage d’alimentation (tmn/h) et OVS , l’ouverture de la vanne de
sousverse (%).
Les variations de densité du lit, prédites avec les équations 5.10 à 5.13, sont superposées
avec les résultats expérimentaux et les signaux d’excitation à la figure 5.3. Les modèles
suivent bien les données expérimentales, surtout dans les cas de variation du tonnage
d’alimentation (figure 5.3c) et de l’ouverture de la vanne de sousverse (figure 5.3d).
Figure 5. 3 : Modèle dynamique de la densité du lit de pulpe obtenue en variant le débit

d’eau de fluidisation (a), de dilution (b), le tonnage d’alimentation (c) et l’ouverture de la
vanne de sousverse (d).
86
Les constantes de temps des modèles de densité obtenus, présentées dans le tableau
5.3, varient entre 14 et 48 minutes. Les gains négatifs des fonctions de transfert ayant
comme variable d’entrée l’eau de fluidisation, l’eau de dilution et l’ouverture de la vanne de
sousverse sont cohérents avec la physique de l’opération du classificateur. Les gains des
quatre modèles sont difficilement comparables puisque leurs unités sont différentes. Pour
les comparer, un gain relatif est déterminé en faisant le produit entre le gain de chaque
modèle et la valeur de référence de la variable d’entrée de chaque procédé. Un exemple
de calcul du gain relatif est présenté au point 4.2.1 de la section IV des annexes.
L’observation de ces résultats montre que, des quatre variables opératoires modifiées,
celle qui a le plus d’impact sur la densité du lit est l’ouverture de la vanne de sousverse, ce
qui est cohérent avec le fait que la densité du lit soit contrôlée par la vanne de sousverse à
l’usine de boulettage. La plus faible constante de temps est observée pour le couple eau
de fluidisation et densité du lit de pulpe.
modèles de densité de lit de pulpe et calcul du gain relatif
Gain du modèle Gain relatif du Constante
Variable d’entrée de densité du lit modèle de densité de temps :
de pulpe : g du lit de pulpe τ
Débit d’eau de fluidisation -1.97E-04 (L/min)-1 -0.384 14.12 min
Débit d’eau de dilution -9.90E-05 (L/min)-1 -0.294 47.63 min
Tonnage d’alimentation 1.25E-02 (tmn/h)-1 2.39 25.03 min
Ouverture de la vanne de sousverse -6.61E-02 (%OVS)-1 -2.62 26.79 min
5.3. Réponse de la teneur en Fe2O3 de la surverse

La teneur en fer de la surverse est utilisée comme une mesure indirecte du rendement fer
et même du rendement poids du classificateur. Les variations observées pour les 4 essais
sont montrées à la figure 5.4. En théorie, une augmentation du débit d’eau de fluidisation,
de celui d’eau dilution et du tonnage d’alimentation et, une diminution de l’ouverture de la
vanne de sousverse devraient produire une augmentation de l’entraînement d’oxyde de fer
(rendement fer) à la surverse du classificateur et par le fait même de la concentration de
cet oxyde dans ce flux. Ce comportement est observable à la figure 5.4 pour le tonnage
d’alimentation (figure 5.4c) et l’ouverture de la vanne de sousverse (figure 5.4d). L’impact
des débits d’eau de dilution et de fluidisation sur la variation de la concentration de Fe2O3
en surverse est masqué par l’erreur de mesure.
87
Débit d'eau de 2200 88,0
fluidisation 84,0
% Fe2O3 en
2000
(L/min)
surverse
80,0
1800 76,0
1600 72,0
0 30 60 90 120 150 180 0 30 60 90 120 150 180
4000 84,0
dilution (L/min)
Débit d'eau de
3500 82,0
% Fe2O3 en
surverse
3000 80,0
2500 78,0
2000 76,0
0 30 60 90 120 150 180 0 30 60 90 120 150 180
210 90,0
d'alimentation
200 % Fe2O3 en 85,0

Tonnage
(tmn/h)
surverse
190 80,0
180 75,0
170 70,0
0 40 80 120 160 200 240 0 40 80 120 160 200 240
44 90,0
Ouverture de la
85,0
sousverse (%)
42
% Fe2O3 en
surverse
vanne de
40 80,0
38 75,0
36 70,0
0 40 80 120 160 200 0 40 80 120 160 200
Figure 5. 4 : Variation de la teneur en Fe2O3 en surverse du CPBA par rapport aux
échelons sur les débits d’eau de fluidisation (a) et de dilution de l’alimentation (b), le
tonnage d’alimentation (c) et l’ouverture de la vanne de sousverse (d).
Le tableau 5.4 compile les paramètres des modèles d’ordre 1 avec un délai d’une unité
des teneurs en Fe2O3 obtenues en variant chaque variable d’entrée. L’eau de dilution est
probablement la variable d’entrée la moins bien couplée à la variable de sortie. La
variation de la teneur en Fe2O3 pour cet essai est d’environ 117 (critère sans modèle) et la
variation non-expliquée par le meilleur modèle est supérieure à 100 (critère J).
L’application du test de Fischer permet de retenir les modèles suivants :
xFe O , r ( i )= 8.78 ⋅10−1 × xFe O , r ( i − 1) + 1.40 ⋅10−2 × eF ( i − 1) − 1.35 ⋅10−2 × eF ( i − 2 ) (5. 14)
2 3 2 3
88
xFe O , r ( i )= 4.58 ⋅10−1 × xFe O , r ( i − 1) + 2.03 ⋅10−3 × eD ( i − 1) − 1.81⋅10−3 × eD ( i − 2 ) (5. 15)
2 3 2 3
xFe O , r ( i )= 8.37 ⋅10−1 × xFe O , r ( i − 1) + 4.42 ⋅10−2 × wpa ( i − 1) (5. 16)

2 3 2 3
xFe O , r ( i ) = 8.40 ⋅10−1 × xFe O , r ( i − 1) − 2.22 ⋅10−1 × ovs ( i − 1) (5. 17)

2 3 2 3
Fe O , r ( i ) X Fe O , r ( i ) − X Fe O , r
Avec x=
2 3 2 3 2 3 réf
. X Fe2O3 , r est la teneur en Fe2O3, exprimée
en pourcentage (%), dans la surverse du CPBA.
Le test de Fisher qui permet de retenir les modèles des équations 5. 16 et 5. 17 n’est
probablement pas adapté à la modélisation des séries temporelles qui fait intervenir un
grand nombre de données (N>100), ce qui favorise l’obtention de valeurs élevées pour la
variable F comme le montre le tableau A4.4 (point 4.3 de la section IV des annexes).
teneur en Fe2O3 en surverse du CPBA pour les quatre variables d’entrée modifiées
Les prédictions des teneurs en Fe2O3 obtenues avec les modèles d’ordre 1 sont illustrées
à la figure 5.5. Les prédictions sont assez bonnes pour le tonnage d’alimentation (figure
5.5c) et l’ouverture de la vanne de sousverse (figure 5.5d). La prédiction est acceptable
89
pour le débit d’eau de fluidisation (figure 5.5a), mais confirme que la teneur en Fe2O3 en
surverse n’est pas significativement affectée par la dilution de l’alimentation (figure 5.5b).
Un dépassement est observé dans le cas du débit d’eau de fluidisation. Le dépassement
mesure de combien la réponse excède la valeur obtenue au nouveau régime stationnaire
lorsqu’un échelon est appliqué à l’entrée [24]. La teneur en Fe2O3 augmente d’abord avec
la hausse du débit d’eau de fluidisation puis elle diminue graduellement alors que le
système atteint un régime permanent. Ce phénomène pourrait être attribué à une baisse
de densité du lit due à l’introduction d’un plus grand débit d’eau dans le classificateur (voir
figure 5.3a) suivie d’un rééquilibrage de la densité du lit de pulpe suite à l’établissement du
nouvel état d’équilibre. Le tableau 5.3 montre que la densité du lit retourne plus vite à
l’équilibre lorsque c’est le débit d’eau de fluidisation qui est modifié (constante de temps
d’environ 14 min).
Figure 5. 5 : Modèle dynamique de la teneur en Fe2O3 en surverse du CPBA, obtenue en

variant le débit d’eau de fluidisation (a), de dilution (b), le tonnage d’alimentation (c) et
l’ouverture de la vanne de sousverse (d).
La comparaison des gains relatifs, présentés au tableau 5.5, montre que la variable
opératoire qui a le plus d’impact sur la teneur en Fe2O3 de la surverse est l’ouverture de la
vanne de sousverse du classificateur. Les signes des gains de chaque procédé vont dans
le sens de la physique. Et donc, des pertes de Fe2O3 en surverse sont occasionnées dans
90
les conditions d’opération avec de hauts débits d’eau de fluidisation et de dilution de
l’alimentation, de hauts tonnages d’alimentation et de faibles ouvertures de la vanne de
sousverse.
modèles de teneur en Fe2O3 en surverse du CPBA et calcul du gain relatif
Gain relatif du
Gain du modèle Constante de
modèle de
Variable d’entrée de teneur en temps :
teneur en
Fe2O3 : g τ
Fe2O3
4.22E-03
Débit d’eau de fluidisation 8.21 % 15.35 min
%Fe2O3/L/min
4.07E-04
Débit d’eau de dilution 1.21 % 2.56 min
%Fe2O3/L/min
2.72E-01
Tonnage d’alimentation 52.1 % 11.27 min
%Fe2O3/tmn/h
-1.39E-00
Ouverture de la vanne de sousverse -55.0 % 11.47 min
%Fe2O3/%OVS
5.4. Réponse de la teneur en silice (SiO2) de la sousverse

Comme dans le cas de la teneur en Fe2O3, une augmentation du débit d’eau de
fluidisation, de celui de dilution de l’alimentation, du tonnage d’alimentation et une
fermeture de la vanne de sousverse devraient favoriser une augmentation de
l’entraînement des minéraux porteurs de silice (quartz et mica) vers la surverse et par
conséquent une baisse de la teneur en SiO2 dans le concentré du classificateur en
supposant une teneur en SiO2 constante à l’alimentation. Ce comportement n’est pas
observable à la figure 5.6. L’insensibilité de la teneur en silice aux différentes variables
d’entrée étudiées est probablement causée par le fait que ces variations sont
probablement insuffisantes pour faire varier la teneur en SiO2 à l’extérieur de la plage de
ses erreurs de mesure. L’observation de la figure 5.6b montre cependant une
augmentation de la concentration des minéraux porteurs de silice en sousverse malgré la
variation du débit d’eau de dilution de l’alimentation. Ce phénomène pourrait être lié à
l’augmentation de la teneur de ces minéraux à l’alimentation, survenue lors du
déroulement de ce test tel que mentionné dans la section 4.2.2 du chapitre 4 (figure 4.4b).
De plus, en se fiant sur le fait que le débit d’eau de dilution de l’alimentation affecte très
peu les variables de sortie du classificateur, la teneur en silice ne devait normalement pas
beaucoup varier suite à un changement de l’état de cette variable d’entrée.
91
2200 1,50
Débit d'eau de
sousverse
% SiO2 en
fluidisation 2000 1,40
(L/min) 1800 1,30
1600 1,20
0 30 60 90 120 150 180 0 30 60 90 120 150 180
4000 1,70
Débit d'eau de
sousverse
% SiO2 en
1,50
dilution
(L/min)
3000
1,30
2000 1,10
0 30 60 90 120 150 180 0 30 60 90 120 150 180
210 1,70
d'alimentation
sousverse
% SiO2 en
1,50
Tonnage
(tmn/h)
190
1,30
170 1,10
0 40 80 120 160 200 240 0 40 80 120 160 200 240
45 1,70
sousverse (%)
Ouverture de
sousverse
% SiO2 en
la vanne de
1,50
40
1,30
35 1,10
0 40 80 120 160 200 0 40 80 120 160 200
Figure 5. 6 : Variation de la teneur en SiO2 en sousverse du CPBA par rapport aux
échelons sur les débits d’eau de fluidisation (a) et de dilution de l’alimentation (b), le
Le tableau 5.6 compile les paramètres des modèles d’ordre 1 avec un délai d’une unité
des teneurs en SiO2 obtenues en variant chaque variable d’entrée. La comparaison entre
les valeurs du critère sans modèle et avec modèle, présentées dans le tableau 5.6,
confirme la faible contribution des modèles à l’explication du comportement de la variable
de sortie. La superposition des modèles retenus à partir du test de Fischer (voir point 4.6
de la section IV des annexes) avec les valeurs expérimentales, présentée à la figure 5.7,
montre également que ces modèles ne permettent pas d’expliquer la variation de la teneur
en SiO2 dans la sousverse du classificateur.
92
teneur en SiO2 en sousverse du CPBA pour les quatre variables d’entrée modifiées
Figure 5. 7 : Modèle dynamique de la teneur en SiO2 en sousverse du CPBA, obtenue en

variant le débit d’eau de fluidisation (a), de dilution (b), le tonnage d’alimentation (c) et
l’ouverture de la vanne de sousverse (d).
93
5.5. Réponse de la teneur des fines particules (-212 µm) en
sousverse
En théorie, une augmentation des débits d’eau de fluidisation et de dilution de
l’alimentation, du tonnage d’alimentation et une fermeture de la vanne de sousverse
devrait favoriser l’entraînement des fines particules (ici la fraction -212 µm) vers la
surverse et par conséquent réduire leur envoi vers la sousverse. À l’exception de la
réponse à un changement de débit d’eau de dilution, ce comportement est visible dans les
variations de la concentration des fines en sousverse montrées à la figure 5.8.
2200 32,0
% -212 µm en
Débit d'eau de
fluidisation
sousverse
2000 28,0
(L/min)
1800 24,0
1600 20,0
0 30 60 90 120 150 180 0 30 60 90 120 150 180
4000 24,0
% -212 µm en
dilution (L/min)
Débit d'eau de
sousverse
22,0
3000
20,0
2000 18,0
0 30 60 90 120 150 180 0 30 60 90 120 150 180
210 28,0
d'alimentation
% -212 µm en
sousverse
Tonnage
(tmn/h)
24,0
190
20,0
170 16,0
0 40 80 120 160 200 240 0 40 80 120 160 200 240
45 30,0
Ouverture de la
% -212 µm en
sousverse (%)
26,0
sousverse
vanne de
40
22,0
35 18,0
0 40 80 120 160 200 0 40 80 120 160 200
Figure 5. 8 : Variation de la teneur en fines particules (-212 µm) en sousverse du CPBA
l’alimentation (b), le tonnage d’alimentation (c) et l’ouverture de la vanne de sousverse (d).
Le tableau 5.8 compile les paramètres des modèles d’ordre 1 avec un délai unitaire de la
teneur en fines particules en sousverse, obtenue en fonction des quatre variables d’entrée
94
considérées pour l’étude. La comparaison entre les valeurs du critère sans modèle et avec
modèle montre que les modèles contribuent significativement à l’explication du
comportement de la teneur des fines particules en sousverse du classificateur. Toutefois,
cette contribution est faible dans le cas de l’eau de dilution.
teneur en fines particules (-212 µm) en sousverse du CPBA pour les quatre variables
d’entrée modifiées
Les modèles identifiés comme significatifs par le test de Fisher, présenté au point 4.7 de la
section IV des annexes, correspondent à :
x−212 µ m, c ( i )= 7.66 ⋅10−1 × x−212 µ m, c ( i − 1) − 1.03 ⋅10−2 × eF ( i − 1) + 8.80 ⋅10−3 × eF ( i − 2 )

(5. 18)
x−212 µ m, c ( i ) =
−3.57 ⋅10−4 × eD ( i − 1) (5. 19)
x−212 µ m, c ( i )= 7.83 ⋅10−1 × x−212 µ m, c ( i − 1) − 4.00 ⋅10−2 × wpa ( i − 1) (5. 20)
x−212 µ m, c ( i ) = 8.60 ⋅10−1 × x−212 µ m, c ( i − 1) + 5.87 ⋅10−1 × ovs ( i − 1) − 4.37 ⋅10−1 × ovs ( i − 2 )
(5. 21)
95
−212 µ m , c ( i )
Avec x= X −212 µ m, c ( i ) − X −212 µ m, c
réf
. X -212 µ m, c est la teneur en fines
particules (-212 µm), exprimée en pourcentage, dans la sousverse du CPBA.
Les variations prédites de la teneur en particules de dimension inférieure à 212 µm dans le

concentré du CPBA sont illustrés à la figure 5.9. Les modèles prédisent bien l’expérience,
sauf dans le cas de l’eau de dilution de l’alimentation, probablement parce que cette eau
est évacuée rapidement en surverse et ne participe pas au nettoyage du solide qui a déjà
sédimenté. Il y a présence d’un dépassement, dans le cas de l’eau de fluidisation (figure
5.9a), qui est probablement la conséquence d’un impact initial de l’eau de fluidisation sur
la densité du lit suivi de l’effet d’un réajustement de la densité du lit de pulpe.
Les signes de gains de chaque modèle, présentés dans le tableau 5.9, sont cohérents
avec la physique du procédé, c.à.d. que la teneur des fines particules diminue en
sousverse du classificateur avec l’augmentation du débit d’eau de fluidisation, du tonnage
de l’alimentation et la diminution du pourcentage d’ouverture de la vanne de sousverse.
L’ouverture de la vanne de sousverse a un impact plus élevé, sur la teneur des fines
particules en sousverse, que le débit d’eau de fluidisation et le tonnage d’alimentation. Les
constantes de temps varient entre 7 et 14 minutes, ce qui est cohérent avec l’estimé du
temps de séjour moyen (environ 13 minutes), dans le classificateur, des particules
recueillies en sousverse du CPBA. Le calcul de ce temps de séjour est présenté au point
4.1 de la section IV des annexes.
Figure 5. 9 : Modèle dynamique de la teneur en fines particules (-212 µm) en sousverse du

CPBA, obtenue en variant le débit d’eau de fluidisation (a), de dilution (b), le tonnage
d’alimentation (c) et l’ouverture de la vanne de sousverse (d).
96
Figure 5. 9 (suite) : Modèle dynamique de la teneur en fines particules (-212 µm) en
sousverse du CPBA, obtenue en variant le débit d’eau de fluidisation (a), de dilution (b), le
modèles de teneur en fines particules (-212 µm) en sousverse du CPBA et calcul du gain
relatif
Gain du modèle Gain relatif du
Constante
de teneur en modèle de
Variable d’entrée de temps :
fines (-212 µm) : teneur en fines (-
g 212 µm) τ
-6.29E-03
Débit d’eau de fluidisation -12.2 % 7.49 min
%-212 µm/L/min
-3.57E-04
Débit d’eau de dilution -1.10 % -
%-212 µm/L/min
-1.84E-01
Tonnage d’alimentation -35.1 % 8.18 min
%-212 µm/tmn/h
Ouverture de la vanne de 1.07E+00
42.6 % 13.30 min
sousverse %-212 µm/%OVS
5.6. Conclusion
Les résultats du calibrage des fonctions de transfert sont résumés au tableau 5.9. Dans la
plupart des cas les gains sont cohérents avec la physique du procédé. Les constantes de
temps des réponses dynamiques des particules varient entre 2 et 9 minutes pour les
particules sortant par la surverse et entre 7 et 14 minutes pour celles sortant par la
sousverse du classificateur. Ces valeurs correspondent assez bien au temps de séjour
moyen de ces particules dans le classificateur qui, présenté dans le tableau A4.3 (voir
point 4.1 de la section IV des annexes), est estimé à environ 5 minutes pour les particules
de la surverse et environ 13 minutes pour celles de la sousverse. La significativité
(Variable S au tableau 5.9) est une mesure suggestive du degré de confiance qui peut être
attribué au modèle.
97
Le choix de l’ouverture de la vanne pour la régulation de la densité du lit de pulpe est
correct puisque cette variable d’entrée produit un impact important sur la densité du lit de
pulpe. L’ouverture de la vanne affecte aussi le rendement poids approximé par la teneur
en Fe2O3 en surverse. Le choix d’une variable pour la régulation de la teneur en SiO2 en
sousverse n’est pas évident puisque les actions prises sur les variables manipulées
étaient insuffisantes pour bien dégager la variation du SiO2 du bruit de mesure. Ces
observations préliminaires font ressortir la nécessité de construire un modèle
phénoménologique permettant de tenir compte de toutes les variables qui influencent les
variables de sortie du classificateur et aussi de dégager les réponses de ces variables de
sortie du bruit de mesure.
Tableau 5. 9 : Gains (g), constantes de temps (τ) et significativité (S) des modèles
(+=Forte, 0 =Moyenne et - =Faible).
Ouverture de la
Variable Eau de Eau de dilution de Tonnage
vanne de
de sortie fluidisation l’alimentation d’alimentation
sousverse
g=-1.97E-04 g=-1.19E-04 g=1.25E-02 g=-6.60E-02
Densité du
(L/min)-1 (L/min)-1 (tmn/h)-1 (%OVS)-1
lit de
τ =14.12 min τ =47.63 min τ =25.03 min τ =26.79 min
pulpe
S= 0 S= 0 S= + S= +
g=4.22E-03 g=4.07E-04 g=2.72E-01 g=-1.39E-00
% Fe2O3
%Fe2O3/L/min %Fe2O3/L/min %Fe2O3/tmn/h %Fe2O3/%OVS
en
surverse τ =15.35 min τ =2.56 min τ =11.27 min τ =11.47 min
S= + S= - S= + S= +
g=-9.37E-07 g=-1.32E-04 g=-1.86E-03 g=8.08E-03
% SiO2 en %SiO2/L/min %SiO2/L/min %SiO2/tmn/h %SiO2/%OVS
sousverse τ 0 τ =32.63 min τ 0 τ 0
S= - S= - S= - S= -
g=-6.29E-03 g=-3.57E-04 g=-1.84E-01 g=1.07E+00
% -212
%-212 µm/L/min %-212 µm/L/min %-212 µm/tmn/h %-212 µm/%OVS
µm en
τ =7.49 min τ 0 τ =8.18 min τ =13.30 min
sousverse
S= 0 S= - S= + S= +
Les observations faites ici, sur les tests en régime dynamique, seront confrontées à celles
qui seront obtenues des essais en régime stationnaire. Le prochain chapitre traite des
données obtenues en régime d’opération stationnaire.
98
Chapitre VI : Traitement et analyse des données des
essais sur le classificateur opérant en régime statique
Ce chapitre traite les résultats des campagnes d’échantillonnage réalisées avec le
classificateur opérant en régime statique. La première section décrit la méthode de
réconciliation utilisée pour les données des campagnes réalisées sans analyse
granulochimique et l’analyse des données réconciliées. La deuxième section, quant à elle,
traite de la réconciliation et de l’analyse des données réconciliées des campagnes avec
analyses granulochimiques.
6.1. Campagnes sans analyse granulochimique

Les échantillons des campagnes d’échantillonnage conduites en septembre ont été
analysés pour obtenir des analyses chimiques de tête et la distribution granulométrique du
solide des flux du classificateur. La méthode de traitement des mesures et les résultats de
l’analyse des données sont présentés dans cette section.
6.1.1. Réconciliation des données par bilan de matière

6.1.1.1. Principe
Le but de la réconciliation des données est de rendre cohérentes, du point de vue de la
conservation de la matière, des données mesurées, et d’estimer des données
manquantes grâce à des contraintes de bilan de matière. Un traitement de données par
réconciliation des bilans de matière augmente la reproductibilité des variables estimées à
travers la covariance introduite dans les données réconciliées [27]. Toutefois, pour que la
réconciliation soit efficace, les erreurs systématiques doivent être éliminées avant de
procéder à la réconciliation de ces données puisque ces erreurs peuvent conduire à des
estimés de moins bonne qualité que les mesures.
La réconciliation par bilan de matière, tout comme la détection des erreurs grossières, fait
usage d’une notion appelée la redondance des données. Il existe deux types de
redondance : la redondance spatiale des mesures qui consiste en la répartition physique
des mesures dans l’usine et la redondance temporelle qui provient de l’acquisition à plus
ou moins haute fréquence des mêmes mesures. La redondance spatiale est essentielle à
la résolution des équations de bilan alors que la redondance temporelle permet une
estimation de la qualité des mesures.
99
Typiquement, les variables de procédé sont reliées entre elles par les lois de la physique
et de la chimie dont celles de la conservation de la matière et/ou de l’énergie. Ces lois
permettent d’écrire les équations qui supportent la réconciliation par bilan de matière.
Dans tous les cas de réconciliation de données par un bilan de matière, il est question de
minimiser les ajustements sur les mesures de telle sorte que toutes les contraintes de
bilan de matière soient respectées simultanément par les valeurs estimées de variables
non mesurées et mesurées. Le critère de minimisation utilisé pour la réconciliation
correspond à :
(
 N Flux Nanalyse X − Xˆ
) (W ) 
2 2
N Flux − Wˆ j
( )
 i, j i, j j  Soumis à H Xˆ , Wˆ = 0
Min  ∑ ∑ σ Xi, j
2
+ ∑ σ W2 j  i, j j (6. 1)
Xˆ i , j ,Wˆ j =j 1 =i 1 =j 1
 
Dans cette expression, les estimés de réconciliation sont identifiés en ajoutant un accent
circonflexe sur le symbole de la variable. Un débit de solide est noté ( W ) et une analyse
chimique ou granulométrique ( X ). Finalement, σ 2 désigne la variance de la mesure. La

pondération dans le critère par l’inverse de la variance permet d’avoir des estimés de
réconciliation qui peuvent s’éloigner des mesures non reproductibles ( σ 2 élevé) et qui
doivent s’approcher des mesures reproductibles ( σ 2 faible). L’indice i représente un
élément chimique ou une tranche granulométrique et l’indice j désigne un flux de matière.
La contrainte de bilan de matière est exprimée H Xˆ i , j , Wˆ j = 0 indiquant que les valeurs ( )

ajustées Xˆ i , j et Wˆ j doivent respecter la contrainte de la conservation de la matière [27].
Il existe différents outils de réconciliation de données par bilan de matière tels que
BILMAT (distribué par Algosys) [28], BILCO (conçu par le Bureau de recherches
géologiques et minières : BRGM) [29], VALI (conçu par Belsim) [30], etc. Les données des
campagnes d’échantillonnage de ce travail ont été réconciliées à l’aide d’un outil dérivé de
BILMAT et permettant de faire le calcul dans Excel Microsoft TM.
6.1.1.2. Procédure de réconciliation des données des campagnes

d’échantillonnage de septembre 2011
L’écriture de l’équation de la contrainte de la conservation de la matière dépend du
procédé ou de l’équipement employé. L’exemple suivant porte sur la réconciliation des
données des campagnes d’échantillonnage effectuées en septembre 2011 sur le
classificateur hydraulique CPBA. Le réseau du procédé est montré à la figure 6.1.
100
Le bilan d’eau fait intervenir quatre flux d’entrée et deux courants de sortie comme l’illustre
la figure 6.2. Les variables mesurées lors des différentes campagnes d’échantillonnage
sont décrites dans le tableau 6.1.
1
, ,
Figure 6. 1: Réseau du solide pour le classificateur hydraulique.
5
3
Figure 6. 2 : Réseau de conservation de l’eau dans le classificateur hydraulique.
101
Tableau 6. 1 : Mesures effectuées lors de la réalisation des sept campagnes de septembre
2011
Symbole Nom Unité
W pa débit de solide alimenté (Concentré de Mont-Wright humide) tmn/h
Xa , Xc Teneur en oxydes (Fe2O3, SiO2, etc) ou pourcentage retenu des
particules (Classes granulométriques +850 µm à -106 µm) à %
et X r l’alimentation, au concentré et au rejet du classificateur
a, s c et Pourcentage solide de l’alimentation non diluée (concentré de
%
sr Mont-Wright humide), du concentré et du rejet du classificateur
EF Débit d’eau de fluidisation L/min
ED Débit d’eau de dilution de l’alimentation L/min
ECoˆ Débit d’eau de cône L/min
La contrainte de conservation de la matière H Xˆ i , j , Wˆ j = 0 , pour les tranches ( )

granulométriques et les oxydes est donnée par :
Xˆ i ,a − d c ⋅ Xˆ i ,c − (1 − d c ) ⋅ Xˆ i ,r =
0 (6. 2)
Où le débit relatif
Débit de solide à la sousvserse Wˆc

=dc = (6. 3)
Débit de solide à l ' alimentation Wâ
Le développement de l’expression du bilan d’eau ( Ea + EF + ED + ECoˆ = Ec + Er ) autour du
classificateur, présenté à la section 5.1 des annexes, donne la formule de contrainte

suivante :
 100 − sâ  Eˆ F Eˆ D Eˆ Cô sˆ  100 − sˆc  sâ  100 − sˆr 

 +
 ˆ + + − dc ⋅ a ⋅  − (1 − d c ) ⋅ ˆ ⋅ =0 (6. 4)
 100  W pa Wˆ pa Wˆ pa sˆc  100  sr  100 
Le critère de réconciliation est donné par :
2 2 2 2
Nanalyse 
 Nanalyse  X − Xˆ  Nanalyse  X − Xˆ   s − sˆ 
X i ,a − Xˆ i ,a
J= ∑   + ∑  i ,c i ,c  + ∑  i , r i , r  +  a a 
=i 1 = σX  i 1=  σX  i 1  σ X i ,r   σ sa 
 i ,a   i ,c    (6. 5)
2 2 2 2 2 2
 s − sˆ   s − sˆ   Wp − Wˆ p   E − Eˆ   E − Eˆ   E − Eˆ 
+ c c  + r r  + a a
 +  F F  +  D D  +  Coˆ Coˆ 
 σs   σs   σW   σE   σE   σE 
 c   r   pa   F   D   Coˆ 
102
La méthode de résolution consiste à poser des valeurs de Eˆ F , Eˆ D , Eˆ Coˆ , sâ , sˆc , sˆr et
d c qui permettent de déduire Wˆ pa :
Eˆ F + Eˆ D + Eˆ Coˆ
Wˆ pa = (6. 6)
sˆ  100 − sˆc  sˆ  100 − sˆr   100 − sâ 
dc ⋅ a ⋅   + (1 − d c ) ⋅ a ⋅  − 
sˆc  100  sˆr  100   100 
Une fois Wˆ pa déterminé, des estimés des débits de solide peuvent également être
calculés :
W
=ˆ Wˆ × sˆ ; Wˆ= ˆ ˆ ˆ
c Wa × d c ; Wr = Wa × (1 − d c ) (6. 7)
a pa a
À l’aide de la valeur de d c , les estimés des teneurs et fractions granulométriques sont
déterminés en formulant le lagrangien [27] du critère de ces variables qui est définit
comme suit :
=L Critère + 2 ⋅ λ ⋅ Contrainte
Où λ est le multiplicateur de Lagrange.
2 2 2
 Xˆ i ,a − X i ,a
  Xˆ i ,c − X i ,c   Xˆ i ,r − X i ,r 
Le critère est calculé comme suit : J =   +  +  .
 σX   σX   σX 
  
i ,a i ,c   i , r 
La contrainte quant-à-elle est issue du bilan de solide : X i ,a − d c ⋅ X i ,c − (1 − d c ) ⋅ X i ,r =
ˆ ˆ ˆ 0.
D’où la fonction de Lagrange devient :

2 2 2
 Xˆ i ,a − X i ,a   Xˆ i ,c − X i ,c   Xˆ i ,r − X i ,r 
L =
 σX
 +
  σX
 +
  σX  (
 + 2 ⋅ λ ⋅ Xˆ i ,a − d c ⋅ Xˆ i ,c − (1 − d c ) ⋅ Xˆ i ,r )
 i ,a   i ,c   i ,r 
(6. 8)
Le Lagrangien est dérivé par rapport aux variables à estimer, ce qui permet d’obtenir les
expressions des estimés des teneurs et fractions granulométriques suivantes :
Xˆ i ,a= X i ,a − λ ⋅ σ X
2
i ,a
(6. 9)
Xˆ i ,c= X i ,c + λ ⋅ d c ⋅ σ X2 i ,c (6. 10)
Xˆ i ,r= X i ,r + λ ⋅ (1 − d c ) ⋅ σ X (6. 11)

2
i ,r
103
X i ,a − d c ⋅ X i ,c − (1 − d c ) ⋅ X i ,r
Avec λ = . Le développement pour aboutir aux équations
σ X2 i ,a + d c2 ⋅ σ X2 i ,c + (1 − d c ) ⋅ σ X2 i ,r
2
6.9 à 6.11 est présenté dans la section 5.1 des annexes.
Les estimés des variables mesurées sont ensuite insérés dans le critère et les variables
Eˆ F , Eˆ D , Eˆ Coˆ , sâ , sˆc , sˆr et d c sont modifiées jusqu’à ce que les valeurs qui minimisent
le critère soient trouvées. En utilisant les variances des différentes mesures de
concentrations chimiques et de distributions granulométriques du solide ainsi que les
équations de bilan de matière et d’ajustement des mesures, il est possible de déterminer
que l’écart-type relatif du rendement poids estimé par bilan de matière est d’environ 10%.
La procédure utilisée pour l’analyse de sensibilité est décrite par Hodouin et al. (1989)
[31]. Les calculs n’ont cependant pas été étendus au calcul de la reproductibilité des
estimés pour les teneurs et fractions granulométriques. Une fois que la solution au bilan
de matière est obtenue, il est possible d’effectuer une analyse de variance des résidus
pour en valider les résultats. Cette analyse a été effectuée à quelques reprises pour
ajuster les variances des mesures (modèles d’erreur) utilisées pour la réconciliation des
données. Dans l’ensemble, les ajustements requis aux variances ont été faibles, et ce
résultat était anticipé puisque, dans le cas du classificateur hydraulique, la redondance
des données est faible. La réconciliation des données réduit la dispersion des indices de
performances, comme le rendement fer et le rendement silice, mais cette réduction est
faible ce qui n’a pas motivé la réalisation d’une analyse exhaustive de variances des
résidus pour chaque ensemble de données traitées dans le cadre de ce projet.
6.1.1.3. Résultats de l’application de la méthode de réconciliation sur les

données des campagnes d’échantillonnage de septembre 2011
La méthode de réconciliation des données décrite précédemment a été appliquée sur les
données des campagnes d’échantillonnage de septembre 2011 et les résultats obtenus
sont compilés dans la section 5.5 des annexes. Un exemple de la réconciliation des
teneurs en Fe2O3 et en SiO2 et des granulométries obtenues lors du déroulement du test 7
est présenté au tableau 6.2. Les rendements poids obtenus en utilisant les teneurs
mesurées et celles réconciliées y sont aussi présentés. Les mesures utilisées sont
probablement fiables puisque les ajustements sont faibles.
104
Tableau 6. 2 : Valeurs estimées des teneurs en Fe2O3 et en SiO2, des granulométries et du
rendement poids pour le septième test des campagnes de septembre 2011
Alimentation Sousverse Surverse
Variables
Mesuré Estimé Mesuré Estimé Mesuré Estimé
%Fe2O3 94.56 94.58 98.16 98.14 71.85 71.85
%Fe 66.14 66.15 68.65 68.64 50.26 50.25
%SiO2 4.73 4.73 1.32 1.32 26.48 26.50
%TiO2 0.20 0.20 0.17 0.17 0.35 0.35
%Al2O3 0.34 0.33 0.28 0.28 0.63 0.63
% +600 µm 16.10 14.34 16.20 16.58 0.00 0.00
% -600/+425 µm 16.30 15.49 17.70 17.91 0.00 0.00
% -425/+300 µm 16.70 16.24 18.60 18.72 0.40 0.40
% -300/+212 µm 17.40 17.55 19.40 19.36 6.00 6.00
% -212/+150 µm 13.50 13.93 14.40 14.29 11.60 11.59
% -150/+106 µm 10.90 12.12 10.80 10.54 22.40 22.23
% -106 µm 9.10 10.33 2.90 2.59 59.60 59.79
% Solide 96.98 - 75.71 - 7.18 -
Rendement poids (%) 86.39 86.47
Les pourcentages solides mesurés et les mesures des débits d’eau alimentant le
classificateur (eau de fluidisation, eau de dilution de l’alimentation et eau de cône) n’ont
pas été inclus dans la réconciliation des données puisque les ajustements requis pour
rendre ces mesures cohérentes avec la contrainte de conservation de la matière
produisaient une augmentation sensible du critère de réconciliation. Les débits de solide
obtenus par bilan de matière (voir équation 6.7) appliqué aux analyses chimiques et
granulométriques sont utilisés, avec les pourcentages solides mesurés, pour déterminer
les débits de pulpe de chaque flux (alimentation, sousverse et surverse). La différence
entre le débit de pulpe d’alimentation et la somme des débits de sousverse et surverse
correspond au débit total d’eau injectée dans le classificateur, soit :
Débit d'eau calculé = W pa − W pc − W pr (6. 12)
Les valeurs obtenues pour les sept tests sont compilées dans le tableau 6.3. La
comparaison du défaut de bilan, calculé avec l’équation 6.12, avec la quantité d’eau totale
alimentée dans le classificateur (eau de fluidisation, eau de dilution de l’alimentation et
eau de cône) montre que la quantité d’eau qui sort du classificateur est élevée par rapport
à celle qui y entre. Ce manque d’eau à l’alimentation ou cet excès d’eau à la sortie du
classificateur est causé par une ou plusieurs mesures biaisées du pourcentage solide, de
105
débits d’eau (fluidisation, dilution ou cône) ou même du tonnage d’alimentation. Ce
résultat confirme que l’utilisation des mesures de concentration de solide de la pulpe, de
débit d’eau ou de tonnage d’alimentation dans le bilan de matière pourrait produire des
ajustements anormaux si ces mesures ne sont pas pondérées adéquatement.
Tableau 6. 3 : Calcul du défaut de bilan pour les campagnes de septembre 2011

Variables Test 1 Test 2 Test 3 Test 4 Test 5 Test 6 Test 7
Débit de solide alimenté: Wa (t/h) 182.3 182.3 182.4 182.5 182.4 182.3 182.5
Débit de solide en sousverse: Wc (t/h) 162.7 156.6 155.4 160.8 151.9 160.2 157.8
Débit de solide en surverse: Wr (t/h) 19.65 25.78 27.00 21.73 30.52 22.08 24.68
Débit d'eau à l'alimentation: Ea (t/h) 4.870 4.798 7.004 4.044 2.112 5.092 5.673
Débit d'eau en sousverse: Ec (t/h) 28.29 34.31 35.67 53.81 50.22 48.13 50.62
Débit d'eau en sousverse: Er (t/h) 405.7 348.4 376.8 344.4 310.8 357.9 318.9
Débit de pulpe alimentée: Wpa (t/h) 187.2 187.1 189.4 186.6 184.5 187.4 188.1
Débit de pulpe en sousverse: Wpc (t/h) 191.0 190.9 191.1 214.6 202.1 208.4 208.4
Débit de pulpe en surverse: Wpr (t/h) 425.4 374.2 403.8 366.1 341.3 380.0 343.6
Défaut de bilan (t/h) -429.1 -377.9 -405.5 -394.1 -358.9 -400.9 -363.9
Défaut de bilan (L/min) -7152 -6299 -6758 -6569 -5981 -6682 -6064
Débit d'eau de fluidisation: EF (L/min) 2206 1798 2002 2202 1698 1701 1802
Débit d'eau de dilution: ED (L/min) 3279 3278 3295 3277 3278 3274 3266
Débit d'eau de cône: Ecô (L/min) 250.0 249.9 250.0 250.1 250.0 250.0 250.0
Débit d'eau total (L/min) 5735 5326 5547 5730 5225 5225 5318
Manque total d'eau (L/min) -1417 -973.1 -1211 -839.3 -756.1 -1457 -746.1
Une vérification a été effectuée avec le débit d’eau de dilution et est présentée au tableau
6.4. Le débit d’eau de dilution total de l’alimentation, calculé avec les mesures des débits
d’eau de dilution supplémentaire et de tamis, présente des valeurs inférieures à celles
obtenues en utilisant le pourcentage solide de l’alimentation (différence d’environ 400
L/min). Par exemple, dans le cas du test 1, le pourcentage solide mesuré de la pulpe
alimentée était de 45.95%, ce qui devrait correspondre à un débit d’eau de 3685 L/min
(pour un tonnage de 188 tmn/h) au lieu des 3279 L/min que donnent les mesures des
débitmètres d’eau de dilution et de tamis. Il faudrait donc vérifier si les débitmètres utilisés
pour l’eau de dilution sont en bon état. Toutefois, ce manque d’eau représente en
moyenne seulement 40% de la quantité totale d’eau qui manque pour que les bilans soient
vérifiés (voir tableau 6.3). Il serait alors nécessaire de vérifier aussi la fiabilité de la mesure
106
du tonnage d’alimentation et des autres débits d’eau (fluidisation, cône) pour retrouver
l’origine des 60% d’eau manquants.
Tableau 6. 4 : Vérification de la fiabilité du débit d’eau de dilution pour les campagnes de

septembre 2011
Variables Test 1 Test 2 Test 3 Test 4 Test 5 Test 6 Test 7
Débit d’eau de nettoyage de tamis
1996 2000 2001 1996 1996 2003 1997
(L/min)
Débit d’eau de dilution de
1283 1279 1294 1282 1281 1271 1269
supplémentaire (L/min)
Débit d’eau de dilution total de
3279 3278 3295 3277 3278 3274 3266
l’alimentation (L/min)
Tonnage d’alimentation (tmn/h) 188.0 188.0 188.1 188.2 188.0 187.9 188.1
Pourcentage solide de l’alimentation
45.95 45.97 45.86 45.94 45.97 46.04 46.05
diluée (%)
Débit d’eau de dilution de
3685 3682 3700 3690 3683 3672 3673
l’alimentation (L/min)
Manque total d'eau (L/min) -406.3 -403.8 -405.3 -412.6 -405.1 -398.4 -407.0
6.1.2. Analyse des données des campagnes de Septembre 2011

Sept campagnes d’échantillonnage ont été réalisées sur le CPBA en variant, à tour de
rôle, le débit d’eau de fluidisation et la densité du lit fluidisé afin d’observer l’effet de ces
modifications sur les variables de sortie du classificateur. Les données disponibles pour
l’analyse comportent des teneurs et des distributions granulométriques et ont été
réconciliées par la méthode décrite à la section précédente.
6.1.2.1. Effet du débit d’eau de fluidisation et de la densité du lit sur le

rendement poids
La figure 6.3 montre la variation du rendement poids en fonction du débit d’eau de
fluidisation ( E f , exprimé en L / min ) et de la densité du lit de pulpe ( δ Lit , adimensionnel ).
Il convient de noter que dans le cas présent, la régulation de la densité du lit n’est pas en
boucle ouverte comme ce fût le cas des campagnes d’avril 2010 présentées à la section
4.2 du chapitre 4, mais plutôt régulée à une consigne par la vanne de sousverse.
107
rendement poids en sousverse du CPBA, pour les sept campagnes de septembre 2011.
L’application d’une régression linéaire, à l’aide de Matlab, sur les données incluant le débit
d’eau de fluidisation et la densité du lit n’a pas donné de corrélation significative. Comme
le montre l’équation 6.13, les paramètres du modèle obtenu ne sont pas significatifs dus à
leurs écart-types (valeurs entre parenthèses) élevés.
=Rps 84.90 (11.87 ) − 0.0054 ( 0.0033) × E f − 4.59 ( 5.19 ) × δ Lit (6. 13)
Avec R ² = 0.47 . Selon le coefficient de détermination obtenu, le modèle n’explique que

47% des erreurs, ce qui n’est pas suffisant pour juger ce modèle significatif. De plus, le
test d’hypothèse présenté au point 5.5.2.1 de la section V des annexes montre également
que ce modèle n’est pas significatif, ce qui veut dire que le rendement poids a varié
statistiquement de manière indépendante du débit d’eau de fluidisation et de la densité du
lit de pulpe.
6.1.2.2. Effet du débit d’eau de fluidisation et de la densité du lit de pulpe

sur la perte de Fe2O3 en surverse
La variation de la perte de Fe2O3 à la surverse du classificateur est montrée dans le plan
d’expériences à la figure 6.4. Comme pour le rendement poids, il n’a pas été possible
d’établir de corrélation significative entre le débit d’eau de fluidisation, la densité du lit et la
proportion d’oxyde de fer perdu en surverse. Le résumé de l’analyse statistique effectuée
est présenté au point 5.5.2.2 de la section V des annexes.
108
Figure 6. 4 : Effet du débit d’eau de fluidisation et de la densité du lit de pulpe sur la
proportion de Fe2O3 perdu en surverse du CPBA, pour les campagnes de septembre 2011.

sur le rendement SiO2 en sousverse
L’application d’une méthode de régression linéaire, dont le résumé est présenté à la
section 5.5.2.3 des annexes, pour établir une corrélation entre le rendement SiO2 en
sousverse du CPBA et le débit d’eau de fluidisation et la densité du lit de pulpe a
démontré que ces deux variables opératoires n’affectent pas de manière significative le
rendement SiO2.

rendement SiO2 en sousverse du CPBA, pour les campagnes de septembre 2011.
109
sur la teneur en SiO2 en sousverse
Comme dans le cas du rendement SiO2, la teneur en SiO2 en sousverse du CPBA ne semble
pas être affectée de manière significative par le débit d’eau de fluidisation et la densité du lit
de pulpe. Le résumé des résultats de la régression linéaire obtenus est présenté au point
5.5.2.4 de la section V des annexes.
Figure 6. 6 : Effet du débit d’eau de fluidisation et de la densité du lit de pulpe sur la teneur
en silice en sousverse du CPBA, pour les campagnes de septembre 2011.

sur le partage des particules dans le classificateur
Le partage des particules de dimension di dans le classificateur est donné par :
Wc ⋅ X i ,c
R part
= 100 ⋅ (6. 14)
i Wa ⋅ X i ,a
Les données réconciliées sont utilisées pour le calcul du rendement des particules en
sousverse du classificateur. Les courbes de partage pour les différentes conditions testées
lors des campagnes sont montrées à la figure 6.7 (effet du débit d’eau de fluidisation) et à
la figure 6.8 (effet de la densité du lit de pulpe). Les modifications de la densité du lit et du
débit d’eau de fluidisation n’affectent pas de façon significative les courbes de partage du
solide dans le classificateur. Une diminution de la densité du lit semble produire une
augmentation de la récupération des particules de -200 µm à la sousverse (figure 6.8).
110
Ce résultat est cohérent avec l’hypothèse qu’une diminution de la densité du lit facilite la
sédimentation de particules de plus petite taille.
Test 6: EF =1700 L/min Test 5: EF =1700 L/min
Test 7: EF =1800 L/min Test 2: EF =1800 L/min
Test 4 : EF =2200 L/min Test 1 : EF =2200 L/min
Rendement des particules en
100 100

sousverse du CPBA (%)

80 80
60 60
40 40
20 20
0
0
10 100 1000
10 100 1000
a) Densité du lit de pulpe =1.75 b) Densité du lit de pulpe = 2.05
Figure 6. 7 : Effet du débit d’eau de fluidisation sur le rendement des particules en
sousverse du CPBA, pour les sept campagnes de septembre 2011.
Test 6: densité du lit =1.75 Test 7: densité du lit =1.75
Test 5: densité du lit =2.05 Test 2: densité du lit =2.05
100 100

80 80
60 60
40 40
20
20
0
0
10 100 1000
10 100 1000
Dimension (μm)
Dimension (μm)
a) Débit d'eau de fluidisation = 1700 L/min b) Débit d'eau de fluidisation = 1850 L/min
Test 4: densité du lit =1.75
Test 1: densité du lit =2.05
100
80
60
40
20
0
10 100 1000
Dimension (μm)
c) Débit d'eau de fluidisation = 2200 L/min
Figure 6. 8 : Effet de la densité du lit de pulpe sur le rendement des particules en sousverse
du CPBA, pour les sept campagnes de septembre 2011.
111
sur le partage des particules des classes -212 µm et -150 µm dans le
classificateur
L’application d’une régression linéaire sur les données de rendement en sousverse des
particules de dimension inférieure à 212 µm, présentée au point 5.5.2.5 de la section V
des annexes, montre que ni le débit d’eau de fluidisation, ni la densité du lit de pulpe
n’affectent le rendement de ces particules en sousverse. Il se pourrait cependant que ce
résultat soit influencé par la tranche des particules qui est supérieure à 200 µm, sachant
que celle-ci ne semble pas être affectée par les modifications de ces deux variables
opératoires comme le montrent les figures 6.7 et 6.8.
Une autre analyse statistique est alors effectuée en considérant seulement les particules
de dimension inférieure à 150 µm et est présentée au point 5.5.2.6 de la section V des
annexes. Les résultats obtenus montrent que dans les conditions testées, le rendement de
ces particules en sousverse diminue lorsque la densité du lit de pulpe augmente selon la
relation suivante :
R part−150 µm = 125.6 (19.74 ) − 40.17 (10.33) × δ Lit Avec R ² = 0.75
Les valeurs entre parenthèses sont les écarts-type des paramètres, montrant que ces
paramètres sont significatifs (voir point 5.5.2.6 de la section V des annexes). Aucune
corrélation significative n’a été obtenue avec le débit d’eau de fluidisation. La figure 6.9
présente les valeurs expérimentales de rendement des particules de -150 µm et la
figure 6.10 montre la superposition de ces données expérimentales avec les valeurs de
rendement calculées à partir du modèle de régression. L’observation de la figure 6.10
montre que le modèle ne permet pas d’expliquer toute la dispersion des points
expérimentaux. L’analyse des résidus du modèle (voir point 5.5.2.6 de la section V des
annexes) montre que ce modèle n’est pas adéquat et que l’ajout d’un ou plusieurs autres
variables d’entrée serait nécessaire pour le rendre adéquat. Toutefois, le fait que ce
modèle soit significatif prouve que la densité du lit affecte cette tranche des particules et
confirme l’observation faite à la figure 6.8.
112
rendement des particules de la tranche -150 µm en sousverse du CPBA, pour les sept
campagnes de septembre 2011.
Expérience Modèle
tranche -150 µm en sousverse
Rendement de particules de la
60,0
55,0
du CPBA
50,0
45,0
40,0
35,0
1,70 1,80 1,90 2,00 2,10
Figure 6. 10 : Superposition du modèle de rendement des particules de la tranche -150 µm
en sousverse du CPBA avec les valeurs expérimentales et variation en fonction de la
densité du lit de pulpe.
113
6.1.2.7. Résumé des observations
L’analyse des résultats des essais conduits lors de la campagne de septembre 2011
montre que :
• Il n’est pas possible d’établir de lien de cause à effet entre le débit d’eau de
fluidisation et la densité du lit de pulpe et le rendement poids;
• Les données ne permettent pas de mettre en évidence un lien entre la perte de
Fe2O3 en surverse et le débit d’eau de fluidisation et la densité du lit de pulpe;
• Les effets du débit d’eau de fluidisation et de la densité du lit de pulpe ne sont
significatifs ni sur le rendement, ni sur la teneur des particules de silice (SiO2) en
sousverse du classificateur;
• Le rendement des particules de -150 µm en sousverse augmente lorsque la
densité du lit de pulpe diminue.
Ces résultats sont en partie en contradiction avec l’idée que l’eau de fluidisation peut être
utilisée pour contrôler le rendement poids comme présenté à la section 3.2.7.2. Cet effet
n’est pas observable dans les résultats de la campagne de septembre 2011. Aucune
raison définitive ne peut être fournie pour expliquer cette absence de corrélation entre
l’eau de fluidisation et le rendement poids. Cependant, il faut noter que lors de la
campagne de septembre les rendements poids étaient significativement supérieurs à la
valeur cible de 80%. En effet des valeurs de 89% ont été observées. Il est possible que
dans ces conditions de rendement élevé l’impact de variables opératoires sur le
rendement poids soit moins important que dans des conditions normales d’opération du
classificateur.
Les questions auxquelles il n’est pas possible de répondre présentement sont :
• Pourquoi le rendement poids est-il plus élevé que la valeur cible?

• Quelles variables opératoires ont pu contribuer à ces bons rendements poids?
• Est-ce lié à des caractéristiques de l’alimentation?
• Est-ce lié à un rééquilibrage des densités à l’intérieur du classificateur qui favorise
une récupération de certaines classes granulométriques riches en fer?
Cependant, il faudrait dans le cadre d’un autre projet, pousser l’analyse plus loin qu’on ne
l’a fait ici pour comprendre l’origine de ces sauts de rendement. Le fait que le rendement
poids du classificateur E (voir section 3.2.7.2) soit toujours supérieur à ceux des
classificateurs A, B et C pourrait peut-être être expliqué. Cette compréhension permettrait
lors de futurs travaux, d’optimiser le fonctionnement des classificateurs.
114
6.2. Campagnes d’échantillonnage avec analyses
granulochimiques
Les données des campagnes pré-maîtrise (novembre et décembre 2009), de la campagne
de juin 2011 et des régimes stationnaires des essais dynamiques d’avril 2010 comportent
des analyses granulochimiques (analyses chimiques des classes granulométriques) qui
permettent de reconstruire les courbes de partage des minéraux dans un classificateur
hydraulique. Cette partie porte sur le traitement et l’analyse de ces données.
6.2.1. Réconciliation des données

La méthode de réconciliation des données est différente de celle décrite à la section 6.1.1
bien qu’elle soit basée sur la minimisation d’un critère similaire. La méthode réconcilie les
analyses chimiques, les analyses granulométriques et les granulochimies, tout en
reconstruisant à partir des analyses chimiques, les teneurs des minéraux à l’alimentation
du classificateur hydraulique. L’analyse chimique des échantillons donne en effet des
teneurs en oxydes d’éléments qui doivent être combinées pour reconstruire la teneur des
minéraux constituant le concentré de Mont-Wright. Les minéraux considérés ici sont
identifiés au tableau 3.4 (voir section 3.2.4 du chapitre 3).
La méthode de réconciliation, décrite par Bazin et al. (2011) [32] et permet de calibrer un
modèle de courbe de partage pour le classificateur qui permet d’obtenir des estimés de
simulation qui s’approchent des mesures disponibles. Les calculs utilisent des valeurs de
départ :
• Pour la distribution granulométrique de l’alimentation et les teneurs de Nm-1

minéraux dans les classes granulométriques afin de reconstruire l’alimentation du
classificateur;
• Pour des paramètres des modèles simples utilisés pour construire les courbes de
partage des Nm minéraux de l’alimentation du classificateur.
Les débits des minéraux dans les classes granulométriques sont calculés puis passés à
travers les courbes de partage pour obtenir les débits de ces minéraux dans la sousverse
du classificateur. Les débits de minéraux en surverse sont déterminés, par bilan de
matière, à partir des données de l’alimentation et la sousverse. Ces informations sont
converties en teneurs d’oxydes et en fractions retenues qui peuvent ensuite être
comparées aux mesures. Les estimés de la distribution granulométrique de l’alimentation,
des teneurs en minéraux et des paramètres des courbes de partage sont ensuite modifiés
115
afin d’obtenir des estimés de simulation qui s’approchent des mesures de façon à
minimiser le critère de réconciliation.
6.2.1.1. Exemple de l’application de la méthode de réconciliation des

données
Les résultats de l’application de la méthode de réconciliation aux données des campagnes
pré-maîtrise, d’essais d’avril 2010 et des tests de juin 2011 sont fournis aux sections 5.2 à
5.4 des annexes. Les mesures de tête avec les valeurs correspondantes estimées des
campagnes de juin 2011 sont résumées au tableau 6.5. Les données pour lesquelles un
écart est significatif (>15%) entre la mesure et l’estimé sont indiquées par une zone grise.
Ces écarts demeurent cependant acceptables comme une teneur en SiO2 qui ajustée de
4.22 à 4.88% pour le test 1. Il faut cependant noter que la teneur en SiO2 de la sousverse
est toujours ajustée à la baisse, ce qui pourrait indiquer la présence d’une erreur
systématique. Les teneurs minérales reconstruites pour l’alimentation sont fournies au
tableau 6.6 et les courbes de partage estimées pour les minéraux sont groupées au
tableau 6.7.
Tableau 6. 5 : Valeurs réconciliées d’analyses chimiques dans l’alimentation, le concentré

et le rejet du CPBA, pour les campagnes de juin 2011
116
Tableau 6. 6a : Teneurs minérales reconstruites à partir des données de l’alimentation des
tests 1 et 2 des campagnes de juin 2011
Tableau 6. 6b : Teneurs minérales reconstruites à partir des données de l’alimentation des

tests 3 et 4 des campagnes de juin 2011
Tableau 6. 7a : Courbes de partage du CPBA, obtenues lors du déroulement des tests 1 et 2

des campagnes de juin 2011
117
Tableau 6. 7b : Courbes de partage du CPBA, obtenues lors du déroulement des tests 3 et 4
6.2.2. Traitement des données

Les données des campagnes comportant des analyses granulochimiques ont été utilisées
principalement pour obtenir la distribution granulométrique des minéraux dans
l’alimentation du classificateur et les courbes de partage de minéraux. L’analyse de l’effet
du débit d’eau de fluidisation ou d’autres paramètres de contrôle n’était pas l’objectif
principal des campagnes d’échantillonnage. L’objectif était d’observer le partage des
minéraux dans le classificateur et d’évaluer si des différences significatives pouvaient être
observées entre les courbes de partage en production de BBS (campagnes pré-maîtrise)
et de BSA (campagnes de juin 2011 et régime stationnaire des essais dynamiques).
Le partage des minéraux dans les classes granulométriques correspond au rapport du

débit d’un minéral dans une classe granulométrique de la sousverse et du débit de ce
minéral dans cette classe granulométrique de l’alimentation, soit :
Wc ⋅ gi ,c ⋅ X m,i ,c
R=
m 100 ⋅ (6. 15)
i Wa ⋅ gi ,a ⋅ X m,i ,a
Toutes les valeurs utilisées pour le calcul du partage du minéral m dans la classe
granulométrique i sont réconciliées. Les indices a et c désignent respectivement les flux
d’alimentation et de concentré (sousverse). Les variables gi ,a et gi ,c désignent la fraction
retenue de solide sur la classe granulométrique i du flux d’alimentation et de concentré, et

X m,i ,a et X m,i ,c représentent la teneur du minéral m dans la classe granulométrique i de
chacun de ces flux.
118
La courbe de partage est en général présentée graphiquement avec les valeurs du
partage en fonction du diamètre géométrique moyen de la classe granulométrique tel que
présenté par l’équation 6.16.
di
= di +1 × di (6. 16)
Le diamètre équivalent de la maille du tamis i est di . Les courbes de partage estimées
pour les 5 minéraux considérés comme constituant l’alimentation du classificateur sont

montrées à la figure 6.11. Les courbes de partage ont été obtenues à partir des données
de la campagne d’échantillonnage #4 de juin 2011. Les résultats montrent que le
classificateur opère une séparation assez nette entre l’hématite et le quartz. Le diamètre
d’équicoupure ou d50 (dimension des particules qui se divisent également en sousverse et
surverse) pour le quartz est d’environ 318 µm comparativement à 102 µm pour l’hématite.
Le coefficient d’imperfection caractérise la pente de la courbe de partage et est donné par
[13] :
d − d 25
I = 75 (6. 17)
2 ⋅ d50
Le partage pour le quartz est plus net que pour l’hématite avec une courbe de partage
plus abrupte et une imperfection nettement plus faible (0.175 pour le quartz versus 0.308
pour l’hématite, voir figure 6.11).
Hématite Quartz Mica Grenat Ilménite

100
90
Proportion du minéral allant à la
80
70
60
50
40
30
20
10
0
10 100 1000
Dimension (μm)
Figure 6. 11 : Partage des cinq minéraux de l’alimentation du CPBA lors du déroulement

de la quatrième campagne de Juin 2011.
119
Seules les courbes de partage des minéraux d’hématite et de quartz sont présentées dans
les prochaines sections. La faible concentration des minéraux de mica, grenat et ilménite
rend difficile une reconstruction fiable des courbes de partage de ces minéraux. Cette
incertitude dans les données permet d’expliquer le fait que, sur la figure 6.11, la courbe de
partage du mica ne soit pas collée sur celle du quartz bien que les masses volumiques de
ces minéraux soient similaires (2700 kg/m³ pour le quartz versus 2800 kg/m³ pour le
mica). Les courbes de partage de l’hématite et de l’ilménite sont proches ce qui est
cohérent avec le fait que les masses volumiques de ces minéraux soient similaires (4500
kg/m³ pour l’ilménite versus 5000 kg/m³ pour l’hématite).
6.2.2.1. Traitement des données des campagnes pré-maîtrise

Pour toutes les campagnes réalisées avant le début du projet de maîtrise, les
classificateurs échantillonnés traitaient le concentré pour produire de la BBS. Les
distributions granulométriques en fractions retenues de l’hématite et du quartz dans
l’alimentation du classificateur sont montrées à la figure 6.12. Bien que les campagnes
aient été conduites à différentes journées sur une période de 6 mois, les distributions
granulométriques du quartz et de l’hématite montrent toujours la même forme, avec une
tendance du quartz à se retrouver dans les classes granulométriques fines.
Test 1 Test 2 Test 3 Test 4 Test 5 Test 6 Test 7

Test 1 Test 2 Test 3 Test 4 Test 5 Test 6 Test 7
35,0
30,0
Quartz
25,0
Hématite
% retenu
20,0
15,0
10,0
5,0
0,0
10 100 1000
Dimension (μm)

des classificateurs échantillonnés.
120
Les courbes de partage reconstruites pour le quartz et l’hématite sont montrées à la figure
6.13. Le diamètre d’équicoupure pour l’hématite varie entre 87 et 150 µm
comparativement à 289 et 444 pour le quartz. L’imperfection du partage de l’hématite varie
entre 0.296 et 0.458, alors que pour le quartz l’imperfection se situe entre 0.141 et 0.261.
Le fait que l’imperfection pour le quartz soit plus faible, i.e. que la pente de la courbe de
partage du quartz soit plus abrupte que celle de l’hématite, est difficile à expliquer en se
reportant à la physique du procédé. Les deux minéraux sont soumis aux mêmes forces,
leur partage devrait s’effectuer de la même façon. Cependant, la différence pourrait
provenir de la zone où s’opère la classification dans le classificateur. Les particules de
quartz sont probablement classifiées dans la partie supérieure du classificateur, c.-à-d.
dans des zones de faible densité de pulpe (faible concentration en volume de solide),
confirmées par l’échantillonnage à différentes profondeurs (voir figure 4.11, section 4.3.2
du chapitre 4), qui favorisent un classement net des particules, en supposant que les
mécanismes de classification soient similaires à ceux se produisant dans les
hydrocyclones. L’hématite étant plus dense que le quartz, les particules de ce minéral
s’enfoncent plus profondément dans le classificateur impliquant une classification dans un
milieu dense et par conséquent moins nette qu’en milieu dilué.
Test 1 (CPBA) Test 1 (CPBA) Test 2 (CPBB) Test 2 (CPBB) Test 3 (CPBB)
Test 3 (CPBB) Test 4 (CPBB) Test 4 (CPBB) Test 5 (CPBC) Test 5 (CPBC)
Test 6 (CPBC) Test 6 (CPBC) Test 7 (CPBE) Test 7 (CPBE)
l'alimentation se retrouvant à la
100
sousverse du classificateur (%)
Proportion des particules de
90
Hématite
80
70
60
50
40 Quartz
30
20
10
0
10 100 1000
Dimension (μm)
Figure 6. 13 : Courbes de partage minérales (hématite et quartz) des quatre classificateurs

hydrauliques utilisés lors de la réalisation des sept campagnes préliminaires
121
6.2.2.2. Traitement des données des régimes stationnaires des essais
dynamiques d’avril 2010
Des plages de régime d’opération stationnaire ont été identifiées pour les 4 essais
dynamiques, décrits à la section 4.2.5 du chapitre 4, conduits sur le classificateur
hydraulique qui était utilisé pour produire la boulette de type BSA. Chaque essai comporte
donc 4 conditions d’équilibre associées à des niveaux haut, bas et moyen d’une variable
manipulable. Par exemple, l’essai dynamique visant à étudier l’impact de l’eau de
fluidisation a permis d’obtenir des courbes de partage des minéraux pour des débits bas,
haut et moyen d’eau de fluidisation. Les données granulométriques, chimiques et
granulochimiques ont été réconciliées par la méthode décrite à la section 6.2.1. L’analyse
porte seulement sur les distributions granulométriques d’alimentation et les courbes de
partage.
a) Distributions granulométriques des minéraux dans l’alimentation
Les distributions granulométriques du quartz et de l’hématite dans l’alimentation du

classificateur pour les 16 régimes d’équilibre isolés sur les 4 essais dynamiques sont
montrées à la figure 6.14. Les distributions granulométriques du quartz et de l’hématite
présentent des formes similaires à celles observées à la figure 6.12 pour la BBS avec une
tendance du quartz à se concentrer dans les classes granulométriques fines.
Figure 6. 14 : Distributions granulométriques du quartz et de l’hématite pour les 16

régimes d’équilibre en production de boulettes BSA.
122
Figure 6. 14 (Suite) : Distributions granulométriques du quartz et de l’hématite pour les 16
régimes d’équilibre en production de boulettes BSA.
Les distributions granulométriques moyennes des concentrés de Mont-Wright utilisés en

production de BBS (Concentré CBS) et en production BSA (concentré CBA) sont
comparées à la figure 6.15. Normalement, la différence la plus significative qui devrait être
observée entre les deux concentrés est la proportion des particules grossières de quartz
qui devrait être plus élevée dans le CBA que dans le CBS ce qui conduirait à un ARL plus
élevé dans le CBA que dans le CBS (voir section 3.2.4 du chapitre 3). Ce résultat n’est
toutefois pas observable sur la figure 6.15.
Hématite_CBA Hématite_CBS
Quartz_CBA Quartz_CBS
35
30
Quartz
25 Hématite
% retenu
20
15
10
0
10 100 1000
Dimension (μm)
Figure 6. 15 : Distributions granulométriques moyennes du quartz et de l’hématite dans les

concentrés utilisés pour produire des boulettes BBS et BSA.
123
b) Courbes de partage du quartz et de l’hématite
Les courbes de partage d’hématite et de quartz obtenues pour les essais portant sur le
débit d’eau de fluidisation sont présentées à la figure 6.16. L’effet d’une diminution du
débit d’eau de fluidisation de 2200 à 1700 L/min produit un déplacement des courbes de
partage vers de fines dimensions de coupure. Par exemple, le diamètre d’équicoupure
pour l’hématite avec un débit d’eau de fluidisation de 2200 L/min est de d’environ 119 µm
comparativement à 104 µm pour un débit de 1700 L/min. Ce changement de débit d’eau
de fluidisation fait passer le diamètre d’équicoupure pour les particules de quartz de 360 à
308 µm. L’effet n’est pas très important, mais peut être mis en évidence dans les courbes
de partage. De plus, l’effet est cohérent avec l’observation, faite dans le chapitre 5, qu’un
débit élevé d’eau de fluidisation pousse les particules fines en surverse. Les résultats ne
permettent pas d’observer d’effet sur l’imperfection qui varie entre 0.289 et 0.322 pour
l’hématite et entre 0.188 et 0.238 pour le quartz.
Hématite_état initial: EF=1950 L/min Quartz_état initial: EF=1950 L/min

Hématite_échelon 1: EF=2200 L/min Quartz_échelon 1: EF=2200 L/min
Proportion du minéral allant à la sousverse du CPBA
100
Sens de dimunition du débit d'eau de
90 fluidisation
80
70
(%) (Phase 1)
60
Hématite
50
40
30 Quartz
20
10
0
10 100 1000
Dimension (μm)
Figure 6. 16 : Effet du débit d’eau de fluidisation sur les courbes de partage de l’hématite
et du quartz.
124
Les courbes de partage obtenues pour les essais portant sur le débit d’eau de dilution sont
présentées à la figure 6.17. L’eau de dilution affecte très peu le partage de l’hématite. Ce
phénomène pourrait être lié au fait que l’eau de dilution ne pénètre pas vraiment en
profondeur dans le lit de pulpe. En se basant sur la théorie évoquée précédemment, qui
voudrait que la classification du quartz se fasse plus en surface que celle de l’hématite, il
serait alors possible d’expliquer pourquoi l’eau de dilution affecte davantage le partage du
quartz que celui de l’hématite. Le partage du quartz est plus fin lorsque le débit d’eau
diminue. Le d50 de l’hématite varie entre 132 et 142 µm et celui du quartz entre 318 et 356
µm. Le coefficient d’imperfection de l’hématite, quant à lui, varie entre 0.228 et 0.301 et
celui du quartz entre 0.191 et 0.223.
Hématite_état initial: ED=3000 L/min Quartz_état initial: ED=3000 L/min

Hématite_échelon 1: ED=3800 L/min Quartz_échelon 1: ED=3800 L/min
100
90
80
70
(%) (Phase 2)
60
50 Hématite
40
30
Quartz
20
10
0
10 100 1000
Dimension (μm)
Figure 6. 17 : Effet du débit d’eau de dilution sur les courbes de partage de l’hématite et du
quartz.
La figure 6.18 illustre les courbes de partage de l’hématite et du quartz obtenues en
modifiant le tonnage d’alimentation du classificateur. Une particularité de ces courbes est
que lorsque le tonnage est ramené à la valeur initiale, le classificateur réeffectue le même
partage (similarité entre l’état initial et l’échelon 3). La coupure est plus fine lorsque le
tonnage d’alimentation baisse, ce qui a pour conséquence de favoriser le rendement poids
du classificateur mais pas la qualité du concentré recueilli à la sousverse. Le d50 de
125
l’hématite varie entre 92 et 141 µm et celui du quartz entre 278 et 328 µm. Le coefficient
d’imperfection de l’hématite, varie entre 0.230 et 0.317 et celui du quartz entre 0.161 et
0.208. Le fait que le d50 diminue avec le tonnage qui diminue est relié au fait que la densité
du lit diminue lorsque le tonnage d’alimentation baisse, puisque la vanne d’évacuation de
la sousverse avait été placée en mode manuel (voir section 4.2 du chapitre 4 Une densité
de lit faible favorise la sédimentation des particules fines vers la sousverse.
Hématite_état initial: Wpa=188 tmn/h Quartz_état initial: Wpa=188 tmn/h

Hématite_échelon 1: Wpa=173 tmn/h Quartz_échelon 1: Wpa=173 tmn/h
100
Sens de diminution du tonnage
90 d'alimentation
80
70
Hématite
(%) (Phase 3)
60
50
40 Quartz
30
20
10
0
10 100 1000
Dimension (μm)
Figure 6. 18 : Effet du tonnage d’alimentation sur les courbes de partage de l’hématite et

du quartz.
Les courbes de partage obtenues pour les essais portant sur l’ouverture de la vanne de
sousverse sont présentées à la figure 6.19. La coupure est fine lorsque l’ouverture de la
vanne de sousverse est grande. Dans ce cas, le rendement poids est favorisé au
détriment de la qualité du concentré produit. Comme dans le cas du tonnage
d’alimentation, le classificateur réeffectue le même partage lorsque la vanne de sousverse
est ramenée à la position initiale. Cette observation est particulièrement vraie pour le
quartz. Le d50 de l’hématite varie entre 96 et 146 µm et celui du quartz entre 274 et 315
µm. Le coefficient d’imperfection de l’hématite, varie entre 0.208 et 0.335 et celui du quartz
entre 0.144 et 0.184. L’ouverture de la vanne favorise une diminution de la densité du lit
126
qui favorise à son tour une coupure fine. Ce résultat est cohérent avec les essais sur
tonnage d’alimentation (figure 6.18).
Hématite_état initial: OVS=40 % Quartz_état initial: OVS=40 %

Hématite_échelon 1: OVS=43 % Quartz_échelon 1: OVS=43 %
Hématite_échelon 2: OVS=37 % Quartz_échelon 2: OVS=37 %
Proportion du minéral allant à la sousverse Hématite_échelon 3: OVS=40 % Quartz_échelon 3: OVS=40 %
100
90
80
du CPBA (%) (Phase 4)
70
60 Hématite
50
40 Quartz
30
20
10
0
10 100 1000
Dimension (μm)
Figure 6. 19 : Effet de l’ouverture de la vanne de sousverse sur les courbes de partage de

l’hématite et du quartz.
6.2.2.3. Traitement des données des campagnes de Juin 2011
Quatre campagnes d’échantillonnage ont été conduites en juin 2011 sur le classificateur A
lors de la production de boulettes BSA selon le plan d’expériences montré à la figure 6.20.
Les distributions granulométriques des particules d’hématite et de quartz dans
l’alimentation sont montrées à la figure 6.21 et ici encore, le quartz se concentre dans les
tranches fines comparativement à l’hématite.
Figure 6. 20 : Plan d’expériences suivi pour la campagne de juin 2011.
127
Hématite_Test 1: EF=1850 L/min et Wpa=171 tmn/h Quartz_Test 1: EF=1850 L/min et Wpa=171 tmn/h
35
30
Quartz
% retenu des minéraux
25
Hématite
20
15
10
0
10 100 1000
Dimension (μm)

du classificateur lors du déroulement des campagnes de juin 2011.
Les courbes de partage pour les particules de quartz et d’hématite sont montrées à la
figure 6.22. L’effet d’une augmentation du tonnage d’alimentation de 144 à 171 t/h affecte
très peu le diamètre d’équicoupure. Ce résultat contraste avec ceux obtenus pour les
changements de tonnage montrés à la figure 6.18. L’absence d’interaction est liée au fait
que pour les essais de juin 2011, la vanne de sousverse était en mode automatique
assurant une densité de lit constante. Cependant à tonnage constant, une augmentation
du débit d’eau de fluidisation favorise une augmentation du diamètre d’équicoupure et cela
malgré le fait que la densité de lit ait été régulée à la consigne par une action de la vanne.
L’impact du débit d’eau de fluidisation sur l’imperfection est négligeable.
128
Proportion du minéral allant à la

100
90
sousverse du CPBA (%) 80
70 Hématite
60
50 Quartz
40
30
20
10
0
10 100 1000
Dimension (μm)
Figure 6. 22 : Courbes de partage minérales (hématite et quartz) du CPBA pour les

campagnes de Juin 2011
6.2.2.4. Comparaison entre les concentrés CBS et CBA

Les concentrés de Mont-Wright CBS et CBA sont utilisés pour la fabrication des boulettes
BBS et BSA respectivement. La figure 6.23 compare la moyenne des distributions
granulométriques de l’hématite et du quartz dans le CBA (alimentation des classificateurs
lors des campagnes de juin 2011 et d’avril 2010) aux valeurs moyennes de ces mêmes
minéraux dans le CBS (alimentation des classificateurs lors des campagnes pré-maîtrise).
Il y a très peu de différence entre les distributions granulométriques d’hématite dans les
deux concentrés. Le même constat est fait pour le quartz, ce qui confirme que les
caractéristiques de l’alimentation sont peu variables dans le temps et même d’un
concentré à un autre.
Sachant que le principal critère utilisé pour différencier ces deux concentrés est la teneur
en silice dans les tranches +300 µm (dite aussi ARL : American Research Laboratory)
comme mentionné dans la section 3.11 du chapitre 3, le calcul des valeurs d’ARL de
chaque concentré est effectué pour chaque test et est présenté dans le tableau 6.8.
L’observation des valeurs moyennes d’ARL de tous les tests montre qu’il y a effectivement
une différence entre l’ARL du CBA (2.03%) et celui du CBS (1.80%). Cette différence
semble significative puisque la teneur en SiO2 de la sousverse s’approche effectivement
de 1.2% pour la BBS, alors qu’elle se situe à 1.4% pour la BSA (voir tableau 6.8). Si la
proportion de silice retenue dans les tranches granulométriques +300 µm ne varie que très
129
peu d’un concentré à un autre (21.51% pour le CBS versus 21.56% pour le CBA), d’où
provient alors cette différence significative au niveau de l’ARL?
L’expression de l’ARL, donnée par l’équation 3.1, peut également être écrite de la manière
suivante :
n
x0,SiO ⋅ ∑ gi ,SiO2
2
i =1
ARL = n (6. 18)
∑
i =1
gi
Où x0,SiO est la teneur en SiO2 dans le concentré de Mont-Wright (ou teneur de tête). gi
2
et gi,SiO2 sont respectivement les fractions de solide et de silice retenus sur la classe
granulométrique i. Les classes granulométriques de la sommation vont des tamis

n
grossiers au tamis de 48 mailles (300 µm) inclusivement. Le calcul du terme ∑
i =1
gi ,SiO
2
montre que les valeurs moyennes (21.5% pour le CBS et 21.6% pour le CBA) de
pourcentage retenu de SiO2 dans les tranches +300 µm sont pratiquement semblables
n
(voir tableau 6.8). Il en est de même pour les termes ∑
i =1
gi dont les valeurs moyennes
sont 48.0% et 46.7% pour le CBS et le CBA respectivement. Suite à ces observations, il
est possible de conclure que l’écart entre les valeurs d’ARL du CBS et du CBA provient
principalement de la teneur en SiO2 dans chaque concentré.
Hématite_CBA_avril2010 Quartz_CBA_avril2010
Hématite_CBA_juin2011 Quartz_CBA_juin2011
Hématite_CBS Quartz_CBS
35
30
25 Quartz
Hématite
% retenu
20
15
10
5
0
10 100 1000
Dimension (μm)
Figure 6. 23 : Comparaisons des distributions granulométriques moyennes du quartz et de
l’hématite dans l’alimentation du classificateur lors du déroulement des campagnes pré-
maîtrise, d’avril 2010 et de juin 2011.
130
Tableau 6. 8 : Comparaison entre l’ARL du CBS et celui du CBA
Les courbes de partage moyennes pour les particules de quartz et d’hématite lors de la
production de boulettes BBS (campagnes pré-maîtrise) et pendant la production de
boulettes BSA (campagnes d’avril 2010 et de juin 2011) sont montrées à la figure 6.24. Il
n’y a pas de différences significatives entre les courbes de partage, ce qui implique que la
stratégie d’opération des classificateurs ne change pas selon le type de boulettes
produites. Les caractéristiques (teneur en SiO2) du concentré enrichi semblent être
contrôlées par la distribution granulométrique et la concentration des minéraux dans le
concentré de Mont-Wright à traiter (CBA, CBS,…).
131
Hématite_BSA_avril2010 Hématite_BSA_juin2011
Hématite_CBS Quartz_BSA_avril2010
Quartz_BSA_juin2011 Quartz_CBS
100
80
% retenu Hématite
60 Quartz
40
20
0
50 500
Dimension (μm)
Figure 6. 24 : Comparaisons des courbes de partage obtenues en production de BBS et
celles obtenues en production BSA
6.3. Conclusion
L’analyse des courbes de partage des minéraux montre :
• Des différences importantes entre les diamètres de coupure des minéraux de

quartz et d’hématite;
• Que les distributions granulométriques du quartz et de l’hématite dans le concentré
de Mont-Wright changent très peu dans le temps;
• Que les distributions granulométriques du quartz et de l’hématite sont pratiquement
semblables pour les concentrés CBS et CBA;
• Que les courbes de partage du quartz et de l’hématite dans les classificateurs
hydrauliques sont pratiquement les mêmes en production de boulettes BBS et
BSA;
• Que l’eau de fluidisation affecte peu le diamètre d’équicoupure du quartz et de
l’hématite, mais pourrait affecter l’acuité de séparation;
• Que le tonnage d’alimentation et la position de la vanne de sousverse influencent
davantage le diamètre d’équicoupure de l’hématite que celui du quartz.
Le prochain chapitre présente la construction d’un simulateur de l’opération du

classificateur hydraulique avec les résultats des différents scénarios d’opération appliqués
à ce simulateur. Ces résultats sont par la suite comparés aux résultats expérimentaux afin
de juger de la fiabilité du modèle utilisé pour ce simulateur.
132
Chapitre VII : Simulation du classificateur hydraulique
Ce chapitre présente la construction d’un simulateur empirique de l’opération du
classificateur hydraulique. La première section décrit la méthodologie employée pour
construire le simulateur. La deuxième section traite de la fiabilité du modèle construit en
comparant les résultats obtenus par simulation aux résultats expérimentaux et en vérifiant
si la réponse du simulateur à des changements dans les différentes variables opératoires
est cohérente avec la physique de l’équipement. La dernière section présente quelques
scénarios d’opération permettant d’obtenir la combinaison « meilleur rendement poids
versus meilleure teneur en silice » en sousverse du classificateur.
7.1. Méthodologie de la construction du simulateur

Le simulateur du classificateur hydraulique permet de prédire les valeurs du rendement
poids et de la teneur en silice dans la sousverse de l’équipement, en connaissant les
valeurs de ses variables opératoires et les caractéristiques de l’alimentation.
Les variables opératoires considérées sont :
• Le débit de solide alimentant le classificateur ( Wa , t/h);
• La densité du lit de pulpe dans le classificateur ( δLit ). La densité du lit de pulpe est
en fait une variable d’état qui dépend du débit d’eau de fluidisation, du tonnage,
des débits d’eau de dilution et de tamis et de l’ouverture de la vanne de sousverse.
Cependant, pour simplifier le développement du modèle, on suppose que cette
variable est une variable opératoire, ce qui est indirectement le cas puisqu’il est
possible de réguler cette variable à un point de consigne par action de la vanne de
sousverse;
• Le débit d’eau de fluidisation ( E F , L/min);
• Le débit total d’eau de dilution de l’alimentation ( E D , L/min);
• Le débit d’eau de cône ( ECô , L/min).
Les caractéristiques de l’alimentation ou les variables de perturbation sont :
• La distribution granulométrique du solide ( g solide;i;a , % retenu du solide dans la
classe granulométrique i du flux d’alimentation a);
133
• La granulochimie ( xo;i;a , % d’oxyde o dans la classe granulométrique i du flux
d’alimentation a);
• La distribution granulométrique des minéraux ( gm;i;a , % retenu du minéral m
dans la classe granulométrique i du flux d’alimentation a) dont la méthode de

calcul est montrée à la section VI des annexes.
Le modèle de Lynch est utilisé pour simuler la courbe de partage des minéraux m de
différentes dimensions d (voir section 6.2.2 du chapitre 6) [33] :
d
αm
d50m
e −1
Sm ( d ) = d
(7. 1)
αm
d50m
e + eα m − 2
La variable d désigne le diamètre géométrique moyen=
di di +1 × di des particules
retenues entre les tamis i+1 et i. Le diamètre équivalent de la maille du tamis i est di .
L’acuité de séparation (α) et le diamètre d’équicoupure (d50) ont pu être reliés

empiriquement aux variables opératoires du classificateur. La forme du modèle de
régression multilinéaire employé est la suivante :
yû βˆ0 + βˆ1 × W pau + βˆ2 × δ Litu + βˆ3 ⋅×EFu + βˆ4 × EDu + βˆ5 × ECôu
=
Avec ŷ : Prédiction de α ou de d50;
βˆ i : Paramètres du modèle;
Indice u : Numéro du test (ici u = 1 à 21 ).
Les modèles d’acuité de séparation et de diamètre d’équicoupure sont obtenus en utilisant
les données des courbes de partage des minéraux (d50, α) et des variables opératoires
(tonnage d’alimentation ( W pa ), densité du lit ( δ Lit ), eau de fluidisation ( EF ), eau de
dilution ( ED ), eau de cône ( ECô )) des campagnes effectuées avec les granulochimies
(voir section 6.2 du chapitre 6). 21 tests, dont tous ceux réalisés en avril 2010 et juin 2011
et l’une des campagnes pré-maîtrise, ont été considérés. Le tableau 7.1 présente les
valeurs des paramètres de régression obtenus avec leurs écart-types. Certains
paramètres des modèles se sont avérés statistiquement non-significatifs écart-type plus
élevé que la valeur) mais ont été conservés pour illustrer la procédure de simulation.
134
Tableau 7. 1 : Valeurs et écart-types des paramètres des modèles de d50 et α
d 50 −382 − 6.31 ⋅ 10 −1 × W pa + 171 × δ Lit + 6.47 ⋅ 10 −2 × EF + 1.81 ⋅ 10 −3 × ED + 6.42 ⋅ 10 −1 × ECô

=
hématite
Avec R 2 = 0.72 (7. 2)

α hématite =
−15.4 − 1.17 ⋅ 10 −2 × W pa + 6.54 × δ Lit + 4.68 ⋅ 10 −3 × EF − 6.88 ⋅ 10 −4 × ED + 1.32 ⋅ 10 −2 × ECô
Avec R 2 = 0.73 (7. 3)

d 50 −205 − 2.53 ⋅ 10 −1 × W pa + 164 × δ Lit + 8.91 ⋅ 10 −2 × EF + 2.78 ⋅ 10 −2 × ED − 4.02 ⋅ 10 −2 × ECô
=
quartz
Avec R 2 = 0.53 (7. 4)

α quartz = 10.4 + 1.61 ⋅ 10−3 × W pa − 0.618 × δ Lit − 9.47 ⋅ 10 −4 × EF − 4.17 ⋅ 10 −4 × ED + 2.64 ⋅ 10 −3 × ECô
Avec R 2 = 0.047 (7. 5)

d50 −367 − 7.37 ⋅ 10 −1 × W pa + 181 × δ Lit + 6.64 ⋅ 10 −2 × EF + 2.30 ⋅ 10 −3 × ED + 6.07 ⋅ 10 −1 × ECô
=
ilménite
Avec R 2 = 0.74 (7. 6)
α ilménite =
−15.5 − 3.88 ⋅ 10 −2 × W pa + 6.08 × δ Lit + 3.85 ⋅ 10 −3 × EF − 8.09 ⋅ 10 −4 × ED + 4.65 ⋅ 10 −2 × ECô
Avec R 2 = 0.63 (7. 7)

d50 −235 − 3.67 ⋅ 10 −1 × W pa + 210 × δ Lit − 4.86 ⋅ 10 −2 × EF + 2.49 ⋅ 10 −2 × ED + 5.68 ⋅ 10 −1 × ECô
=
grenat
Avec R 2 = 0.18 (7. 8)

α grenat = 30.2 + 9.52 ⋅ 10−2 × W pa − 12.1 × δ Lit + 1.71 ⋅ 10−3 × EF − 7.60 ⋅ 10−4 × ED − 7.43 ⋅ 10−2 × ECô
Avec R 2 = 0.20 (7. 9)

α mica =
−22.4 + 1.69 ⋅ 10 −2 × W pa + 10.6 × δ Lit + 4.40 ⋅ 10 −3 × EF − 4.32 ⋅ 10 −4 × ED − 6.03 ⋅ 10 −3 × ECô
Avec R 2 = 0.62 (7. 10)

d50 −229 + 9.86 ⋅ 10 −2 × W pa + 123 × δ Lit + 3.88 ⋅ 10 −2 × EF − 9.40 ⋅ 10 −3 × ED + 3.94 ⋅ 10 −1 × ECô
=
mica
Avec R 2 = 0.56 (7. 11)
135
La superposition des valeurs expérimentales de d50 et α avec celles obtenues à partir des
modèles des équations 7.2 à 7.11 est présentée à la figure 7.1. Les valeurs de d50 et α
déterminées à l’aide des modèles correspondent assez bien aux valeurs mesurées (les
points se rapprochent de la diagonale) sauf dans le cas du quartz et du grenat. Le test de
Fischer [26] effectué sur ces modèles, présenté dans le tableau 7.2, montre que les
modèles d’acuité de séparation de quartz et de grenat et celui du diamètre d’équicoupure
de grenat ne sont pas significatifs. De plus, les valeurs des coefficients de corrélation R2
de ces modèles montrent que ceux-ci n’expliquent que faiblement la variance des
données de calibrage.
Figure 7. 1 : Superposition des valeurs expérimentales et modélisées de d50 et α des

minéraux.
136
Figure 7. 1 (suite) : Superposition des valeurs expérimentales et modélisées de d50 et α des
minéraux.
La valeur de f trouvée à l’aide de la table de Fischer [26] (avec α = 5% , υ1 = 5 et υ2 = 15 )
vaut : f=2.90.
Tableau 7. 2 : Test de Fischer effectué sur les modèles de d50 et α des minéraux
Modèle R² F Observation
d50 hématite 0.72 7.58 Modèle significatif car F>f
α hématite 0.73 8.08 Modèle significatif car F>f
d50 quartz 0.53 3.44 Modèle significatif car F>f
α quartz 0.047 0.15 Modèle non significatif car F<f
d50 ilménite 0.74 8.59 Modèle significatif car F>f
α ilménite 0.63 5.04 Modèle significatif car F>f
d50 mica 0.56 3.79 Modèle significatif car F>f
α mica 0.62 4.87 Modèle significatif car F>f
d50 grenat 0.18 0.66 Modèle non significatif car F<f
α grenat 0.20 0.73 Modèle non significatif car F<f
Les courbes de partage du mica obtenues à l’aide des données de calibrage n’étant pas
fiables (voir section 6.2.2 du chapitre 6), le d50 de la courbe de partage de ce minéral est
obtenu en utilisant les régressions linéaires obtenues en faisant varier les d50 du quartz et
de l’hématite en fonction de leurs masses volumiques (voir figure A6.1 de la section VI des
annexes). La moyenne de toutes les pentes et ordonnées à l’origine obtenues donne le
modèle suivant :
137
d50 −8.76 ⋅10−2 × ρ mica + 555
= (7. 12)
mica
Une fois les valeurs des d50 et α des différents minéraux déterminées, elles peuvent être
introduites dans l’équation 7.1 pour calculer leurs courbes de partage (voir tableau A6.4,
point 6.2 de la section VI des annexes). Malgré le fait que certains modèles ne soient pas
significatifs, ceux-ci sont quand-même conservés dans le simulateur afin d’en illustrer la
procédure de construction dont la description est présentée au point 6.1 de la section VI
des annexes. Il faudrait cependant s’attendre à ce que ces modèles non-significatifs
affectent les résultats de simulation.
En résumé, une simulation est effectuée :
1. En générant une alimentation (Concentré de Mont-Wright) pour le classificateur

hydraulique (granulométrie, chimie, granulochimies…);
2. En calculant les valeurs de d50 et α m en fonction des conditions opératoires;
m
3. En déterminant les courbes de partage pour chaque minéral en fonction des valeurs
des paramètres d50 et α m calculés à l’étape 2;
m
4. En faisant le produit des débits de minéraux par classe granulométrique dans
l’alimentation par la valeur estimée du partage des minéraux en fonction de leur
dimension (étape 3);
5. En calculant le débit de sousverse par sommation de tous les débits des classes
minérales et granulométriques;
6. En calculant le rendement poids et la teneur en silice dans la sousverse du
classificateur.
Le principe est le même que celui présenté par Bazin et al. (2011) [32].
7.2. Vérification de la fiabilité des modèles de d50 et α

La validité des modèles de d50 et α est vérifiée en comparant les courbes de partage des
minéraux calculées avec ces paramètres estimées à celles obtenues à partir des données
expérimentales. Les valeurs des paramètres de performance (rendement poids et teneur
en silice) observées et simulées peuvent également être comparées pour valider le
modèle. Dans un autre cas, la capacité de prédiction du modèle peut être déterminée, à
l’aide du simulateur, en modifiant les variables opératoires et en vérifiant si les résultats de
la simulation (rendement poids et teneur en silice) obtenus sont cohérents avec la
physique de l’opération du classificateur. Les caractéristiques chimiques et
granulométriques de l’alimentation peuvent aussi être modifiées.
138
7.2.1. Comparaison entre les courbes de partage observées et
modélisées
Les courbes de partage de l’hématite et du quartz estimées à partir des modèles de d50 et
α sont comparées à celles obtenues à partir des données des campagnes de juin 2011 à
la figure 7.2 et aux tableaux 7.3 et 7.4. La comparaison des courbes de partage
modélisées et observées des autres minéraux est présentée au tableau A6.4 (point 6.2 de
la section VI des annexes). Les campagnes de juin 2011 ont été réalisées en production
de BSA. Le modèle suit assez bien les observations malgré le fait que quelques écarts
significatifs (écart absolu>5%) sont observés pour certaines tranches granulométriques. Il
faudra toutefois se pencher sur le fait que le modèle prédise systématiquement un partage
du quartz fin (-106 µm) vers la sousverse qui soit inférieur à celui observé en pratique.
Hématite_Simulation Hématite_Expérience Hématite_Simulation Hématite_Expérience

Quartz_Simulation Quartz_Expérience Quartz_Simulation Quartz_Expérience
Partage des minéraux en

100 100
sousverse (%)
sousverse (%)
50 50
0 0
10 100 1000 10 100 1000
Dimension (µm) Dimension (µm)
a) Test 1: Wpa=171 tmn/h et EF =1850 L/min b) Test 2: Wpa=171 tmn/h et EF =2200 L/min
Hématite_Simulation Hématite_Expérience Hématite_Simulation Hématite_Expérience
Quartz_Simulation Quartz_Expérience Quartz_Simulation Quartz_Expérience
100 100

sousverse (%)
sousverse(%)
50 50
0
0
10 100 1000
10 100 1000
Dimension (µm)
Dimension (µm)
c) Test 3: Wpa=144 tmn/h et EF =2200 L/min d) Test 4: Wpa=144 tmn/h et EF =1700 L/min
Figure 7. 2 : Comparaison entre les courbes de partage modélisées et celles calculées à
partir des données des campagnes de juin 2011.
139
Tableau 7. 3 : Comparaison entre les courbes de partage modélisées et observées de
l’hématite, pour les tests 1 et 2 des campagnes de juin 2011
Tableau 7. 3 (suite) : Comparaison entre les courbes de partage modélisées et observées de

l’hématite, pour les tests 3 et 4 des campagnes de juin 2011
Tableau 7. 4 : Comparaison entre les courbes de partage modélisées et observées du quartz,

pour les tests 1 et 2 des campagnes de juin 2011
140
Tableau 7. 4 (suite) : Comparaison entre les courbes de partage modélisées et observées du
quartz, pour les tests 3 et 4 des campagnes de juin 2011
7.2.2. Comparaison entre les variables de performance simulées et

celles calculées à partir des données expérimentales
Le tableau 7.5 montre que la simulation répond bien dans le cas du rendement poids mais
des écarts significatifs sont constatés dans le cas de la teneur en silice, surtout pour les
tests 3 et 4 des campagnes de juin 2011. Dans tous les cas, la simulation donne des
teneurs en silice supérieures à celles de l’expérience. Cette erreur systématique provient
probablement du fait que les modèles des minéraux porteurs de silice (quartz et grenat)
utilisés dans la simulation ne sont pas significatifs. Les résultats des différents tests
effectués sur les classificateurs hydrauliques (voir chapitres 5 et 6) ont révélés qu’il n’est
pas évident de corréler la teneur en SiO2 de la sousverse avec les variables d’entrée du
classificateur. Il faudrait donc, au cours d’un projet futur, pousser l’étude plus loin afin de
déterminer les plages de manipulation des variables opératoires qui pourraient être à
l’origine de la variation de la teneur en SiO2 en sousverse du classificateur.
Tableau 7. 5 : Comparaison entre les variables de performance (rendement poids et teneur

en silice de la sousverse) simulées et celles calculées à partir des données des campagnes
de juin 2011
Rendement poids (%) Teneur en SiO2 (%)
Test
Simulation Expérience Écart Simulation Expérience Écart
1 86.21 86.71 0.58 1.64 1.59 2.79
2 85.31 85.22 0.10 1.60 1.48 8.10
3 79.79 81.46 2.05 1.44 1.25 18.36
4 86.16 85.21 1.11 1.51 1.29 16.58
141
7.2.3. Modification des variables opératoires
Le simulateur est utilisé pour observer l’impact de la modification des variables opératoires
sur les variables de performance (rendement poids et teneur en silice) du classificateur.
Les données de l’alimentation présentées au tableau 7.6 et les conditions opératoires
compilées dans le tableau 7.7 proviennent du test 1 des campagnes de juin 2011
(réalisées en production de BSA). Les valeurs de rendement poids et teneurs en silice
obtenues sont portées en graphique en fonction des variables opératoires aux figures 7.3
à 7.7.
Tableau 7. 6 : Alimentation du test 1 des campagnes de juin 2011

Classe (µm) % retenu % Fe2O3 %SiO2 %Al2O3 %TiO2 %K2O
+850 6.42 97.25 2.42 0.20 0.06 0.008
-850/+600 10.34 97.45 2.13 0.25 0.07 0.010
-600/+425 16.86 97.48 2.22 0.17 0.07 0.007
-425/+300 17.33 97.06 2.40 0.31 0.10 0.012
-300/+212 17.02 94.53 4.90 0.32 0.12 0.012
-212/+150 14.63 90.67 8.88 0.22 0.14 0.009
-150/+106 9.55 89.19 10.27 0.27 0.17 0.010
-106 7.85 91.62 7.68 0.36 0.21 0.013
Tête 100 94.63 4.88 0.26 0.11 0.010
Tableau 7. 7 : Conditions opératoires du test 1 des campagnes de juin 2011

Noms Symboles Valeurs
Tonnage d'alimentation Wpa (tmn/h) 171.0
%Solide du concentré de Mont-Wright humide 97.0%
Débit de solide alimenté WF (t/h) 165.8
Densité du lit de pulpe δLit (L/min) 2.00
Débit d'eau de fluidisation EF (L/min) 1851
Débit d'eau de dilution ED (L/min) 3326
Débit d'eau de cône ECô (L/min) 202.6
%Solide de l'alimentation diluée sa (%) 46.1
La figure 7.3 montre que lorsque le tonnage d’alimentation augmente, le rendement poids
et la teneur en silice de la sousverse augmentent également. Sachant que ces
modifications ont été faites à densité de lit constante, cette observation est logique
puisque lorsqu’on augmente la quantité de matériel qui entre dans le classificateur, la
142
vanne de sousverse doit augmenter son ouverture afin de maintenir la même densité de lit
dans l’équipement. Et donc, la quantité de matériel qui va être récupérée en sousverse va
également augmenter due à une ouverture de vanne plus large. L’augmentation de la
teneur en silice de la sousverse est cohérente avec l’idée qu’un rendement poids en
hausse favorise un entraînement non sélectif de minéraux en sousverse. Cependant, les
teneurs en silice demeurent élevées par rapport à ce qui est observé en pratique. L’écart
vient probablement d’une mauvaise prédiction du partage des fines vers la sousverse. Les
prédictions présentées à la figure 7.3 doivent être considérées comme indicatives et non
pas absolues puisque les plages de données utilisées pour la calibration des modèles ne
couvrent pas nécessairement la plage de tonnage allant de 140 à 250 t/h.
Rendement poids (%) Teneur en silice (%)
92 2,00
Teneur en silice en sousverse (%)

90 1,90
Rendement poids (%)
88 1,80
86 1,70
84 1,60
82 1,50
80 1,40
130 150 170 190 210 230 250 270

classificateur en fonction du tonnage d’alimentation.
L’effet du débit d’eau de fluidisation est montré à la figure 7.4. La simulation prédit une
diminution du rendement poids et de la teneur en silice de la sousverse en fonction du
débit d’eau de fluidisation. Cette observation est cohérente avec la physique du procédé et
est en accord avec les résultats des campagnes avec granulochimies (voir section 6.2 du
chapitre 6).
143
92 2,00

90 1,90
Rendement poids (%)
88 1,80
86 1,70
84 1,60
82 1,50
80 1,40
1600 1800 2000 2200 2400

classificateur en fonction du débit d’eau de fluidisation.
Comme dans le cas du débit d’eau de fluidisation, l’augmentation de la densité du lit
entraîne une baisse du rendement poids et de la teneur en SiO2. Le résultat de la
simulation est montré à la figure 7.5. Cette observation est cohérente avec celle faite à la
section 5.3 du chapitre 5. L’impact de la densité du lit est plus important que celui du débit
d’eau de fluidisation. Une augmentation du débit d’eau de fluidisation de 35% (de 1700
L/min à 2300 L/min) entraîne une baisse du rendement poids de 3.3% (de 87.2% à 84.3%)
et de la teneur en SiO2 de 6.7% (de 1.67% à 1.55%) alors que dans le cas de la densité
du lit, le même pourcentage d’augmentation (de 1.70 à 2.30) diminue le rendement poids
de 9.5% (de 89.59% à 81.11%) et la teneur en silice de 26 % (de 1.94% à 1.43%). La
variation simulée de densité de lit est importante puisqu’en pratique la densité du lit varie
entre 1.9 et 2.2 et que la simulation couvre une plage allant de 1.7 à 2.4 qui sort des
zones utilisées pour la calibration des modèles.
144
92 2,00

90 1,90
Rendement poids (%)

88 1,80
86 1,70
84 1,60
82 1,50
80 1,40
1,60 1,80 2,00 2,20 2,40

classificateur en fonction de la densité du lit de pulpe dans le classificateur.
L’augmentation du pourcentage de dilution de l’alimentation entraîne une baisse du
rendement poids et de la teneur en silice. Ces résultats, montrés à la figure 7.6, sont
cohérents avec ceux obtenus dans le cas de la phase 2 des campagnes d’avril 2010 (voir
point b de la section 6.2.2.2. du chapitre 6) même si dans ce cas, la densité du lit n’était
pas constante. L’eau de dilution affecte très peu le partage de l’hématite (voir point b de la
section 6.2.2.2. du chapitre 6), traduit ici par le rendement poids (sachant que l’hématite
constitue plus de 94% du concentré de Mont-Wright).
Sur la figure 7.6, une augmentation du débit d’eau de dilution de 75% (de 2000 L/min à
3500 L/min) entraîne une baisse du rendement poids de 1.03% (de 87.51% à 86.61%), ce
qui est faible comparativement à l’impact simulé de l’eau de fluidisation et de la densité du
lit. L’eau de dilution affecte davantage le partage du quartz que celui de l’hématite avec un
partage qui est plus grossier lorsque le débit d’eau dilution augmente. Ce partage plus
grossier correspond à une baisse du rendement des particules de quartz en sousverse,
entraînant une diminution de la teneur en silice dans ce flux (le quartz étant porteur de
plus de 90% de la silice du concentré de Mont-Wright). Pour le cas traité dans ce
simulateur, cette diminution est de 13.1% (de 1.84% à 1.60%) pour une augmentation du
débit d’eau de dilution de 75%.
145
92 2,00

90 1,90
Rendement poids (%)
88 1,80
86 1,70
84 1,60
82 1,50
80 1,40
1900 2400 2900 3400
Débit d'eau de dilution (L/min)

classificateur en fonction du débit d’eau de dilution.
Le débit d’eau de cône est la seule variable opératoire qui n’a pas été modifiée durant
toutes les campagnes réalisées dans le cadre du projet de maîtrise et l’estimation de son
effet sur les paramètres du modèle n’a été possible qu’en combinant différentes
campagnes d’échantillonnage. Des simulations préliminaires semblent indiquer qu’une
augmentation du débit d’eau de cône entraîne une baisse du rendement poids sans
affecter sensiblement la teneur en silice. Ce résultat n’est pas en contradiction avec le fait
que le classificateur CPBE est celui qui donne les meilleurs rendements poids (autour de
89%) et que ce classificateur est souvent opéré à un débit d’eau de cône inférieur à 100
L/min (une valeur moyenne d’opération de 67 L/min), alors que ce débit moyen tourne
autour de 250 L/min pour les classificateurs CPBA, CPBB et CPBC (voir tableau 3.7,
section 3.2.6 du chapitre 3). Ces valeurs sont obtenues à partir de statistiques s’étendant
sur 17 mois, allant du 1er janvier 2011 au 31 mai 2012. L’eau de cône serait alors un
paramètre à tenir en compte si un autre projet devrait être réalisé pour pousser plus loin la
compréhension du fonctionnement du classificateur.
7.2.4. Modification des caractéristiques de l’alimentation

Le simulateur est utilisé avec les conditions opératoires présentées au tableau 7.7 et les
données d’alimentation des tests 1 (tableau A6.5) et 3 (tableau A6.6) des campagnes
préliminaires, du test 1 de la phase 1 des campagnes d’avril 2010 (tableau A6.7), du test 3
de la phase 3 des campagnes d’avril 2010 (tableau A6.8) et des tests 1 (voir tableau 7.6)
et 3 des campagnes de juin 2011 (tableau A6.9) pour observer l’impact du changement de
146
la granulométrie et la granulochimie de l’alimentation du classificateur sur la teneur en
silice de la sousverse. Les résultats obtenus sont présentés au tableau 7.8 et à la
figure 7.7.
Le simulateur prédit des rendements poids supérieurs à 80% et un lien étroit semble se
dégager entre les teneurs en silice obtenues en sousverse et l’ARL de l’alimentation (voir
tableau 7.8). La figure 7.7 montre que la teneur en SiO2 de la sousverse augmente lorsque
l’ARL augmente. Ce résultat va dans le sens attendu.
Tableau 7. 8 : Impact de la variation des caractéristiques du concentré de Mont-Wright sur

la teneur en silice de la sousverse du classificateur
Type de Rendement %SiO2 en %SiO2 à
Tests Date ARL (%)
concentré poids (%) sousverse l’alimentation
Test 1 (pré-maîtrise) 16/11/2009 CBS 87.21 1.43 3.48 1.93
Test 3 (pré-maîtrise) 21/12/2009 CBS 84.14 1.19 4.14 1.61
Test 1 (Phase 1 avril 2010) 29/04/2010 CBA 84.04 1.37 4.07 1.98
Test 3 (Phase 3 avril 2010) 28/04/2010 CBA 84.97 1.49 4.33 2.11
Test 1 (juin 2011) 01/06/2011 CBA 86.21 1.64 4.88 2.29
Test 3 (juin 2011) 02/06/2011 CBA 83.63 1.44 4.53 1.91
Teneur en silice sousverse (%)

Linéaire (Teneur en silice sousverse (%))
2,00
1,80
%SiO2 en sousverse
y = 0,6169x + 0,2106
R² = 0,9222
1,60
1,40
1,20
1,00
1,50 1,70 1,90 2,10 2,30 2,50
%SiO2 +300 µm à l'alimentation (ARL)
Figure 7. 7 : Impact de la variation l’ARL du concentré de Mont-Wright sur la teneur en

silice de la sousverse du classificateur
Les différents aspects étudiés pour valider les modèles des diamètres d’équicoupure et
d’acuités de séparation des différents minéraux montrent que ces modèles sont fiables.
Toutefois, des améliorations doivent être apportées aux différents modèles pour éliminer
147
l’erreur systématique causant une surestimation de la teneur en silice de la sousverse. Il
faut aussi mentionner que la densité du lit est utilisée dans le modèle comme une variable
opératoire alors qu’en pratique la densité du lit est une variable d’état qui dépend des
conditions opératoires. Le développement d’un modèle phénoménologique basé sur la
physique de la sédimentation permettrait de prendre en considération cette interaction
entre les variables opératoires et la densité du lit.
7.3. Scénarios d’opération pour obtenir la combinaison

« meilleur rendement poids versus meilleure teneur en
silice en sousverse »
Les résultats obtenus dans la section 7.2.3 montrent quelques conditions favorables à
l’obtention de la combinaison « meilleur rendement poids versus meilleure teneur en silice
en sousverse » du classificateur. Pour obtenir une teneur en silice inférieure à 1.40%, il
faudrait opérer le classificateur à une densité de lit élevée car c’est le paramètre qui
entraîne la plus forte baisse de la teneur en silice (diminution de 26.16%) avec la plus
faible variation (augmentation de 35.29%). Un exemple de simulation est présenté au
tableau 7.9. Certaines observations et simulations semblent indiquer que l’utilisation d’un
faible débit d’eau de cône permettrait peut-être une augmentation du rendement poids.
Cette section illustre une application pour le modèle en supposant que l’effet du débit
d’eau de cône a l’impact prédit par les équations 7.2 à 7.10, bien que d’autres essais
devraient être conduits pour valider l’effet du l’eau de cône.
La simulation des conditions opératoires de la colonne « Simulation 0 » du tableau 7.9 et

des données d’alimentation du tableau 7.6 donne un rendement poids de 82.88% et une
teneur en silice de 1.63% en sousverse du classificateur. Le rendement poids est correct
mais la teneur en silice ne l’est pas puisqu’en production de BSA la teneur en SiO2 qui est
visée doit être inférieure à 1.40%. En se basant sur les observations précédentes, il faut
augmenter la densité du lit de pulpe afin de baisser cette teneur en silice, tout en sachant
que la densité maximale d’opération des classificateurs obtenue à date est d’environ 2.4
(voir tableau 3.7, section 3.2.6 du chapitre 3). Il est possible de constater dans la colonne
« Simulation 1 » du tableau 7.9 que même si la densité augmentait jusqu’à la valeur
maximale, la teneur en silice ne baisserait pas en dessous de 1.40%. Il faudrait donc
s’assurer que le débit de cône fixé soit proportionnel au tonnage d’alimentation. Pour
déterminer la relation entre le débit d’eau de cône et le tonnage d’alimentation, plusieurs
scénarios ont été considérés est présentés au tableau A6.15 de la section VI des
148
annexes. Le tonnage d’alimentation a été varié de 150 à 260 tmn/h, par incrément de 10,
pour différentes valeurs de débit d’eau de fluidisation (1700 à 2300 L/min, par incrément
de 100). Les résultats des débits d’eau de cône maximaux obtenus sont présentés au
tableau A6.16 (section VI des annexes) et la variation de leurs valeurs moyennes en
fonction du tonnage est illustrée à la figure 7.8.
Selon le modèle obtenu, le débit d’eau de cône maximal qui devrait être considéré est de
159 L/min pour un tonnage de 188 tmn/h. Avec cette nouvelle condition opératoire, la
simulation donne un rendement poids de 90.52 % et une teneur en silice de 1.57% (voir
colonne « Simulation 2 » du tableau 7.9). La densité du lit peut alors être augmentée pour
obtenir une teneur de silice en sousverse inférieure à 1.40% (voir colonne « Simulation 3 »
du tableau 7.9). Toutefois, cette teneur en silice ne peut pas baisser en deçà de 1.36% à
cause de la contrainte de densité maximale (voir colonne « Simulation 4 » du tableau 7.9).
Tableau 7. 9 : Variables opératoires à utiliser pour obtenir un rendement poids supérieur à

80% et une teneur en silice en sousverse inférieure à 1.40%
Simulation Simulation Simulation Simulation Simulation
Variables opératoires
0 1 2 3 4
Wpa (tmn/h) 188.0 188.0 188.0 188.0 188.0
WF (t/h) 182.4 182.4 182.4 182.4 182.4
δLit (L/min) 2.00 2.40 2.00 2.30 2.40
EF (L/min) 1850.0 1850.0 1850.0 1850.0 1850.0
ED (L/min) 3678.3 3678.3 3678.3 3678.3 3678.3
ECô (L/min) 250.0 250.0 159.1 159.1 159.1
sa (%) 46.0 46.0 46.0 46.0 46.0
Rps (%) 82.88 69.91 90.52 84.18 81.31
%SiO2 1.63 1.54 1.57 1.39 1.36
Figure 7. 8 : Variation du débit d’eau de cône en fonction du tonnage d’alimentation.
149
7.4. Conclusion
En utilisant les données des campagnes d’échantillonnage on a pu construire un
simulateur simplifié du classificateur hydraulique. Le simulateur utilise des relations
empiriques entre les conditions opératoires et les diamètres d’équicoupure et acuités de
séparation des minéraux pour prédire des courbes de partage qui sont ensuite utilisées
pour simuler le classificateur. Les résultats présentés dans ce chapitre ont permis de
montrer qu’un modèle empirique relativement simple pouvait être utilisé pour simuler
assez bien le fonctionnement du classificateur et pour évaluer de façon préliminaire des
stratégies de commande. Il reste encore du travail de validation à faire avant que le
modèle puisse être utilisé en parallèle et en temps réel avec le procédé industriel dans un
contexte de stratégie de commande à modèle interne par exemple.
Le modèle fonctionne bien, mais a ses limites puisque la densité du lit est une variable
d’entrée de la simulation, alors qu’en pratique cette variable dépend des conditions
opératoires. Il faudrait donc établir les bases d’un modèle à caractère phénoménologique
pour relier physiquement ces variables.
Les travaux de simulation ont aussi permis d’observer que l’eau de cône pourrait s’avérer
une variable stratégique dans la régulation du rendement poids du classificateur
hydraulique. Des essais devraient par conséquent être entrepris dans la suite des travaux
pour générer les données nécessaires à l’évaluation de l’impact de cette variable sur le
rendement poids
150
Conclusion générale
Ce projet de maîtrise visait premièrement à améliorer la compréhension du
fonctionnement des classificateurs hydrauliques utilisés pour augmenter la teneur en fer
d’un concentré d’hématite avant les opérations de boulettage. Il avait également pour
objectif d’établir une base des données pouvant être utilisée pour le calibrage d’un modèle
phénoménologique permettant de prédire les variables de sortie de l’équipement en
connaissant ses variables d’entrée. Pour ce faire, une revue de littérature a été effectuée
et des données nécessaires à la construction de ce modèle ont été générées au travers
de campagnes d’échantillonnage conduites sur les classificateurs hydrauliques de l’usine
de boulettage d’ArcelorMittal. Ce projet a été subventionné par l’usine de boulettage
d’ArcelorMittal et les travaux ont été réalisés dans le cadre d’un partenariat entre l’usine
de boulettage (par le biais de Monsieur Claude Gosselin) et le département de génie des
mines, de la métallurgie et des matériaux (par le biais du professeur Claude Bazin).
La revue de littérature, présentée au chapitre 2, a permis de réviser des notions sur les
procédés minéralurgiques et les types d’équipements employés pour la concentration
gravimétrique des minéraux. Les classificateurs hydrauliques utilisés à l’usine de
boulettage d’ArcelorMittal appartiennent à la classe des classificateurs hydrauliques à
injection d’eau claire et sont de type non mécanique à lit fluidisé. Les notions nécessaires
à la compréhension du fonctionnement d’un classificateur hydraulique à lit fluidisé et
quelques-unes de leurs applications ont été aussi présentées. L’utilisation de cet
équipement a été également positionnée dans la chaîne de traitement des minerais pour
produire des concentrés de valeur économique. Il est toutefois ressorti de cette recherche
bibliographique que peu d’études ont été réalisées sur la modélisation, le contrôle et
l’instrumentation des classificateurs hydrauliques.
L’étude du circuit de traitement du minerai de fer par ArcelorMittal au Québec, faite au

chapitre 3, a permis de situer et de déterminer l’importance du classificateur hydraulique à
lit fluidisé dans l’opération de l’usine de boulettage de la compagnie. Les variables de
performance utilisées à l’usine pour maintenir une opération économique de l’usine ont été
discutées et analysées de même que la stratégie d’opération du classificateur hydraulique
employée pour respecter les contraintes liées à ces variables. Cette étude a également
permis de justifier l’objectif poursuivi par ce projet au travers de la problématique liée à
l’opération des classificateurs hydrauliques de l’usine de boulettage. Une analyse
151
statistique des données de production échelonnées sur 84 jours a été effectuée en même
temps que la révision des procédures d’opération. L’objectif de l’analyse était d’identifier
des comportements à partir de données journalières. L’analyse n’a pas permis d’établir
des relations entre le débit d’eau de fluidisation, la densité du lit de pulpe dans le
classificateur et la teneur en silice de la sousverse du classificateur. Il pourrait toutefois y
avoir des relations de cause à effet entre le tonnage d’alimentation du classificateur et la
teneur en silice de la sousverse. Déjà à ce stade de l’analyse du procédé, il pouvait être
anticipé qu’il serait difficile d’établir des relations nettes entre les variables de commande
et les variables de performance.
La description des campagnes d’échantillonnage est présentée au chapitre 4.

L’élaboration des plans d’échantillonnage a permis de cibler les variables opératoires du
classificateur à modifier afin d’étudier leurs impacts sur les variables de sortie de cet
équipement, principalement les variables de performance (rendement poids et teneur en
silice en sousverse). Dans le cadre d’une des campagnes, le plan d’échantillonnage a été
élaboré de manière à étudier également l’impact sur la variable d’état (densité du lit de
pulpe) du classificateur. Il s’agit des essais dynamiques réalisés en avril 2010. Deux types
d’essais présentés dans ce mémoire sont novateurs. Tout d’abord, on n’a pas trouvé de
trace dans la littérature de mesures prises à différentes profondeurs dans un classificateur
hydraulique. Dans le cadre du projet, on a pu mettre au point une méthode pour siphonner
la pulpe à différentes profondeurs et ainsi caractériser le gradient de composition chimique
et granulométrique de la matière dans le classificateur. Le second type de campagne qui
apporte un plus au domaine de traitement de minerais est celui réalisé pour étudier les
réponses dynamiques des variables de performance et d’autres variables de sortie
(comme la granulométrie des particules) à des échelons appliquées sur les variables
d’entrée (tonnage d’alimentation, débits d’eau de dilution et de fluidisation, ouverture de la
vanne) du classificateur. Les données produites par ces campagnes ont permis de calibrer
des fonctions de transfert et d’évaluer approximativement les constantes de temps du
procédé. Les données de ces essais n’ont pas été exploitées au maximum mais sont
disponibles pour des études ultérieures portant sur la modélisation de l’opération des
classificateurs hydrauliques.
152
Le traitement des données des essais dynamiques d’avril 2010 est présenté au chapitre 5.
Les fonctions de transfert des réponses dynamiques des variables d’état et de sortie du
classificateur aux différents échelons appliqués sur les variables d’entrée y ont été
calibrées. Le calibrage des fonctions de transfert a démontré que dans la plupart des cas,
les gains sont cohérents avec la physique du procédé et que les constantes de temps
correspondent assez bien aux temps de séjour moyen des particules dans le
classificateur. Cette étude a également permis de justifier le fait que la vanne de
sousverse soit utilisée pour la régulation de la densité du lit de pulpe dans le classificateur.
Il est également ressorti que la densité du lit de pulpe, au travers de l’ouverture de la
vanne de sousverse, permet d’avoir un impact considérable sur le rendement poids
approximé par la teneur en Fe2O3 en surverse et que le choix d’une variable pour la
régulation du %SiO2 en sousverse n’est pas évident. L’étude faite dans ce chapitre
renforce l’idée de construire un modèle phénoménologique permettant de tenir compte de
toutes les variables qui influencent les variables de sortie du classificateur.
Le traitement des données des autres campagnes d’échantillonnage est présenté au

chapitre 6 de même que les méthodes de réconciliation des données utilisées pour les
campagnes réalisées sans et avec granulochimies. Les courbes de partage des minéraux
issues des données réconciliées ont permis d’identifier l’impact des variables opératoires
(débit d’eau de fluidisation, débit d’eau de dilution de l’alimentation, tonnage d’alimentation
et ouverture de la vanne de sousverse) du classificateur hydraulique sur les variables de
performance, soit le rendement poids et la teneur en silice de la sousverse. À densité de lit
variable (campagnes d’avril 2010), il a été constaté qu’une baisse du débit d’eau de
fluidisation, une baisse du tonnage d’alimentation et une augmentation de l’ouverture de la
vanne de sousverse entraînent une coupure plus fine de l’hématite et du quartz. Cette
coupure fine crée à la fois une augmentation du rendement poids et de la teneur en silice
en sousverse du classificateur. L’eau de dilution affecte très peu le partage de l’hématite
mais a un impact sur celui du quartz avec un partage plus fin lorsque la dilution de
l’alimentation baisse. À densité de lit constante, le tonnage d’alimentation affecte très peu
le partage des minéraux et une baisse du débit d’eau de fluidisation entraîne un partage
plus fin, favorisant l’augmentation du rendement poids et de la teneur en silice de la
sousverse. Il est également ressorti de ce chapitre que la stratégie d’opération des
classificateurs ne change pas selon le type de boulettes produites. Les caractéristiques
des boulettes sont effectivement, comme le personnel de l’usine le sait, contrôlées par la
153
distribution granulométrique des minéraux dans le concentré de Mont-Wright à traiter
(CBA, CBS,…) et non par les conditions d’opération des classificateurs.
Les résultats du simulateur, construit en utilisant les données des campagnes

d’échantillonnage, sont présentés au chapitre 7. Les simulations présentées dans ce
chapitre ont permis de montrer qu’un modèle empirique relativement simple pouvait être
utilisé pour simuler assez bien le fonctionnement du classificateur et pour évaluer de façon
préliminaire des stratégies de commande. Le modèle est construit à partir de relations
empiriques entre les conditions opératoires et les diamètres d’équicoupure et acuités de
séparation des minéraux pour prédire des courbes de partage. Les travaux de simulation
ont aussi permis d’observer que l’eau de cône pourrait s’avérer être une variable
stratégique dans la régulation du rendement poids et la densité du lit de pulpe dans celle
de la teneur en silice de la sousverse du classificateur hydraulique. Toutefois, ces travaux
ont aussi montré que le modèle empirique utilisé pour la simulation présente des limites
puisque la densité du lit y est considérée comme une variable d’entrée de la simulation,
alors qu’en pratique cette variable dépend des conditions opératoires du classificateur et
plus particulièrement de l’ouverture de la vanne de sousverse.
Malgré les limitations que présente le modèle empirique construit, celui-ci fonctionne bien
puisque les résultats de simulation obtenus en modifiant les variables opératoires sont
cohérents avec ceux obtenus dans les chapitres 5 et 6 et vont dans le sens de la physique
de l’opération du classificateur. Toutefois, il y a encore place à l’amélioration. Si ce projet
devrait être poursuivi, un travail de validation devrait être effectué avant que le modèle
puisse être appliqué en industrie. De plus, les bases d’un modèle à caractère
phénoménologique pour relier physiquement la densité du lit de pulpe aux variables
opératoires devraient être posées. Les données recueillies lors des campagnes
d’échantillonnage fourniront un bon point de départ pour la calibration du modèle. Enfin,
des essais sur l’impact du débit d’eau de cône sur le rendement poids devraient être
conduits pour statuer de la fiabilité des résultats obtenus par simulation.
154
Bibliographie
1. Eurofer’s Economic Committee, Economic and Steel Market Outlook 2012-2013
(Q4-2012), Brussels, 5th November 2012.
2. Gosselin A., Blackburn D. et Bergeron M., Protocole d’évaluation de la traitabilité
des sédiments, des sols et des boues à l’aide des technologies minéralurgiques.
Sainte-Foy, 1999.
3. http://www.arcelormittal.com/minescanada/a_propos/installations.aspx
4. Groupe du Procédé de l’usine de boulettage d’ArcelorMittal, Formation : Nouvelle
approche des classificateurs primaires. Port-Cartier : Usine de boulettage
d’ArcelorMittal, 2009.
5. Bazin C., Payenzo M.G., Desnoyers M., Gosselin C., & Chevalier G., The use of
simulation for process diagnosis : Application to a gravity separator. International
Journal of Mineral Processing, Vol. 104-105 (2012), pp. 11-16.
6. Del Villar R., Compléments de minéralurgie (GMN-7008), Québec : Université
Laval, 2010.
7. Majumdar A. K., Bag S. P., Determination of titanium and zirconium and their
separation from each other with chelidonic acid. India: Anal. Chim. Acta, 28 (1963).
293-295.
8. Del Villar R., Minéralurgie (GMN-18919), Québec : Université Laval, 2005.
9. Houot R. et Joussemet R., Classification hydraulique en dimensions. 1996, p. J
3 130-7.
10. Eleder J., Venkatraman P., and Hearn S., Application of floatex density separator
for the heavy mineral sands industry. Jacksonville, Florida,USA 1999.
11. Venkatraman P., Kow W. S., Sadowski J. and Anthraper A., Application of
floatex/spiral circuit in processing silica sand. Salt Lake City, Utah,USA 2000.
12. Remes A., Tuikka A. and Koivo H., Simulation and pilot experiments of pyrite
concentrate separation in Floatex density separator. Minerals & Metallurgical
Processing, Vol. 28 (2011), no 2, pp. 62-70.
13. Del Villar R., Conception/Optimisation en minéralurgie (GMN-7000), Québec :
Université Laval, 2011.
14. Sarkar B., Das A., Mehrotra S. P., Study of separation features in floatex density
separator for cleaning fine coal. International Journal of Mineral Processing 86
(2008), pp. 40-49.
15. Das A., Sarkar B., Mehrotra S. P., Prediction of separation performance of Floatex
Density Separator for processing of fine coal particles. International Journal of
Mineral Processing 91 (2009), pp. 41-49.
16. Audet A., La métallurgie du fer. Port-Cartier : Usine de boulettage d’ArcelorMittal,
1995.
17. http://www.thecanadianencyclopedia.com/articles/fr/minerai-de-fer#SUBLinks
18. http://sinfin.net/railways/world/canada/lab-cnq.html
19. Bazin C., Rapport de la rencontre du 16 Août 2010. Québec : Université Laval.
155
20. http://www.arcelormittal.com/minescanada/salle_de_presse/Lists/Communique/Dis
pForm.aspx?ID=66
d’ArcelorMittal, 2009. p. 12.
24. Seborg D. E., Edgar T. F., Mellichamp D. A., Process dynamics and control. Willey
(2004), 2nd Ed.
25. Box GEP, Jenkins G. M., Time series analysis: Forecasting and control. Holden-
Day, San-Francisco, 1976.
26. Mendenhall W., Wackerly D. D., Scheaffer R. L., Mathematical statistics with
applications. Duxbury press (1973), 3rd Ed.
27. http://www.cours.polymtl.ca/gch2535/files/H2011/Notes%20MultLagrangeOptimisat
ion_Hiver_2011.pdf
28. http://www.parctechno.com/fr/registre/?id=7
29. http://www.caspeo.net/fr/Logiciels/BILCO/BILCO%203%20brochure%20Fr.pdf
30. http://www.mesures.com/archives/030_034_Sol.pdf
31. Hodouin D., Flament F., Bazin C., Reliability of material balance calculations - A
sensitivity approach. Minerals Engineering, 2, 2, pp. 157-170 (1989).
32. Bazin C., Payenzo M.G., Desnoyers M., Gosselin C., & Chevalier G., Analysis and
modelling of the operation of a hydraulic classifier for iron ore concentrate. Physical
Separation 2011: Mineral Engineering Conference, Falmouth, UK June 23-24.
33. Lynch A.J., Mineral crushing and grinding circuits: Their simulation, optimisation,
design and control. Elsevier Scientific Publishing Company, Amsterdam, 1977.
156
Annexes
Section I : Revue de littérature
Cette section est en lien avec le chapitre 2 qui traite de la revue de littérature. Les points
1.1 à 1.3 présentent les différents procédés minéralurgiques qui n’ont pas été décrits dans
le corps du mémoire. Le dernier point (1.4) de cette section présente quelques équations
de modélisation d’un classificateur hydraulique tirées de la littérature.
1.1. Principes des méthodes de séparation gravimétrique

La séparation par milieu dense fait intervenir la masse volumique du fluide ou de la pulpe
ainsi que la force gravitationnelle pour séparer les particules en deux produits, soient le
flottant et le plongeant. Elle consiste à plonger le minerai dans un fluide dont la masse
volumique est comprise entre celle du composé lourd et du composé léger contenu dans
ce minerai. La séparation se fait en fonction de la poussée d’Archimède et de la
sédimentation entravée, aidée ou non par la force centrifuge (selon l’appareil utilisé). Le
point de coupure (en termes de masse volumique) entre les deux produits peut être
modifié en ajustant la densité de la pulpe, c.-à-d. la quantité de solide présent [2]. La figure
A1.1 illustre le mécanisme de séparation par milieu dense.
Écoulement
Légende :
Minéral lourd : et Minéral léger :
Figure A1. 1 : Mécanisme de séparation par milieu dense [2].
La séparation par accélération différentielle fait intervenir la pulsation et la stratification des
particules. Cette méthode repose sur l’action des pulsations oscillatoires verticales d’un
courant d’eau [2]. Ce mouvement provoque la stratification des particules, en fonction de
leur masse volumique, dans un lit rendu fluide par un courant d’eau intermittent. L’objectif
consiste à dilater suffisamment le lit pour que les petites particules lourdes pénètrent dans
les interstices du lit (étape de filtration interstitielle) en même temps que les grosses
particules lourdes se déposent dans des conditions similaires à la sédimentation entravée.
Si l’intervalle de temps entre les secousses est assez grand, les particules vont atteindre
leur vitesse de sédimentation terminale qui dépend non seulement de leur densité mais
aussi de leur dimension, de leur forme et des interactions entre les particules. L’atteinte
des vitesses terminales rendrait difficile la séparation de petites et denses particules
d’avec celles qui sont grosses et peu denses puisque la séparation effectuée par l’appareil
est basée sur l’accélération différentielle initiale. Il faudrait donc (en théorie) que l’action de
secousses soit courte et fréquente7, afin d’avoir une séparation basée sur la densité
(accélération différentielle initiale) plutôt que sur le diamètre (vitesse terminale). Les
7 -1
Le séparateur Jig est conçu pour fonctionner avec une fréquence réglable jusqu’à 100 min
(http://www.tema-equipements.fr/jigs-separateur-densimetrique.asp, consulté le 21 mai 2012).
159
petites particules légères sont emportées vers la surverse grâce au courant d’eau
ascendant. Pour des particules assez homogènes en dimension (3 à 10 mm), il est
possible de produire une assez bonne séparation même pour les minéraux dont les
densités sont semblables (par exemple, fluorite : 3.20 et quartz : 2.65) [6]. La figure A1.2
montre le mécanisme de séparation par accélération différentielle.
Écoulement
Mouvement
A B C D E
Légende :
A : état initial
B : accélération différentielle initiale marquée par la dilatation du lit et la sédimentation
entravée dans le sens ascendant dues à l’augmentation de la vitesse d’ascension du flux
d’eau.
C : les particules fines continuent à être entraînées vers le haut.
D : la baisse de la vitesse du courant d’eau ascendant entraîne d’abord la sédimentation
de particules grossières lourdes vers le bas, suivie des autres particules. Due à la
sédimentation entravée et l’accélération différentielle initiale, le fond du lit est constitué des
particules grossières et lourdes.
E : le lit est complètement compact et la filtration interstitielle débute, favorisant ainsi le
passage de fines particules lourdes à travers les interstices du lit.
Figure A1. 2 : Mécanisme de séparation par accélération différentielle [6].
La séparation par nappe pelliculaire fluente repose sur l’action de percolation interstitielle
à travers un lit de particules en écoulement sur un plan incliné [2]. Il se passe un
alluvionnement8 au cours duquel les grains lourds et grands sont les premiers à rencontrer
le support, pouvant s’y retrouver piégés alors que les petites particules sont emportées par
le courant. Les particules qui ont atteint le fond vont se déplacer par saltation9 et la vitesse
d’entraînement dépend peu de leur dimension mais plutôt de la racine carrée de leur
masse volumique apparente. Ainsi, les particules de masse volumique élevée se
retrouveront à la partie inférieure (ou intérieure s’il y a rotation) et celles de masse
volumique faible, à la partie supérieure (ou extérieure). Pour une meilleure séparation, la
configuration de l’équipement peut être améliorée en ajoutant des pièges (riffles), des
contraintes transversales (tables à secousses) et/ou l’action de la force centrifuge
8
Dépôt des particules au fond d’un lit au cours de leur transport dans un courant d’eau
(http://fr.wikipedia.org/wiki/Alluvions, consulté le 21 mai 2012).
9
Mode de déplacement par sauts des particules alluviales grossières
(http://www.larousse.fr/dictionnaires/francais/saltation, consulté le 21 mai 2012).
160
(spirales) [6]. La figure A1.3 illustre le mécanisme de séparation par nappe pelliculaire
fluente.
Écoulement
Sédimentation Déplacement par

des particules saltation sur le fond
Légende :
Figure A1. 3 : Mécanisme de séparation par nappe pelliculaire fluente [6].
La méthode de séparation par centrifugation fait intervenir un champ centrifuge pour
séparer les particules plutôt que d’utiliser le champ de gravité. Les particules à séparer
(assez grossières) subissent la force centrifuge développée par l’appareil de séparation et
sont projetées vers les parois. De l’eau est injectée à travers les trous pratiqués dans la
paroi afin de repousser vers le centre les particules de masse volumique plus faible,
évitant aussi la formation d’un lit compact de particules sur les parois de l’appareil. De
cette façon, même les particules lourdes très fines seraient capables d’accéder à la paroi
suite à l’action de la force centrifuge. Les particules lourdes (par exemple d’or) restent
emprisonnées dans les rainures, d’où elles sont enlevées lors de l’arrêt de l’équipement,
après quelque temps d’opération. Elles constituent le concentré alors que les particules
légères, constituant le rejet, sont évacuées avec l’eau injectée [8]. La figure A1.4 montre le
mécanisme de séparation par centrifugation.
Mouvement Mouvement
Légende :
Figure A1. 4 : Mécanisme de séparation par centrifugation [8].
161
Section II : Opération du classificateur hydraulique à
l’usine de boulettage d’ArcelorMittal
Cette section est en lien avec le chapitre 3 qui traite de l’opération des classificateurs
hydrauliques de l’usine de boulettage. Les points 2.1 à 2.3 donnent une brève description
de la mine de Mont-Wright, de l’usine de boulettage et des installations portuaires
d’ArcelorMittal. Les points 2.4 à 2.5 traitent respectivement du principe de mesure des
capteurs de pression installés sur les classificateurs hydrauliques et des sources
probables d’une variation constatée dans les données de production à la section 3.2.7.
2.1. Opération de la mine de Mont-Wright
Légende : CFC : Chemin de Fer Cartier, CFA : Chemin de Fer Arnaud, QNSL : Quebec
North Shore & Labrador Railway.
Figure A2. 1 : Chemin de fer servant au déplacement minerai de fer exploité par
ArcelorMittal de Mont-Wright à Port-Cartier [18].
162
Figure A2. 2 : Camion de 400 tonnes en chargement par une pelle électrique de la mine
d’ArcelorMittal Mines Canada [20].
Tableau A2. 1 : Spécifications des différents types de concentré [16]
163
2.2. Opération de l’usine de Boulettage
2.2.1. Entreposage du concentré de Mont-Wright
De façon générale, l’opérateur du culbuteur achemine le concentré aux endroits suivant
pour l’entreposage :
• Directement dans les silos de l’usine (selon la demande en concentré du
contremaître à la salle de contrôle).
• Directement aux navires (selon les instructions du contremaître à la manutention).
• Dans la cour extérieure de l’usine, appelée « KRUPP ».
• Dans un entrepôt appelé « SHED ».
La capacité des aires de stockage est de 2.5 millions de tonnes de concentré et de 1.7
million de tonnes de boulettes. Pour en assurer la manutention, la Compagnie dispose
d’un impressionnant réseau de convoyeurs souterrains et aériens totalisant 7 kilomètres,
assorti d’équipements d’empilement et de récupération : une entasseuse, une gerbeuse et
une entasseuse-gerbeuse. À cela s’ajoutent le culbuteur et le chargeur de navire [3].
2.2.2. Enrichissement du concentré de Mont-Wright
En fonction de la demande des clients (en production de BSA et de BBS), le concentré de
Mont-Wright peut être enrichi à nouveau. L’équipement d’enrichissement utilisé par l’usine
de boulettage est un classificateur hydraulique à lit fluidisé. L’usine de boulettage
d’ArcelorMittal possède 4 classificateurs hydrauliques primaires nommés CPBA, CPBB,
CPBC et CPBE. Les classificateurs CPBA, CPBB et CPBC sont installés sur la ligne 1 et
le CPBE sur la ligne 2. Les classificateurs primaires de la ligne 1 sont opérés à faible
récupération poids (80%) par rapport au classificateur primaire de la ligne 2 (89%). Ils sont
alimentés avec le concentré de Mont-Wright dont ils baissent la teneur en silice par
classification. Cette teneur varie dépendamment du type de boulettes fabriqué (voir
tableau 3.3.
2.2.3. Broyage du concentré de Mont-Wright

Six broyeurs à boulets (BROA, BROB, BROC, BROD, BROE et BROF), de 5.2 mètres de
diamètre par 10.36 mètres de long avec un moteur de 4.5 MW chacun, permettent de
réduire le concentré de Mont-Wright en poudre avant de l’utiliser pour fabriquer les
boulettes. Les broyeurs BROA, BROB et BROC sont installés sur la ligne 1 et Les
broyeurs BROD, BROE et BROF sont installés sur la ligne 2. Dépendamment du produit
fabriqué, ces broyeurs peuvent être directement alimentés avec le concentré de Mont-
Wright frais (provenant des silos des broyeurs) ou avec le concentré (Sousverse) des
classificateurs primaires ou encore avec le concentré provenant de l’usine
d’enrichissement (Concentré des classificateurs secondaires et tertiaire et des spirales
primaires et secondaire).
2.2.4. Boulettage du concentré de Mont-Wright
L’agglomération se fait sur de grands disques rotatifs, de 7.5 mètres de diamètre, inclinés
à environ 45 degrés. Un convoyeur achemine le matériel de la trémie et le jette près du
centre du disque. Des râteaux, installés en haut du disque, servent à décoller le matériel
du fond du disque. Dépendamment du taux d’humidité, de l’eau peut être ajoutée. L’usine
de boulettage d’ArcelorMittal possède 10 disques d’agglomération dont 5 par ligne.
164
2.2.5. Frittage des boulettes de fer
L’usine de boulettage d’ArcelorMittal dispose de deux fours à grilles mobiles (un par ligne)
à l’intérieur desquels se déroule le durcissement des boulettes. Durant cette étape, les
boulettes acquièrent la dureté nécessaire pour supporter, sans se briser, les dures
épreuves du transport par bateau, de la manutention et finalement les hautes pressions
qui règnent à l’intérieur d’un haut-fourneau ou d’une tour de réduction directe. Chaque four
a environ 5 mètres de large pour environ 130 mètres de longueur et est divisé en six
zones : Séchage ascendant, séchage descendant, précuisson (sept sections), cuisson,
refroidissement primaire et refroidissement secondaire. Les fours sont chauffés par
combustion de mazout et disposent chacun d’un maximum de 44 brûleurs (22 de chaque
côté) contrôlés indépendamment qui assurent une température de cuisson uniforme près
du point de fusion du fer ( ≈ 1300 à 1320°C).
2.2.6. Enrichissement secondaire du concentré de Mont-Wright

À part les équipements d’enrichissement primaire, le complexe de Port-Cartier dispose
également d’équipements d’enrichissement secondaire, tertiaire et quaternaire. Ces
équipements se trouvent dans l’usine d’enrichissement, aussi appelée U.E. Cette usine
sert à traiter les surverses des classificateurs primaires. Elle renferme, comme
équipement d’enrichissement, deux classificateurs secondaires (CH30 et CH31), un
classificateur tertiaire (CH32) et deux bancs de spirales (spirales primaires : #2 et spirales
secondaires : #1). Les concentrés des différents équipements d’enrichissement sont
envoyés au broyeurs de la ligne 2 afin d’être utilisés pour la fabrication des boulettes,
notamment le BROD et le BROF (seulement en production de BSA). Les rejets finaux
(Surcalibre tamis vibrants + surverse cyclone 1 + rejets des spirales secondaires) de l’U.E
sont envoyés dans le parc à résidus.
165
Figure A2. 3 : Schéma de procédé de l’usine de boulettage d’ArcelorMittal.
2.3. Installations portuaires
Les installations portuaires de Port-Cartier présentent une capacité d'expédition qui
dépasse 20 millions de tonnes par année, le hissant ainsi au premier rang des ports privés
au Canada. Le trafic maritime y atteint environ 450 navires par an.
Construit dans le roc à l’embouchure du golfe Saint-Laurent, il est accessible toute l’année
et comprend cinq quais. Deux sont exclusivement réservés à l’expédition des concentrés
et boulettes, le troisième permet de recevoir les matières premières destinées au
boulettage. Les deux autres sont loués pour le transbordement des céréales en
provenance de l'Ouest canadien [3].
2.4. Principe de mesure du capteur de pression

Le capteur mesure la différence de pression entre la pression atmosphérique (à l'extérieur
du classificateur) et la pression à l'intérieur du classificateur. Il y a un disque en céramique
qui subit le poids de la pulpe à l'intérieur du classificateur et cette force exercée sur le
disque par rapport à la force de la pression atmosphérique indique une pression en
colonne d'eau (hauteur d'eau mesurée en pouce).
166
Donc, le capteur de pression lit des pouces d'eau. Ensuite, les pouces d'eau sont traduits
en 4 à 20 milliampères (mA). Une échelle de correspondance (régression linéaire) entre le
4 à 20 mA est appliquée afin d'afficher une masse volumique en g/cm3 (M. Desnoyers,
2011 : communication par courriel). Cette masse volumique est ensuite convertie en
densité en la divisant par la masse volumique de l’eau pure à 4 °C dont la valeur est de 1
g/cm³. La densité est une grandeur sans dimension et sa valeur s'exprime sans unité de
mesure.
2.5. Sources probables de la présence des deux

populations dans les données de production
Tableau A2. 2 : Quelques exemples des causes probables de la présence de deux
populations dans le cas du CPBA
Échantillonnage du CPBA à 20h00
70
Ouverture de la vanne de sousverse
60
50
40
30
(%)
20
10
0
130 150 170 190 210
Figure A2. 4 : Illustration de quelques exemples des causes probables de la présence de

deux populations dans le cas du CPBA
167
Section III : Mesures expérimentales
Cette section est en lien avec le chapitre 4 qui traite de l’acquisition des données
nécessaires pour la modélisation d’un classificateur hydraulique. Les points 3.1 à 3.4
présentent respectivement les données recueillies lors de la réalisation des campagnes
pré-maîtrise, des essais dynamiques d’avril 2010, des campagnes de juin 2011 et de ceux
de septembre 2011.

de l’usine
Tableau A3. 1 : Résultats de l’analyse granulométrique d’alimentations, concentrés et
rejets des classificateurs primaires, pour les sept campagnes préliminaires
168
Tableau A3. 2 : Résultats d’analyses chimique et granulochimique de l’alimentation, du
concentré et du rejet des différents classificateurs primaires, pour les sept campagnes
préliminaires
169
Tableau A3. 2 (Suite 1) : Résultats d’analyses chimique et granulochimique de
sept campagnes préliminaires
170
Tableau A3. 2 (Suite 2) : Résultats d’analyses chimique et granulochimique de
Test 7
Classe (µm)
% Fe2O3 % SiO2 % Al2O3 % TiO2
Alimentation
Tête 94.28 5.25 0.31 0.15
+850 98.04 1.73 0.29 0.11
-850/+600 98.04 1.73 0.29 0.12
-600/425 97.89 1.73 0.29 0.12
-425/300 97.85 1.92 0.28 0.13
-300/+212 95.15 4.42 0.28 0.15
-212/+150 89.96 9.69 0.30 0.16
-150/+106 89.42 10.11 0.34 0.18
-106 91.70 7.05 0.40 0.20
Concentré
Tête 98.92 1.13 0.28 0.14
+850 98.08 1.66 0.30 0.11
-850/+600 98.08 1.66 0.29 0.11
-600/425 98.04 1.67 0.28 0.12
-425/300 98.01 1.61 0.28 0.13
-300/+212 98.52 1.19 0.27 0.15
-212/+150 99.01 0.59 0.26 0.17
-150/+106 99.01 0.23 0.25 0.18
-106 99.01 0.23 0.25 0.18
Rejet
Tête 69.94 26.81 0.42 0.16
+850 28.25 71.83 0.32 0.13
-850/+600 28.25 71.83 0.32 0.13
-600/425 28.25 71.83 0.32 0.13
-425/300 28.25 71.83 0.32 0.13
-300/+212 28.25 71.83 0.38 0.10
-212/+150 53.93 45.45 0.44 0.11
-150/+106 81.84 17.47 0.41 0.17
-106 91.19 7.60 0.41 0.21
171
Tableau A3. 3 : Distributions granulométriques du concentré de Mont-Wright alimentant
les différents classificateurs primaires et valeurs maximales, moyennes et minimales du %
des particules passant chaque tamis pour les sept campagnes préliminaires
Tableau A3. 4 : Distributions granulométriques de l’hématite dans le concentré de Mont-

Wright alimentant les différents classificateurs primaires et valeurs maximales, moyennes
et minimales du % des particules retenues sur chaque tamis pour les sept campagnes
préliminaires
Tableau A3. 5 : Distributions granulométriques du quartz dans le concentré de Mont-

Wright alimentant les différents classificateurs primaires et valeurs maximales, moyennes
et minimales du % des particules retenues sur chaque tamis pour les sept campagnes
préliminaires
172
3.2. Essais dynamiques d’Avril 2010
Tableau A3. 6 : Données de production de la campagne d’échantillonnage d’avril 2010
Tableau A3. 6a : Pour la phase 1 (Échelons sur l’eau de fluidisation)
Tableau A3. 6b : Pour la phase 2 (Échelons sur l’eau de dilution de l’alimentation)
Tableau A3. 6c : Pour la phase 3 (Échelons sur le tonnage d’alimentation)
Tableau A3. 6d : Pour la phase 4 (Échelons sur l’ouverture de la vanne de sousverse)
173
d’échantillonnage d’avril 2010
174
175
Tableau A3. 8 : Résultats de l’analyse chimique de l’alimentation, du concentré et du rejet
du CPBA, pour chaque campagne d’échantillonnage d’avril 2010
176
177
Tableau A3. 9 : Résultats de l’analyse granulométrique des échantillons mélangés de la
campagne d’échantillonnage d’avril 2010
178
179
Tableau A3. 10 : Résultats de l’analyses granulochimique et chimique des échantillons
mélangés de l’alimentation, du concentré et du rejet du CPBA, pour chaque campagne
d’échantillonnage d’avril 2010
Tableau A3. 10a : Pour la phase 1 (État initial : Débit d’eau de fluidisation= 1950 L/min)
180
Tableau A3. 10a (suite 1) : Pour la phase 1 (Échelon 1 : Débit d’eau de fluidisation= 2200 L/min)
181
182
183
Tableau A3. 10b : Pour la phase 2 (État initial : Débit d’eau de dilution=800 L/min)
184
Tableau A3. 10b (suite 1) : Pour la phase 2 (Échelon 1 : Débit d’eau de dilution=1600 L/min)
185
186
187
Tableau A3. 10c : Pour la phase 3 (État initial : Tonnage d’alimentation=188 tmn/h)
188
Tableau A3. 10c (suite 1) : Pour la phase 3 (Échelon 1 : Tonnage d’alimentation=173 tmn/h)
189
Tableau A3. 10c (suite 2) : Pour la phase 3 (Échelon 2 : Tonnage d’alimentation=203 tmn/h)
190
Tableau A3. 10c (suite 3) : Pour la phase 3 (Échelon 3 : Tonnage d’alimentation=188 Tmn/h)
191
Tableau A3. 10d : Pour la phase 4 (État initial : Ouverture de la vanne de sousverse=40%)
192
Tableau A3. 10d (suite 1) : Pour la phase 4 (Échelon 1 : Ouverture de la vanne de sousverse=43%)
193
194
195
3.3.1. Échantillonnage en profondeur du CPBC
Tableau A3. 11 : Données de production de la campagne d’échantillonnage en profondeur
du CPBC
Ouverture
Débit d'eau Débit
Tonnage % solide de Débit d'eau de la
de dilution de d’eau de Densité
d'alimentation l'alimentation de cône vanne de
l'alimentation fluidisation du lit (-)
(tmn/h) après dilution (L/min) sousverse
(L/min) (L/min)
(%)
200.0 3913 46.00 1899 259.8 2.00 16.09
Tableau A3. 12 : Données prélevées lors du déroulement de la campagne d’échantillonnage

en profondeur du CPBC
Profondeur Masse de l'échantillon Masse de
Date et heure % solide
(pi) humide (kg) l'échantillon sec (kg)
0.25 01/juin/2011 16h10 7.20 1.66 23.0
1.17 01/juin/2011 16h15 9.42 4.43 47.0
2.17 01/juin/2011 16h25 12.65 8.03 63.5
3.17 01/juin/2011 16h28 8.52 5.91 69.3
4.25 01/juin/2011 16h35 9.14 6.67 73.0
5.25 01/juin/2011 16h39 13.74 10.34 75.3
6.33 01/juin/2011 16h44 12.52 8.98 71.8

d’échantillonnage en profondeur du CPBC
196
Tableau A3. 14 : Résultats de l’analyse chimique des échantillons de la campagne
d’échantillonnage en profondeur du CPBC
3.3.2. Échantillonnage sur le CPBA

Tableau A3. 15 : Données de production (campagnes de juin 2011)
Tableau A3. 16 : Données prélevées lors du déroulement des campagnes d’échantillonnage

de juin 2011
Date et Masse de l'échantillon Masse de
Flux % solide
heure humide (kg) l'échantillon sec (kg)
Alimentation 11.01 10.77 97.82
01/06/2011
Sousverse 13.03 10.75 82.46
à 10h25
Surverse 7.65 0.57 7.48
01/06/2011
Sousverse 14.71 12.01 81.63
à 13h30
Surverse 9.88 0.59 5.93
Sousverse 02/06/2011 9.20 7.22 78.48
Surverse 10.57 0.60 5.65
Sousverse 02/06/2011 10.50 8.07 76.78
Surverse 12.77 0.85 6.67
197
du rejet du CPBA, pour chaque campagne d’échantillonnage de juin 2011
% SiO2 % Fe2O3 % Fe2O3 % SiO2
Débit d'eau de Densité % Fe2O3 % SiO2 en
Test en en en en
fluidisation (L/min) du lit (-) en Alim. sousverse
Alim. sousverse surverse surverse
1 1850 2.00 95.9 4.22 98.8 1.95 72.8 26.6
2 2200 2.00 95.8 4.66 98.7 1.81 71.0 28.1
3 2200 2.00 93.7 4.62 99.2 1.35 89.1 10.0
4 1700 2.00 95.5 4.33 99.3 1.37 73.5 25.8

du rejet du CPBA, pour chaque campagne d’échantillonnage de juin 2011
198
Tableau A3. 19 : Résultats de l’analyse chimique par tranches granulométriques de
l’alimentation, du concentré et du rejet du CPBA, pour chaque campagne
d’échantillonnage de juin 2011
Tableau A3. 19a : Pour le test 1 (Débit d’eau de fluidisation= 1850 L/min et densité=2.00)
199
Tableau A3. 19b : Pour le test 2 (Débit d’eau de fluidisation= 2200 L/min et densité=2.00)
200
Tableau A3. 19c : Pour le test 3 (Débit d’eau de fluidisation= 2200 L/min et densité=2.00)
201
Tableau A3. 19d : Pour le test 4 (Débit d’eau de fluidisation= 1700 L/min et densité=2.00)
202
Tableau A3. 20 : Données de production (Campagnes de septembre 2011)
Tableau A3. 21 : Données prélevées (Campagnes d’échantillonnage de septembre 2011)
Masse de l'échantillon Masse de

Flux Date et heure % solide
humide (kg) l'échantillon sec (kg)

23/09/2011 à
Sousverse 6.14 5.23 85.19
9h15
Surverse 12.38 0.57 4.62
23/09/2011 à
Sousverse 3.44 2.82 82.02
10h40
Surverse 11.71 0.81 6.89
23/09/2011 à
Sousverse 3.96 3.22 81.33
14h20
Surverse 10.12 0.68 6.69
26/09/2011 à
Sousverse 2.25 1.69 74.92
13h30
Surverse 7.86 0.47 5.94
28/09/2011 à
Sousverse 2.23 1.68 75.15
09h45
Surverse 7.79 0.70 8.94
28/09/2011 à
Sousverse 1.49 1.15 76.90
12h20
Surverse 7.51 0.44 5.81
28/09/2011 à
Sousverse 1.87 1.42 75.71
14h15
Surverse 5.66 0.41 7.18
203
du rejet du CPBA, pour chaque campagne d’échantillonnage de septembre 2011
Débit d'eau
% Fe2O3 % Fe2O3 % SiO2
de Densité: % Fe2O3 en % SiO2 en % SiO2 en
Test en en en
fluidisation (-) AlimentationAlimentation sousverse
sousverse surverse surverse
(L/min)
1 2200 2.05 94.757 4.633 98.192 1.416 64.502 33.602
2 1800 2.05 94.638 4.766 98.209 1.319 72.792 25.466
3 2000 1.90 94.437 4.956 98.106 1.400 72.667 25.852
4 2200 1.75 94.536 4.878 98.260 1.302 66.122 32.049
5 1700 2.05 94.697 4.624 98.131 1.362 77.770 20.602
6 1700 1.75 94.591 4.712 98.145 1.378 68.368 29.854
7 1800 1.75 94.563 4.730 98.155 1.320 71.853 26.476

du rejet du CPBA, pour chaque campagne d’échantillonnage de septembre 2011
Tableau A3. 24 : Résultats de l’analyse chimique par tranche granulométrique de

l’alimentation et de l’analyse chimique globale du concentré et du rejet du CPBA, pour
chaque campagne d’échantillonnage de juin 2011
204
Tableau A3. 24a : Pour le test 1 (Débit d’eau de fluidisation= 2200 L/min et densité=2.05 t/m³)
Tableau A3. 24b : Pour le test 2 (Débit d’eau de fluidisation= 1800 L/min et densité=2.05 t/m³)
Tableau A3. 24c : Pour le test 3 (Débit d’eau de fluidisation= 2000 L/min et densité=1.90 t/m³)
205
Tableau A3. 24d : Pour le test 4 (Débit d’eau de fluidisation= 2200 L/min et densité=1.75 t/m³)
Tableau A3. 24e : Pour le test 5 (Débit d’eau de fluidisation= 1700 L/min et densité=2.05 t/m³)
206
Tableau A3. 24f : Pour le test 6 (Débit d’eau de fluidisation= 1700 L/min et densité=1.75 t/m³)
Tableau A3. 24g : Pour le test 7 (Débit d’eau de fluidisation= 1800 L/min et densité=1.75 t/m³)
207
Section IV : Traitement et analyse des données des essais
dynamiques d’Avril 2010
Cette section est en lien avec le chapitre 5 qui traite de l’analyse des résultats des essais
dynamiques effectués en avril 2010. Le point 4.1 présente le calcul du temps de séjour de
la pulpe dans le classificateur. Les autres points (4.2 à 4.9) présentent les différents
modèles dynamiques des variables de sortie du classificateur (%Fe2O3, %SiO2, %-212
µm) en fonction des variables d’entrée modifiées (débit d’eau de fluidisation, débit d’eau
de dilution, tonnage d’alimentation, ouverture de la vanne de sousverse).
4.1. Calcul du temps de séjour de la pulpe dans le

classificateur hydraulique
Le classificateur hydraulique, ayant deux sorties, deux temps de séjour (pour la sousverse
et la surverse) devraient être déterminés. Mais avant, le volume du classificateur
hydraulique doit être calculé.
4.1.1. Calcul du volume du classificateur hydraulique A (CPBA)
Le CPBA est constitué de 4 sections : une section en forme d’un parallélépipède, deux
sections en forme de pyramides tronquées et une section de forme cylindrique, comme
l’illustre la figure A4.1. Le tableau A4.1 compile les dimensions de chaque section utilisées
pour calculer le volume du CPBA (équation A4.4).
Figure A4. 1 : Sections du classificateur hydraulique.
208
Volume d ' un parallélépipède = L × l × h (A4. 1)
1
Volume d ' une pyramide tronquée = × h × ( a 2 + ab + b 2 ) (A4. 2)
3
Volume d ' un cylindre =π × r 2 × h (A4. 3)
VCPBA =
V parallélépiède + V pyramide tronquée 1 + V pyramide tronquée 2 + Vcylindre (A4. 4)
Tableau A4. 1 : Calcul du volume du CPBA

Boîte carrée
L 7.00 pi
l 7.00 pi
h 5.94 pi
V 291 pi³
V 8.24 m³
Grande boîte pyramidale tronquée
a 7.00 pi
b 1.15 pi
h 6.15 pi
V 120 pi³
V 3.39 m³
Petite boîte pyramidale tronquée
a 1.15 pi
b 0.500 pi
h 0.927 pi
V 0.664 pi³
V 0.019 m³
Tuyau de sousverse
r 0.25 pi
h 1.01 pi
V 0.197 pi³
V 0.006 m³
V total 11.66 m³
209
4.1.2. Calcul du temps de séjour de la pulpe sortant par la sousverse
du CPBA
Le temps de séjour de la pulpe récupérée à la sousverse est déterminé comme suit :
τ s /u =
(
60 × Vsolide /u + Veau de fluidisation/ u + Veau de cône ) (A4. 5)
Qsolide /u + Qeau /u
Avec
τ s / u : Temps de séjour, dans le classificateur hydraulique, de la pulpe sortant par la
sousverse (min).
Vsolide / u : Volume parcouru par le solide dans le classificateur hydraulique avant de sortir
par la sousverse (m³).
Veau de fluidisation / u : Volume parcouru, dans le classificateur hydraulique, par l’eau de
fluidisation avant de sortir par la sousverse (m³).
Veau de cône : Volume parcouru, dans le classificateur hydraulique, par l’eau de cône avant
de sortir par la sousverse (m³).
Qeau / u : Débit volumique de l’eau sortant par la sousverse du classificateur hydraulique
(m³/h).
=Qeau / u Qeau de fluidisation / u + Qeau de cône (A4. 6)
Qsolide / u : Débit volumique du solide sortant par la sousverse du classificateur hydraulique

(m³/h).
m solide /u
Qsolide/u = (A4. 7)
ρ solide /u
Avec
m
 solide / u : Débit massique du solide sortant par la sousverse du classificateur
hydraulique (t/h).
ρsolide / u : Masse volumique du solide sortant par la sousverse du classificateur
hydraulique (t/m³).
100
ρ solide = (A4. 8)
aHématite aQuartz aMica aIlménite aGrenat
+ + + +
ρ Hématite ρQuartz ρ Mica ρ Ilménite ρGrenat
Avec
a : Teneur en minéral (%).
Les masses volumiques ( ρ ) des minéraux contenus dans le concentré de
Mont-Wright sont compilées dans le tableau A4.2.
210
Tableau A4. 2 : Masses volumiques des minéraux contenus dans le concentré de Mont-
Wright
Minéral Masse volumique : ρ (t/m³)
Hématite 5.0
Ilménite 4.5
Quartz 2.7
Grenat 4.3
Mica 2.8
4.1.3. Calcul du temps de séjour de la pulpe sortant par la surverse

du CPBA
Le temps de séjour de la pulpe récupérée à la surverse est déterminé comme suit :
τ s/o =
(
60 × Vsolide / o + Veau de l'alimentation + Veau de fluidisation/ o + Veau de dilution ) (A4. 9)
Qsolide / o + Qeau / o
Avec
τ s / o : Temps de séjour, dans le classificateur hydraulique, de la pulpe sortant par la
surverse (min).
Vsolide / o : Volume parcouru par le solide dans le classificateur hydraulique avant de sortir
par la surverse (m³).
Veau de l'alimentation : Volume parcouru, dans le classificateur hydraulique, par l’eau contenu
dans le concentré de Mont-Wright humide avant de sortir par la surverse (m³).
Veau de dilution : Volume parcouru, dans le classificateur hydraulique, par l’eau de dilution
de l’alimentation avant de sortir par la surverse (m³).
Veau de fluidisation / o : Volume parcouru, dans le classificateur hydraulique, par l’eau de
fluidisation avant de sortir par la surverse (m³).
Qeau / o : Débit volumique de l’eau sortant par la surverse du classificateur hydraulique
(m³/h).
Qeau=
/o Qeau de l 'alimentation + Qeau de dilution + Qeau de fluidisation / o (A4. 10)
Avec
Qeau de l'alimentation : Débit volumique de l’eau contenue dans le concentré de Mont-
Wright humide (m³/h).
Qeau de dilution : Débit volumique de l’eau de dilution de l’alimentation (m³/h).
Qeau de fluidisation / o : Débit volumique de l’eau de fluidisation sortant par la surverse
(m³/h).
Pour réussir à déterminer les temps de séjour des pulpes sortant par la sousverse et la
surverse, plusieurs hypothèses sont posées :
211
 Pour la sousverse
- Le CPBA est alimenté avec le concentré de Mont-Wright humide. Le pourcentage
solide de ce concentré est estimé à environ 97%. D’où, le débit de solide sec dans
ce concentré est calculé comme suit (Par exemple, cas de la phase 1 : échelons
sur le débit d’eau de fluidisation) :
Débit massique du solide sec = %solide× Débit massique du solide humide
Débit massique du solide
= sec 0.97 × 188.24 tmn / h
Débit massique du solide sec = 182.59 t / h
- Sachant que le CPBA fonctionne avec un rendement poids d’environ 80%, il est
possible de supposer que le solide qui sort par la sousverse représente 80% du
solide alimenté. Le débit massique du solide ( m
 solide/ u ) sortant par la sousverse du
classificateur hydraulique est calculé comme suit :
 solide/u =
m 146.07 t/h .
0.8 ×182.59 t/h =
- Sachant que ce solide a une masse volumique de 4.938 t/m³, son débit volumique
146.07 t/h
: Qsolide/u
vaut = = 3
29.58 m3 /h
4.938 t/m
- En supposant que l’eau qui sort par la sousverse soit constituée de 20% de l’eau
de fluidisation et de toute l’eau de cône, le débit volumique d’eau dans le flux de
sousverse serait égal à :
Qeau /u = Qeau de cône + Qeau de fluidisation/u
=Qeau /u 14.98 m3 / h + 0.2 × 116.9 m3 / h
Qeau /u = 38.36 m3 / h
- Le classificateur hydraulique étant alimenté par le haut, il est possible de supposer
que le solide sortant par la sousverse parcoure tout le volume de l’équipement :
Vsolide/u = VCPBA = 11.66 m3
- En supposant que l’eau de cône, alimentée au bas de la grande boîte pyramidale
tronquée, parcoure le petit cône et le tuyau de sousverse, ce volume vaut :
Veau de cône/u = Vpyramide tronquée 2 + Vcylindre
Veau de cône/u
= 0.019 m3 + 0.006 m3
Veau de cône/u = 0.024 m3
- L’eau de fluidisation est alimentée au bas de la boîte carrée. Et donc, il est
possible de supposer que la partie de cette eau qui sort par la sousverse parcoure
toute la section située en bas des tuyaux d’injection :
Veau de fluidisation/u = Vpyramide tronquée 1 + Vpyramide tronquée 2 + Vcylindre
Veau de fluidisation/u = 3.39 m3 + 0.019 m3 + 0.006 m3
Veau de fluidisation/u = 3.42 m3
- Toutes les variables étant déterminées, le temps de séjour de la pulpe sortant par
la sousverse vaut :
60 min/h × (11.66 + 0.024 + 3.42 ) m3
=τ s /u = 13.34 min
( 29.58 + 38.36 ) m3 /h
212
 Pour la surverse
- Le débit massique du solide ( m
 solide/ o ) sortant par la surverse du classificateur
hydraulique est calculé comme suit :
=
m solide/o
 solide/a − m
m  solide/u
 solide/o 182.59 t/h − 146.07 t/h .
m
=
 solide/o = 36.52 t/h
m
- Sachant que ce solide a une masse volumique de 4.397 t/m³, son débit volumique
36.52 t/h
: Qsolide/o
vaut = = 8.30 m3 /h
4.397 t/m3
- En supposant que l’eau qui sort par la surverse soit constituée de toute l’eau de
l’alimentation, de dilution et de 80% de l’eau de fluidisation, le débit volumique
d’eau dans le flux de surverse serait égal à :
Qeau /o = Qeau de l'alimentation + Qeau de dilution + Qeau de fluidisation/o
=Qeau /o 5.647 m3 / h + 203.8 m3 / h + 0.8 ×116.9 m3 / h
Qeau /o = 302.9 m3 / h
- En supposant que les particules qui sortent par la surverse aient la possibilité de
se rendre jusqu’au niveau des tuyaux d’injection d’eau de fluidisation avant d’être
entraînées par cette eau vers la surverse, le volume parcouru est calculé en tenant
compte d’un chemin de descente et d’un autre de montée. Le volume parcouru en
descendant et celui de montée correspondent tous les deux à toute la section de la
boîte carrée :
Vsolide/o = 8.24 m3 + 8.24 m3 =
16.48 m3
- En supposant que l’eau contenue dans le concentré de Mont-Wright et l’eau de
dilution de l’alimentation parcourent toute la section située au-dessus du plateau
d’alimentation (0.5 pied de la surface), ce volume vaut :
Veau de
= V=
( 7 pi × 7=
pi × 0.5 pi )
0.69 m3
l'alimentation eau de dilution
( 3.28 pi/m )
3
- En supposant que la partie de l’eau de fluidisation qui sort par la surverse parcoure
toute la boîte carrée, ce volume vaut :
Veau de=
fluidisation/o V=
parallélépiède 8.24 m3
- Le temps de séjour de la pulpe sortant par la surverse vaut :
60 min/h × (16.48 + 0.69 + 0.69 + 8.24 ) m3
=τ s/o = 5.03 min
(8.30 + 302.9 ) m3 /h
Le tableau A4.3 compile les valeurs moyennes des temps de séjour obtenues en
appliquant les quatre échelons sur chaque variable opératoire (Phase 1 : Variation de
l’eau de fluidisation, Phase 2 : Variation de l’eau de dilution de l’alimentation, Phase 3:
Variation du tonnage d’alimentation, Phase 4 : Variation de la position de la vanne de
sousverse).
213
Tableau A4. 3 : Temps de séjour moyen pour chaque phase d’échantillonnage
τs_moyen (min) Phase 1 Phase 2 Phase 3 Phase 4

Surverse 5.05 5.09 5.04 5.04
Sousverse 13.36 13.31 13.32 13.32
4.2. Calcul du gain relatif et de la plage de variation de la

constante de temps
4.2.1. Calcul du gain relatif
Le gain relatif est déterminé en multipliant le gain de chaque modèle avec la valeur de
référence de la variable d’entrée de chaque procédé. Dans le cas de la variation du débit
d’eau de fluidisation, par exemple, le gain du modèle de densité obtenu est de
−1.97 ⋅10−4 ( L / min )
−1
comme présenté dans le tableau 5.3 (point 5.2 du chapitre 5). La
valeur de référence du débit d’eau de fluidisation, présentée dans le tableau 5.1, est de
1946 ( L / min ) . D’où le gain relatif est calculé comme suit :
−1.97 ⋅10−4 ( L / min ) × 1946 ( L / min ) =
−1
Gain relatif = −0.384 .
De cette manière, tous les gains sont ramenés sur une même base, peu importe la
variable d’entrée modifiée (eau de fluidisation, eau de dilution, tonnage d’alimentation,
ouverture de la vanne de sousverse), facilitant ainsi la comparaison.
4.2.2. Calcul de la plage de variation de la constante de temps
−∆t
La constante de temps se calcule à l’aide de la relation suivante : τ = . Le
ln ( a1 )
paramètre du modèle dynamique a1 varie entre 0 et 1 : a1 ∈ ]0;1[ . Si a1 → 0 ⇒ τ → 0 et si
a1 → 1 ⇒ τ → +∞ . Ce qui implique que : τ ∈ ]0; +∞[ .
214
4.3. Réponse de la teneur en Fe2O3 de la surverse
de teneur en Fe2O3 de la surverse du CPBA
4.4. Réponse de la teneur en Fe2O3 de la sousverse

2200
99,5
Débit d'eau de
fluidisation
% Fe2O3 en
2000
sousverse99,0
(L/min)
98,5
1800 98,0
1600 97,5
0 30 60 90 120 150 180 0 30 60 90 120 150 180
4000 99,5
dilution (L/min)
Débit d'eau de
3500 99,0
% Fe2O3 en
sousverse
3000 98,5
2500 98,0
2000 97,5
0 30 60 90 120 150 180 0 30 60 90 120 150 180
210 100,0
d'alimentation
200 99,0
% Fe2O3 en
Tonnage
sousverse
(tmn/h)
190 98,0
180 97,0
170 96,0
0 40 80 120 160 200 240 0 40 80 120 160 200 240
215
44 99,0
Ouverture de la
sousverse (%)
42
% Fe2O3 en
98,5
sousverse
vanne de
40
98,0
38
36 97,5
0 40 80 120 160 200 0 40 80 120 160 200
Figure A4. 2 : Variation de la teneur en Fe2O3 en sousverse du CPBA par rapport aux
d’alimentation et l’ouverture de la vanne de sousverse du CPBA.
xFe O , c ( i ) =
−2.23 ⋅10−5 × eF ( i − 1) (A4. 11)
2 3
xFe O , c ( i ) = 7.49 ⋅10−5 × eD ( i − 1) (A4. 12)

2 3
xFe O , c ( i ) = 2.10 ⋅10−5 × wpa ( i − 1) (A4. 13)

2 3
xFe O , c ( i ) = 1.90 ⋅10−5 × ovs ( i − 1) (A4. 14)

2 3
Avec Fe O , c ( i ) X Fe O , c ( i ) − X Fe O , c
x=
2 3 2 3 2 3 réf
. X Fe O , c : Teneur en Fe2O3 (%) de la
2 3
sousverse du CPBA.
de teneur en Fe2O3 de la sousverse du CPBA
216
teneur en Fe2O3 en sousverse du CPBA pour les quatre variables d’entrée modifiées
99,5 99,5
% Fe2O3 en sousverse
99,0 99,0
98,5 98,5
98,0 98,0
97,5 97,5
0 30 60 90 120 150 180 0 30 60 90 120 150 180
a) Temps (min) b) Temps (min)
99,5 99,0
99,0 98,8
98,5 98,6
98,0 98,4
97,5 98,2
97,0 98,0
96,5 97,8
0 40 80 120 160 200 240 0 40 80 120 160 200
c) Temps (min) d) Temps (min)
Figure A4. 3 : Modèle dynamique, d’ordre 1 avec un délai de 1, de la teneur en Fe2O3 en
sousverse du CPBA, obtenue en variant les quatre variables d’entrée.
217
modèles de teneur en Fe2O3 en sousverse du CPBA et calcul du gain relatif
Gain relatif du Constante
Gain du modèle de
Variable d’entrée modèle de de temps :
teneur en Fe2O3 : g
teneur en Fe2O3 τ
Débit d’eau de fluidisation -2.23E-05 %Fe2O3/L/min -4.34E-02 % -
Débit d’eau de dilution 7.49E-05 %Fe2O3/L/min 2.22E-01 % -
Tonnage d’alimentation 2.10E-04 %Fe2O3/tmn/h 4.01E-02 % -
1.90E-05 %Fe2O3/%OVS 7.53E-04 % -
sousverse
4.5. Réponse de la teneur en SiO2 de la surverse

2200 30,0
Débit d'eau de
25,0
fluidisation
% SiO2 en
surverse
2000
(L/min)
20,0
1800 15,0
1600 10,0
0 30 60 90 120 150 180 0 30 60 90 120 150 180
4000 25,0
dilution (L/min)
Débit d'eau de
3500
% SiO2 en
surverse
20,0
3000
2500 15,0
2000
10,0
0 30 60 90 120 150 180
b) b) 0 30 60 90 120 150 180
210 30,0
d'alimentation
200
% SiO2 en
25,0
Tonnage
surverse
(tmn/h)
190 20,0
180 15,0
170 10,0
0 40 80 120 160 200 240 0 40 80 120 160 200 240
44 30,0
Ouverture de la
25,0
sousverse (%)
42
% SiO2 en
vanne de
surverse
40 20,0
38 15,0
36 10,0
0 40 80 120 160 200 0 40 80 120 160 200
218
Figure A4. 4 : Variation de la teneur en SiO2 en surverse du CPBA par rapport aux
d’alimentation et l’ouverture de la vanne de sousverse du CPBA
xSiO
2, r
( i )= 8.79 ⋅10−1 × xSiO
2, r
( i − 1) − 1.35 ⋅10−2 × eF ( i − 1) + 1.30 ⋅10−2 × eF ( i − 2 ) (A4. 15)
xSiO
2, r ( i )= 5.00 ⋅10−1 × xSiO
2, r ( i − 1) − 2.01⋅10−3 × eD ( i − 1) + 1.84 ⋅10−3 × eD ( i − 2 ) (A4. 16)
xSiO
2, r ( i )= 8.36 ⋅10−1 × xSiO
2, r ( i − 1) − 4.35 ⋅10−2 × wpa ( i − 1) (A4. 17)
xSiO
2, r (i ) = 8.44 ⋅10−1 × xSiO
2, r ( i − 1) + 2.15 ⋅10−1 × ovs ( i − 1) (A4. 18)
SiO2 , r ( i ) X SiO2 , r ( i ) − X SiO2 , rréf .

Avec x= X SiO2 , r : Teneur en SiO2 (%) de la surverse du
CPBA.
teneur en SiO2 en surverse du CPBA pour les quatre variables d’entrée modifiées
219
de teneur en SiO2 de la surverse du CPBA
26,0 21,0
% SiO2 en surverse
% SiO2 en surverse
22,0
19,0
18,0
14,0 17,0
10,0
15,0
0 30 60 90 120 150 180
0 30 60 90 120 150 180
a) Temsp (min) b)
Temps (min)
28,0 28,0
% SiO2 en surverse
% SiO2 en surverse
24,0 24,0
20,0 20,0
16,0 16,0
12,0 12,0
0 40 80 120 160 200 240 0 40 80 120 160 200
c) d)
Figure A4. 5 : Modèle dynamique, d’ordre 1 avec un délai de 1, de la teneur en SiO2 en
surverse du CPBA, obtenue en variant le débit d’eau de fluidisation (a), de dilution (b), le
220
modèles de teneur en SiO2 en surverse du CPBA et calcul du gain relatif
Gain relatif
Constante de
Gain du modèle de du modèle de
Variable d’entrée temps :
teneur en SiO2 : g teneur en
τ
SiO2
Débit d’eau de fluidisation -4.09E-03 %SiO2/L/min -7.96 % 15.54 min
Débit d’eau de dilution -3.37E-04 %SiO2/L/min -1.00 % 2.88 min
Tonnage d’alimentation -2.65E-01 %SiO2/tmn/h -50.5 % 11.17 min
Ouverture de la vanne de sousverse 1.38E+00 %SiO2/%OVS 54.6 % 11.77 min
4.6. Réponse de la teneur en SiO2 de la sousverse

de teneur en SiO2 de la sousverse du CPBA
L’application du test de Fischer a permis de retenir les modèles suivants :
xSiO2 , c ( i ) =
−9.37 ⋅10−7 × eF ( i − 1) (A4. 19)
xSiO2 , c ( i )= 9.41 ⋅10−1 × xSiO2 , c ( i − 1) − 7.87 ⋅10−6 × eD ( i − 1) (A4. 20)
xSiO2 , c ( i ) =
−1.86 ⋅10−3 × wpa ( i − 1) (A4. 21)
xSiO2 , c ( i ) = 8.08 ⋅10−3 × ovs ( i − 1) (A4. 22)
SiO2 , c ( i )
Avec Avec x= X SiO2 , c ( i ) − X SiO2 , c . X SiO2 , c est la teneur en SiO2, exprimée en
réf
pourcentage, dans la sousverse du CPBA.
221
4.7. Réponse de la teneur des fines particules (-212 µm) en
sousverse
de teneur en fines particules (-212 µm) de la sousverse du CPBA
4.8. Réponse de la teneur des fines particules (-212 µm) de

la surverse
2200 100,0
% -212 µm en
Débit d'eau de
fluidisation
surverse
2000 98,0
(L/min)
1800 96,0
1600 94,0
0 30 60 90 120 150 180 0 30 60 90 120 150 180
4000 97,0
% -212 µm en
Débit d'eau de
surverse
3500
dilution
96,0
(L/min)
3000
2500 95,0
2000 94,0
0 30 60 90 120 150 180 0 30 60 90 120 150 180
210 100,0
d'alimentation
% -212 µm en
200 97,5
Tonnage
(tmn/h)
surverse
190 95,0
180 92,5
170 90,0
0 40 80 120 160 200 240 0 40 80 120 160 200 240
222
45 98,0
sousverse (%)
Ouverture de
% -212 µm en
43
la vanne de
96,0
surverse
40
38 94,0
35 92,0
0 40 80 120 160 200 0 40 80 120 160 200
Figure A4. 6 : Variation de la teneur en fines particules (-212 µm) en surverse du CPBA
l’alimentation (b), le tonnage d’alimentation (c) et l’ouverture de la vanne de sousverse (d)
x−212 µ m, r ( i )= 4.90 ⋅10−1 × x−212 µ m, r ( i − 1) − 3.31 ⋅10−3 × eF ( i − 1) + 3.90 ⋅10−3 × eF ( i − 2 )
(A4. 23)
x−212 µ m, r ( i ) =
−5.74 ⋅10−4 × eD ( i − 1) (A4. 24)
x−212 µ m, r ( i )= 7.33 ⋅10−1 x−212 µ m, r ( i − 1) − 1.37 ⋅10−1 × wpa ( i − 1) + 1.32 ⋅10−1 × wpa ( i − 2 )
(A4. 25)
x−212 µ m, r ( i ) = 7.87 ⋅10−1 × x−212 µ m, r ( i − 1) + 4.24 ⋅10−1 × ovs ( i − 1) − 3.90 ⋅10−1 × ovs ( i − 2 )
(A4. 26)
−212 µ m , r ( i )
Avec x= X −212 µ m, r ( i ) − X −212 µ m, r
réf
. X -212 µ m, r : Teneur en fines particules (%-
212 µm) dans la surverse du CPBA.
de teneur en fines particules (-212 µm) de la surverse du CPBA
223
Tableau A4. 14 : Paramètres des modèles dynamiques d’ordre 1 avec délai d’une unité de
la teneur en fines particules (-212 µm) en surverse du CPBA pour les quatre variables
99,0 96,5
% -212 µm en surverse
98,0 96,0
97,0 95,5
96,0 95,0
95,0 94,5
94,0 94,0
0 30 60 90 120 150 180 0 30 60 90 120 150 180
98,0 98,0
97,0 97,0
96,0
96,0
95,0
94,0 95,0
93,0 94,0
92,0
91,0 93,0
0 40 80 120 160 200 240 0 40 80 120 160 200
Figure A4. 7 : Modèle dynamique, d’ordre 1 avec un délai de 1, de la teneur en fines
particules (-212 µm) en surverse du CPBA, obtenue en variant le débit d’eau de
fluidisation (a), de dilution (b), le tonnage d’alimentation (c) et l’ouverture de la vanne de
sousverse (d).
224
modèles de teneur en fines particules (-212 µm) en surverse du CPBA et calcul du gain
relatif
Gain du modèle Gain relatif du Constante
Variable d’entrée de teneur en fines modèle de teneur de temps :
(-212 µm) : g en fines (-212 µm) τ
1.15E-03
Débit d’eau de fluidisation 2.25 % 2.80 min
%-212 µm/L/min
-5.74E-04
Débit d’eau de dilution -1.70 % τ +∞
%-212 µm/L/min
-2.02E-02
Tonnage d’alimentation -3.85 % 6.43 min
%-212 µm/tmn/h
Ouverture de la vanne de 1.58E-01
6.27 % 8.34 min
4.9. Réponse de la teneur des particules grossières

(+212 µm) de la surverse
2200 6,0
% +212 µm en
Débit d'eau de
fluidisation
surverse
2000 4,0
(L/min)
1800 2,0
1600 0,0
0 30 60 90 120 150 180 0 30 60 90 120 150 180
4000 6,0
% +212 µm en
dilution (L/min)
Débit d'eau de
3500
surverse
4,0
3000
2500 2,0
2000 0,0
0 30 60 90 120 150 180 0 30 60 90 120 150 180
210 10,0
d'alimentation
% +212 µm en
200
Tonnage
(tmn/h)
surverse
190 5,0
180
170 0,0
0 40 80 120 160 200 240 0 40 80 120 160 200 240
c) Temps (min)
c) Temps (min)
44 8,0
Ouverture de la
% +212 µm en
6,0
sousverse (%)
42
vanne de
surverse
40 4,0
38 2,0
36 0,0
0 40 80 120 160 200 0 40 80 120 160 200
d) Temps (min)
d) Temps (min)
225
Figure A4. 8 : Variation de la teneur en particules grossières (+212 µm) en surverse du
CPBA par rapport aux échelons sur les débits d’eau de fluidisation (a) et de dilution de
l’alimentation (b), le tonnage d’alimentation (c) et l’ouverture de la vanne de sousverse (d)
x+212 µ m, r ( i )= 4.90 ⋅10−1 × x+212 µ m, r ( i − 1) + 3.31 ⋅10−3 × eF ( i − 1) − 3.90 ⋅10−3 × eF ( i − 2 )
(A4. 27)
x+212 µ m, r ( i ) = 5.74 ⋅10−4 × eD ( i − 1) (A4. 28)
x+212 µ m, r ( i ) = 7.33 ⋅10−1 × x+212 µ m, r ( i − 1) + 1.37 ⋅10−1 × wpa ( i − 1) − 1.32 ⋅10−1 × wpa ( i − 2 )
(A4. 29)
x+212 µ m, r ( i ) = 7.87 ⋅10−1 × x+212 µ m, r ( i − 1) − 4.24 ⋅10−1 × ovs ( i − 1) + 3.90 ⋅10−1 × ovs ( i − 2 )
(A4. 30)
+212 µ m , r ( i )
Avec x= X +212 µ m, r ( i ) − X +212 µ m, r
réf
. X +212 µ m, r : Teneur des particules
grossières (+212 µm) dans la surverse du CPBA (%).
de teneur en particules grossières (+212 µm) de la surverse du CPBA
226
Tableau A4. 17 : Paramètres des modèles dynamiques d’ordre 1 avec délai d’une unité de
la teneur en particules grossières (+212 µm) en surverse du CPBA pour les quatre variables
6,0 6,0
% +212 µm en
% +212 µm en
5,0 5,5
surverse
surverse
4,0 5,0
3,0 4,5
2,0 4,0
1,0 3,5
0,0 3,0
0 30 60 90 120 150 180 0 30 60 90 120 150 180
10,0 7,0
% +212 µm en surverse
% +212 µm en surverse
6,0
8,0
5,0
6,0
4,0
4,0 3,0
2,0 2,0
0 40 80 120 160 200 240 0 40 80 120 160 200
Figure A4. 9 : Modèle dynamique, d’ordre 1 avec un délai de 1, de la teneur en en
particules grossières (+212 µm) en surverse du CPBA, obtenue en variant le débit d’eau de
fluidisation (a), de dilution (b), le tonnage d’alimentation (c) et l’ouverture de la vanne de
sousverse (d).
227
modèles de teneur en particules grossières (+212 µm) en surverse du CPBA et calcul du
gain relatif
Gain du modèle de Gain relatif du
Constante
teneur en en modèle de teneur en
Variable d’entrée de temps :
particules grossières particules grossières
τ
(+212 µm) : g (+212 µm)
-1.15E-03
Débit d’eau de fluidisation -2.25 % 2.80 min
%-212 µm/L/min
5.74E-04
Débit d’eau de dilution
%-212 µm/L/min
1.70 % -
2.02E-02
Tonnage d’alimentation 3.85 % 6.43 min
%-212 µm/tmn/h
Ouverture de la vanne de -1.58E-01
-6.27 % 8.34 min
228
Section V : Traitement et analyse des données
Cette section est en lien avec le chapitre 6 qui traite de l’analyse des résultats des essais
réalisés en régime statique. Le point 5.1 présente le développement des équations de
réconciliation de données utilisées pour les campagnes de septembre 2011. Les autres
points (5.2 à 5.6) présentent les données réconciliées des différentes campagnes
d’échantillonnage (pré-maîtrise, avril 2010, juin 2011 et septembre 2011).
5.1. Équations de réconciliation des données

Le critère à minimiser est défini comme suit :
 2 2 2 2
 aˆ − a   cˆ − c   rˆ − r   sâ − sa   sˆc − sc 
2

   +   +  +   +   
 σ σ σ
 a   c   r   sa   sc  σ   σ  
 
J = ∑∑  2 2 2 2 2
(A5. 1)
  sˆr − sr   Wˆ pa − Wpa   Eˆ F − EF   Eˆ D − ED   EˆCoˆ − ECoˆ  
+   +   +
  +   +  
  σ sr   σ W pa   σ EF   σ ED   σ ECoˆ  
Avec
J : Critère à minimiser.
sc , c et r : Données à réconcilier (Teneur en minéral ou % retenu des particules) à
l’alimentation, au concentré et au rejet du classificateur.
â , ĉ et r̂ Données réconciliées (Teneur en minéral ou % retenu des particules) à
l’alimentation, au concentré et au rejet du classificateur.
a, sc et sr : % solide mesurés de l’alimentation, du concentré et du rejet du
classificateur.
a, sˆc et sˆr : % solide réconciliés de l’alimentation, du concentré et du rejet du
classificateur.
c : Mesure du débit de solide alimenté (Concentré de Mont-Wright humide, t/h).
Wˆ pa : Débit de solide alimenté réconcilié (Concentré de Mont-Wright humide, t/h).

EF , ED et ECoˆ : Mesures des débits d’eau de fluidisation, de dilution et de cône (L/min).
Ea , ECô et Eˆ Coˆ : Débits réconciliés d’eau de fluidisation, de dilution et de cône (L/min).
σ : Écart-type absolu de la donnée à réconcilier.
Le calcul d’analyses granulométrique et chimique réconciliées de l’alimentation, du
concentré et du rejet du classificateur se fait à partir de la fonction de Lagrange qui est
définie comme étant :
=L Critère + 2 ⋅ λ ⋅ Contrainte
Avec λ : Le multiplicateur de Lagrange
2 2 2
 aˆ − a   cˆ − c   rˆ − r 
Le critère est calculé comme suit : J =   +  + 
 σa   σc   σr 
La contrainte quant-à-elle est issue du bilan de solide : aˆ − d c ⋅ cˆ − (1 − d c ) ⋅ rˆ =0
Avec dc : Le débit relatif
229
Débit de solide à la sousvserse
dc = (A5. 2)
Débit de solide à l ' alimentation
D’où la fonction de Lagrange devient :

2 2 2
 aˆ − a   cˆ − c   rˆ − r 
L=   +  +  + 2 ⋅ λ ⋅ ( aˆ − d c ⋅ cˆ − (1 − d c ) ⋅ rˆ ) (A5. 3)
 σa   σc   σr 
Les dérivées partielles de la fonction de Lagrange par rapport à â , ĉ , r̂ et λ donnent :
∂L 2
= 0 ⇒ 2 ⋅ ( aˆ − a ) + 2 ⋅ λ =0⇒
∂aˆ σa
aˆ = a − λ ⋅ σ a2 (A5. 4)
∂L 2
= 0 ⇒ 2 ⋅ ( cˆ − c ) − 2 ⋅ λ ⋅ d c =0⇒
∂cˆ σc
cˆ = c + λ ⋅ d c ⋅ σ c2 (A5. 5)
∂L 2
= 0 ⇒ 2 ⋅ ( rˆ − r ) − 2 ⋅ λ ⋅ (1 − d c ) =0⇒
∂rˆ σr
rˆ = r + λ ⋅ (1 − d c ) ⋅ σ r2 (A5. 6)
∂L
=0
∂λ ⇒ aˆ − d c ⋅ cˆ − (1 − d c ) ⋅ rˆ =0
L’introduction des équations (A5.4), (A5.5) et (A5.6) dans cette dernière expression
donne :
a − d c ⋅ c − (1 − d c ) ⋅ r
λ= (A5. 7)
σ a2 + d c2 ⋅ σ c2 + (1 − d c ) ⋅ σ r2
2
Le calcul du débit de solide alimenté réconcilié Wˆ pa se fait à partir du bilan d’eau sur le
classificateur : Eˆ a + Eˆ F + Eˆ D + Eˆ Coˆ = Eˆ c + Eˆ r
Avec
Eˆ a , Eˆ c et Eˆ r : Débits d’eau dans les flux d’alimentation, de sousverse et de surverse.
Wˆsa (100 − sâ )

que sa
Sachant= ⋅100 , on obtient Eˆ= Wâ ⋅ .
Wˆsa + Eˆ a
a
sâ
230
 100 − sâ   100 − sˆc 
Eˆ a Wˆ pa ⋅ 
Ce qui implique que = Eˆ c Wˆ pc ⋅ 
 et donc que, =  et
 100   100 
 100 − sˆr 
Eˆ r Wˆ pr ⋅ 
= .
 100 
L’introduction de ces trois expressions dans le bilan d’eau donne ceci :
 100 − sâ
 ˆ ˆ  100 − sˆc  + Wˆ ⋅  100 − sˆr 
Wˆ pa ⋅  ˆ ˆ
 + EF + ED + ECô = W pc ⋅   pr  
 100   100   100 
 100 − sâ  Eˆ F Eˆ D Eˆ Cô Wˆ pc  100 − sˆc  Wˆ pr  100 − sˆr 
⇒  + + + = ⋅ + ⋅ 
 100  Wˆ pa Wˆ pa Wˆ pa Wˆ pa  100  Wˆ pa  100 
Wˆsc Wˆsr
 100 − sâ  Eˆ F Eˆ D Eˆ Cô sˆ  100 − sˆc  sˆr  100 − sˆr 
⇒  + + + = c ⋅ + ⋅ 
 100  Wˆ pa Wˆ pa Wˆ pa Wˆ sa  100  Wˆ sa  100 
sâ sâ
 100 − sâ  Eˆ F Eˆ D Eˆ Cô sˆ  100 − sˆc  sâ  100 − sˆr 
⇒ +
 ˆ + + = dc ⋅ a ⋅  + (1 − d c ) ⋅ ˆ ⋅ 
 100  W pa Wˆ pa Wˆ pa sˆc  100  sr  100 
Eˆ F + Eˆ D + Eˆ Cô sˆ  100 − sˆc  sâ  100 − sˆr   100 − sâ 
⇒ = dc ⋅ a ⋅  + (1 − d c ) ⋅ ˆ ⋅ − 
Wˆ pa sˆc  100  sr  100   100 
D’où l’expression finale :
Eˆ F + Eˆ D + Eˆ Coˆ
Wˆ pa = (A5. 8)
sˆ  100 − sˆc  sˆ  100 − sˆr   100 − sâ 
dc ⋅ a ⋅   + (1 − d c ) ⋅ a ⋅  − 
sˆc  100  sˆr  100   100 

de l’usine
Tableau A5. 1 : Tonnages d’alimentation réconciliés des différents classificateurs primaires
231
232
Tableau A5. 2 (suite 1) : Valeurs réconciliées d’analyses chimique et granulochimique de
233
Test 7
Classe (µm)
Alimentation
Tête 94.58 4.88 0.28 0.15
+850 98.01 1.55 0.25 0.09
-850/+600 97.79 1.64 0.32 0.12
-600/425 97.87 1.64 0.28 0.11
-425/300 97.62 1.93 0.22 0.14
-300/+212 95.02 4.36 0.33 0.15
-212/+150 89.77 9.74 0.24 0.16
-150/+106 89.46 10.00 0.26 0.18
-106 92.02 7.26 0.38 0.20
Concentré
Tête 98.28 1.24 0.25 0.14
+850 98.01 1.55 0.25 0.09
-850/+600 97.79 1.64 0.32 0.12
-600/425 97.88 1.63 0.28 0.11
-425/300 97.97 1.59 0.22 0.14
-300/+212 98.21 1.18 0.33 0.16
-212/+150 98.98 0.59 0.19 0.17
-150/+106 99.42 0.24 0.11 0.19
-106 99.41 0.21 0.15 0.18
Rejet
Tête 76.29 22.93 0.44 0.17
+850 0.00 0.00 0.00 0.00
-850/+600 0.00 0.00 0.00 0.00
-600/425 15.98 75.80 5.67 0.06
-425/300 14.61 83.68 1.14 0.07
-300/+212 27.45 71.88 0.40 0.10
-212/+150 53.41 45.85 0.43 0.13
-150/+106 77.48 21.73 0.45 0.17
-106 90.24 8.95 0.43 0.21
234
Tableau A5. 3 : Valeurs réconciliées d’analyses granulométriques d’alimentations,
concentrés et rejets des différents classificateurs primaires
Tableau A5. 4 : Courbes de partage des classificateurs primaires, obtenues lors du

déroulement des sept campagnes préliminaires
235
Tableau A5. 4 (suite 1) : Courbes de partage des classificateurs primaires, obtenues lors du
Classe Dimension Test 7 (CPBE)
(mesh) (µm) Quartz Ilménite Mica Grenat Hématite
+20 +850 100 100 100 100 100
-20/+28 -850/+600 100 100 100 99.95 100
-28/+35 -600/425 99.52 99.99 100 94.74 100
-35/+48 -425/300 79.72 99.79 99.98 39.54 99.95
-48/+65 -300/+212 19.04 97.1 97.85 5.84 98.64
-65/+100 -212/+150 3.11 83.93 66.3 1.15 88.00
-100/+150 -150/+106 0.77 58.40 21.9 0.35 60.71
-150 -106 0.09 17.30 8.03 0.05 20.81
236
5.3. Campagnes d’Avril 2010
Tableau A5. 5 : Valeurs des rendements poids, granulométrique, en hématite et en quartz
en sousverse du CPBA, pour les campagnes d’avril 2011
Tableau A5. 5a : Pour la phase 1 (variation du débit d’eau de fluidisation)
237
Tableau A5. 5a (suite 1) : Pour la phase 1 (variation du débit d’eau de fluidisation)
238
Tableau A5. 5a (suite 2) : Pour la phase 1 (variation du débit d’eau de fluidisation)
239
Tableau A5. 5b : Pour la phase 2 (variation du débit d’eau de dilution de l’alimentation)
240
Tableau A5. 5b (suite 1) : Pour la phase 2 (variation du débit d’eau de dilution de
l’alimentation)
241
Tableau A5. 5b (suite 2) : Pour la phase 2 (variation du débit d’eau de dilution de
l’alimentation)
242
Tableau A5. 5c : Pour la phase 3 (variation du tonnage d’alimentation)
243
Tableau A5. 5c (suite 1) : Pour la phase 3 (variation du tonnage d’alimentation)
244
245
246
Tableau A5. 5d : Pour la phase 4 (variation de la position de la vanne de sousverse)
247
Tableau A5. 5d (suite 1) : Pour la phase 4 (variation de la position de la vanne de
sousverse)
248
sousverse)
249
sousverse)
250

l’alimentation, du concentré et du rejet du CPBA, pour les campagnes de juin 2011
251
l’alimentation, du concentré et du rejet du CPBA, pour les campagnes de juin 2011
Test 4 (Wpa=144 tmn/h et EF=1700 L/min)
Classe (µm)
Alimentation
Tête 94.61 4.90 0.26 0.12
+850 97.79 1.85 0.20 0.07
-850/+600 97.84 1.71 0.27 0.07
-600/425 97.88 1.72 0.23 0.08
-425/300 97.38 2.16 0.26 0.10
-300/+212 94.56 4.91 0.29 0.12
-212/+150 89.99 9.52 0.24 0.15
-150/+106 89.74 9.73 0.25 0.19
-106 91.57 7.67 0.38 0.23
Concentré
Tête 98.29 1.29 0.22 0.11
+850 97.79 1.85 0.20 0.07
-850/+600 97.84 1.70 0.27 0.07
-600/425 97.89 1.70 0.23 0.08
-425/300 97.92 1.62 0.25 0.10
-300/+212 98.38 1.12 0.27 0.12
-212/+150 99.04 0.58 0.17 0.15
-150/+106 99.44 0.31 0.07 0.16
-106 99.25 0.50 0.04 0.21
Rejet
Tête 73.43 25.66 0.50 0.21
+850 0.00 0.00 0.00 0.00
-850/+600 0.00 0.00 0.00 0.00
-600/425 1.19 97.92 0.61 0.00
-425/300 2.04 96.82 0.78 0.01
-300/+212 6.08 92.99 0.62 0.04
-212/+150 32.64 66.20 0.72 0.15
-150/+106 73.03 25.98 0.54 0.23
-106 90.82 8.39 0.41 0.23
252
Tableau A5. 7 : Valeurs réconciliées d’analyses granulométriques de l’alimentation, du
concentré et du rejet du CPBA, pour les campagnes de juin 2011
Tableau A5. 8 : Courbes de partage du CPBA, obtenues lors du déroulement des

campagnes de juin 2011
Tableau A5. 8 (suite 1) : Courbes de partage du CPBA, obtenues lors du déroulement des
253
5.5.1. Données réconciliées
Tableau A5. 9 : Valeurs réconciliées d’analyses chimiques dans l’alimentation, le
concentré et le rejet du CPBA, pour les campagnes de septembre 2011
254
Tableau A5. 10 : Valeurs réconciliées d’analyses granulométriques dans l’alimentation, le
concentré et le rejet du CPBA, pour les campagnes de septembre 2011
5.5.2. Analyse statistique

5.5.2.1. Variation du rendement poids en fonction du débit d’eau de
fluidisation et de la densité du lit de pulpe
Le modèle à déterminer est écrit comme suit : yû = βˆ0* + βˆ1* × x1u
*
+ βˆ2* × x*2u .
Avec ŷ : Prédiction de rendement poids;
βˆ i* : Paramètres du modèle;
x1* : Débit d’eau de fluidisation centré-réduit (L/min);
x*2 : Densité du lit, centrée-réduite, dans le CPBA (-);
Indice u : Numéro du test (ici u = 1 à 7 ).
Le tableau A5.11 illustre la corrélation qui existe entre les variables d’entrée (xi) du CPBA
et le rendement poids (y). Il peut y être observé que le paramètre le plus corrélé avec le
rendement poids est le débit d’eau de fluidisation (60.45%). Cependant, la corrélation est
faible entre les deux variables d’entrée.
255
Tableau A5. 11 : Matrice de corrélation des xi entre eux et avec y
Y X1 X2
Rendement poids (%) Y 1 0.6045 -0.3344
Débit d’eau de fluidisation
X1 0.6045 1 -0.0194
(L/min)
Densité du lit de pulpe (-) X2 -0.3344 -0.0194 1
Lorsque les paramètres xi sont fortement corrélés entre eux, il devient difficile d’aller
chercher leurs effets individuels. Ce qui implique que les variances des estimés β̂ seront
très grandes. Cela va également faire en sorte que les intervalles de confiance de ces
paramètres soient très grands. D’où, il faut normaliser (centrer-réduire) les xi avant de
calculer les paramètres β̂i et leurs intervalles de confiance. La normalisation des xi se fait
en soustrayant leur moyenne et en divisant par leur écart-type :
xi − xi
xi* = (A5. 9)
Var ( xi )
Dans Matlab, c’est la fonction« zscore » qui est utilisée. Les variables normalisées (xi*),
calculées dans Matlab, sont présentées dans le tableau A5.12.
Tableau 1 : Normalisation des variables d’entrée du CPBA, pour les sept campagnes
Test X1 X1* X2 X2*
1 2206 1.310 2.05 1.00
2 1798 -0.533 2.05 1.00
3 2002 0.392 1.90 -0.05
4 2202 1.295 1.76 -1.01
5 1698 -0.984 2.05 1.02
6 1701 -0.969 1.77 -0.94
7 1802 -0.511 1.76 -1.02
Les intervalles de confiance de β̂1* et β̂*2 , incluant 0, montrent que ces deux paramètres ne
sont pas significatifs :
int βˆ *0 int 2,βˆ * 
 1,βˆ *0 84.6851 86.5721 88.4590 
 
0

int ˆ * βˆ 1* int 2,βˆ *  =  -0.8326 1.2059 3.2444 
 1,β1 1 
int  -2.6891 -0.6506 1.3879 
 1,βˆ *2 βˆ int * 
2
*
2,βˆ 2 

256
a. Test d’hypothèse pour voir si le modèle est significatif
H0 : β=0 (Xi n’a pas d’effet sur β i )

H1 : au moins un β i ≠ 0 (Xi a un effet sur β i )
MSR
Pour que le modèle soit significatif, il faut que F = soit supérieur à f ou que la
MSE
probabilité d’observer une valeur supérieure à F (p-value) soit inférieure à α.
f est déterminé par la loi de Fischer en connaissant α et les degrés de liberté de MSR et de
MSE respectivement υ1= p − 1 et υ2= n − p .
MSR
∼ F ( p − 1, n − p )
MSE
Avec MSR : Estimé de la variance de y expliquée par le modèle.
MSE : Estimé de la variance des résidus du modèle.
n : le nombre d’expériences (lignes de la matrice X). Ici, n=7.
p : le nombre des paramètres β du modèle (colonnes de la matrice X) incluant β0. Ici, p=3.
En posant α=5%, le calcul du vecteur STATS effectué dans Matlab donne ceci :
R² 0.4695
F=MSR/MSE 1.7702
p-value 0.2814
MSE 4.9313
À l’aide de la table de Fischer, avec α = 5% , υ1 = 2 et υ2 = 4 , la valeur de f

correspondant vaut : f=6.9443.
D’où le modèle n’est pas significatif vue que F=1.77 < 6.94 (p-value=28.14% > 5%). De
plus, il est possible de voir sur la figure A5.1 que les valeurs de rendement poids
déterminées à l’aide du modèle ne correspondent pas exactement aux valeurs mesurées
(les points s’écartent un peu de la diagonale).
Le coefficient de corrélation multiple ajusté R²adj est déterminé de la manière suivante :

2 SS E / ( n − p )
Radj = 1− =0.2043
SST / ( n − 1)
Avec
SSR : Somme des carrés de la différence entre les rendements poids calculés à l’aide du
modèle ( yû ) et la moyenne de ceux observés ( yu ) (Ce qui est expliqué par le modèle).
n
SSR ( yû − yu )
2
= ∑
u =1
.
SSE : Somme des carrés des résidus du modèle (ce qui n’est pas expliqué par le modèle).
n
SSE ( yu − yû )
2
= ∑
u =1
.
257
observées du rendement poids.
b. Analyse des résidus pour voir si le modèle est adéquat
Il y a 2 façons de vérifier si un modèle est adéquat :
- À l’aide de l’ANOVA : test basé sur l’amplitude des erreurs. Cette méthode est
employée en cas d’expériences répétées (Présence des réplicas).
- À l’aide de l’analyse des résidus : test basé sur la nature des LOF (Lack Of Fit) du
modèle (informations non modélisées de y).
Comme il n’y a pas eu de réplicas dans le cadre des tests réalisés en septembre 2011,
c’est la méthode d’analyse des résidus qui est utilisée ici pour vérifier si le modèle trouvé
est adéquat.
Pour qu’un modèle soit adéquat, il faut que les hypothèses suivantes soient respectées :
- Les résidus doivent être indépendants.

- Ils doivent avoir une moyenne nulle et une variance constante σ2 :
E [εu ] =0, Var [ ε u ] =σ2 ⇒ ε u ∼ N ( 0, σ2 ) . Et donc, les résidus doivent être
environ égaux aux erreurs expérimentales : eu ∼ ε u .
L’observation de la figure A5.2 montre que :

• Tous les résidus ont une moyenne nulle (graphique Résidus vs numéro
d’échantillons);
• La variance des résidus n’est pas constante (graphique Résidus vs Rendement
poids);
• Les résidus présentent une tendance observable (possibilité de présence de
courbure);
258
• La majorité des points (résidus) se trouvent approximativement sur la droite de
probabilité normale. Donc, les résidus seraient distribués selon une loi normale
(graphique de probabilité normale).
D’où, le modèle n’est pas adéquat.
Figure A5. 2 : Analyse des résidus du modèle de rendement poids.
5.5.2.2. Variation de la perte en Fe2O3 en surverse du CPBA en fonction

du débit d’eau de fluidisation et de la densité du lit de pulpe
Le modèle obtenu avec les variables xi centrées-réduites est exprimé comme suit :
yû = βˆ0* + βˆ1* × x1u
*
+ βˆ2* ×=
x*2u ⇔ PFe O 2 3
10.10 - 1.35× E*f + 0.73× δLit
*
Le modèle final est le suivant :
PFe2O3 11.91(12.23) − 6.08 ⋅10−3 ( 3.41 ⋅10−3 ) × E f + 5.16 ( 5.34 ) × δ Lit

= Avec R ² = 0.51
 1,βˆ *0 8.1606 10.1040 12.0473
 
0

int ˆ * βˆ 1* int 2,βˆ *  =  -3.4468 -1.3474 0.7521 
 1,β1 1 
int  -1.3682 0.7313 2.8308 
 1,βˆ *2 βˆ int * 
2
*
2,βˆ 2 

259
Le modèle n’est pas significatif vue que F=2.09 < 6.94 (p-value=23.92% > 5%) et les
valeurs de perte en Fe2O3 déterminées à l’aide du modèle ne correspondent pas
exactement aux valeurs mesurées (les points s’écartent un peu de la diagonale).
R² 0.5109
F=MSR/MSE 2.0892
p-value 0.2392
MSE 3.4295

observées de la perte en Fe2O3 en surverse.

L’analyse des résidus montre que le modèle n’est pas adéquat.
Figure A5. 4 : Analyse des résidus du modèle de la perte en Fe2O3 en surverse.
260
5.5.2.3. Variation du rendement SiO2 en sousverse du CPBA en fonction
du débit d’eau de fluidisation et de la densité du lit de pulpe
yû = βˆ0* + βˆ1* × x1u
*
+ βˆ2* × x*2u ⇔ RSiO
= 2
24.46 - 1.42 ⋅ 10 −2 × E*f + 0.38× δLit
*
RSiO2 24.46 ( 7.46 ) − 1.42 ⋅10−2 ( 0.21 ⋅10−2 ) × E f + 0.38 ( 3.26 ) × δ Lit
= Avec R ² = 0.14
 1,βˆ *0 23.2736 24.4597 25.6458
 
0

int ˆ * βˆ 1* int 2,βˆ *  =  -1.2956 -0.0142 1.2672 
 1,β1 1 
int  -0.9040 0.3774 1.6588 
 1,βˆ *2 βˆ int * 
2
*
2,βˆ 2 

b. Test d’hypothèse pour voir si le modèle est significatif

valeurs de rendement SiO2 déterminées à l’aide du modèle ne correspondent pas
R² 0.1437
F=MSR/MSE 0.3355
p-value 0.7333
MSE 1.2776

observées du rendement SiO2 en sousverse.
261
c. Analyse des résidus pour voir si le modèle est adéquat
Figure A5. 6 : Analyse des résidus du modèle du rendement SiO2 en sousverse.
5.5.2.4. Variation la teneur en SiO2 en sousverse du CPBA en fonction du

débit d’eau de fluidisation et de la densité du lit de pulpe
yû = βˆ0* + βˆ1* × x1u
*
βˆ2* × x*2u ⇔ xSiO
+= 2
1.35 - 0.87 ⋅ 10 −2 × E*f + 1.33 ⋅ 10 −2 × δLit
*
RSiO2 1.13 ( 0.25 ) + 2.02 ⋅10−5 ( 4.52 ⋅10−5 ) × E f + 9.39 ⋅10−2 (13.73 ⋅10−2 ) × δ Lit
= Avec
R ² = 0.19
 1,βˆ *0 1.3065 1.3539 1.4012 
 
0

int ˆ * βˆ 1* int 2,βˆ *  =  -0.0453 0.0087 0.0627 
 1,β1 1 
int  -0.0407 0.0133 0.0673 
 1,βˆ *2 βˆ *2 int 2,βˆ * 
2

valeurs de rendement SiO2 déterminées à l’aide du modèle ne correspondent pas
R² 0.1939
262
F=MSR/MSE 0.4811
p-value 0.6498
MSE 0.0020

observées de la teneur en SiO2 en sousverse.
d. Analyse des résidus pour voir si le modèle est adéquat

Figure A5. 8 : Analyse des résidus du modèle de la teneur en SiO2 en sousverse.
5.5.2.5. Variation du rendement des particules de la tranche -212 µm en

sousverse du CPBA en fonction du débit d’eau de fluidisation et de la
densité du lit de pulpe
û = βˆ0* + βˆ1* × x1u

Le modèle à déterminer est le suivant : y *
+ βˆ2* × x*2u . Cependant, les
intervalles de confiance de β̂1* et β̂*2 montrent que β̂*2 est significatif alors β̂1* que ne l’est
pas (son intervalle de confiance inclue 0).
263
 1,βˆ *0 61.8889 64.8318 67.7747 
 
0

int ˆ * βˆ 1* int 2,βˆ *  =  -0.9685 2.3883 5.7450 
 1,β1 1 
int  -7.0937 -3.7369 -0.3802 
 1,βˆ *2 βˆ int * 
2
*
2,βˆ 2 

Le modèle obtenu en considérant seulement les paramètres significatifs est exprimé
comme suit :
yû = βˆ0* + βˆ2* × x*2u ⇔ x−212µm =64.83 - 2.97× δLit*
L’intervalle de confiance de β̂*2 dans le nouveau modèle, incluant 0, montre que ce
paramètre n’est plus significatif :
int βˆ *0 int 2,βˆ *  61.4064 64.8318 68.2572 
 1,βˆ *0 0  
 = -6.6693 -2.9694 0.7304 
int1,βˆ * βˆ *2 int 2,βˆ *  
 2 2
De plus, le test d’hypothèse effectué sur ce modèle montre que celui-ci n’est pas
significatif.
R² 0.4598
F=MSR/MSE 4.2565
f 6.6079
p-value 0.0941
MSE 12.4294

L’analyse des résidus montre également que ce modèle n’est pas adéquat dû au fait que
la variance des résidus n’est pas constante (graphique Résidus vs Rpart -212 microns) et
que les résidus présentent une tendance observable (possibilité de présence de
courbure).
264
inférieure à 212 µm en sousverse.
5.5.2.6. Variation du rendement des particules de la tranche -150 µm en

sousverse du CPBA en fonction du débit d’eau de fluidisation et de la
densité du lit de pulpe
û = βˆ0* + βˆ1* × x1u

Le modèle à déterminer est le suivant : y *
+ βˆ2* × x*2u . Cependant, les
intervalles de confiance de β̂1* et β̂*2 montrent que β̂*2 est significatif alors β̂1* que ne l’est
pas (son intervalle de confiance inclue 0).
 1,βˆ *0 45.0594 48.9807 52.9019 
 
0

int ˆ * βˆ 1* int 2,βˆ *  =  -3.2303 1.2424 5.7151 
 1,β1 1 
int  -10.5601 -6.0874 -1.6147 
 1,βˆ *2 βˆ *2 int 2,βˆ * 
2
Le modèle obtenu en considérant seulement les paramètres significatifs est exprimé

comme suit :
yû = βˆ0* + βˆ2* × x*2u ⇔ x−150µm =48.98 - 5.69× δLit*
R−150 µ m = 125.56 (19.73) − 40.17 (10.33) × δ Lit Avec R ² = 0.75
L’intervalle de confiance de β̂*2 dans le nouveau modèle, n’incluant pas 0, montre que ce
paramètre est toujours significatif :
265
int βˆ *0 int 2,βˆ *  45.5004 48.9807 52.4610 
 1,βˆ *0 0  
 = -9.4473 -5.6881 -1.9290 
int1,βˆ * βˆ *2 int 2,βˆ *  
 2 2

Malgré le fait que les points s’écartent un peu de la diagonale sur la figure A5.9, le test
d’hypothèse montre que le modèle est quand-même significatif vue que F=15.13 > 6.61
(p-value=1.15% < 5%).
R² 0.7516
F=MSR/MSE 15.1296
p-value 0.0115
MSE 12.8311


Il est difficile de conclure que ce modèle est adéquat puisque la variance des résidus n’est
pas constante (graphique Résidus vs Rpart -150 microns) et les résidus présentent une
tendance observable (possibilité de présence de courbure). Il se pourrait que d’autres
paramètres doivent être ajoutés au modèle pour atténuer les tendances observées. Une
analyse statistique plus approfondie est alors requise pour trouver ces paramètres. Le but
de cette section étant de montrer l’impact du débit d’eau de fluidisation et de la densité du
lit, cette étude ne sera pas présentée ici.
266
inférieure à 150 µm en sousverse.
5.6. Génération des valeurs aléatoires des teneurs en
Fe2O3 et en silice (SiO2)
Sachant que des erreurs expérimentales sont commises lors de la mesure des teneurs
en oxydes dans l’échantillon, il est possible de supposer que les valeurs d’erreurs suivant
sont commises sur chaque analyse chimique.
Tableau A5. 12 : Erreurs expérimentales commises sur la mesure des teneurs en hématite et
en silice dans un échantillon d’alimentation, de concentré et de rejet
Pourcentage d'erreur (%)

Flux Teneur en teneur en
Fe2O3 SiO2
Alimentation ±0.2 ±0.1
Surverse ±0.5 ±2.0
Sousverse ±0.1 ±0.05
En assumant que les teneurs en oxydes suivent une distribution gaussienne avec une
moyenne a et un écart-type e, plusieurs valeurs de teneurs en oxydes peuvent être
générées en utilisant la relation suivante [5] :
Teneur en oxyde = a + e ⋅ −2 ln ( u1 ) ⋅ sin ( 2π u2 ) (A5. 10)
Avec u1 et u2 : Valeurs aléatoires comprises entre 0 et 1.
En prenant l’exemple du test 7 des campagnes de septembre 2011, l’association des

teneurs en oxydes de ce test avec leurs erreurs est présentée dans le tableau A5.13.
267
Tableau A5. 13 : Valeurs de teneurs mesurées au laboratoire et erreurs commises sur ces
valeurs
Test 7: Ef =1800 L/min et δLit=1.75
Flux %Fe2O3 %SiO2

Valeur vraie Erreur Valeur vraie Erreur
Alimentation (A) 94.6 0.2 4.73 0.10
Surverse (O/F) 71.9 0.5 26.5 2.0
Sousverse (U/F) 98.2 0.1 1.32 0.05
À l’aide de l’équation A5.9, 30 valeurs de teneurs en Fe2O3 et en silice sont calculées

pour chaque flux (Alimentation, concentré et rejet). u1 et u2 sont obtenus à l’aide de la
fonction ALEA() d’Excel. Pour chaque flux, la moyenne de ces 30 valeurs de teneurs doit
donner la valeur vraie et leur écart-type doit être égal à l’erreur de mesure commise sur
cette valeur vraie.
268
Section VI : Construction du simulateur du classificateur
hydraulique
Cette section est en lien avec le chapitre 7 qui traite de la simulation du classificateur
hydraulique. Le point 6.1 présente le développement des équations utilisées pour la
construction du simulateur. Les autres points traitent de la validation du modèle et
présentent les différents scénarios de simulation pour obtenir un débit d’eau cône maximal
à considérer, dépendamment du tonnage d’alimentation fixé.
6.1 Équations du simulateur
La mesure de tonnage d’alimentation du classificateur fournie est habituellement celle du
concentré de Mont-Wright humide (Wpa). Le débit de solide alimenté (Wa) est alors
déterminé, en connaissant le pourcentage solide de concentré de Mont-Wright humide
(environ 97%), de la manière suivante :
W
=a W pa × % solide (A6. 1)
Les teneurs d’oxydes ( xo;i;a ) fournies sont converties en teneurs des minéraux ( xm;i;a ) à
l’aide de la matrice de conversion suivante :
Tableau A6. 1 : Matrice de conversion des oxydes en minéraux
Hématite Quartz Mica Ilménite Grenat
Fe2O3 1.000 0 0 0.5263 0.3544
SiO2 0 1.000 0.4525 0 0.3722
TiO2 0 0 0 0.5264 0
Al2O3 0 0 0.3840 0 0.1895
K2O 0 0 0.1182 0 0
CaO 0 0 0 0 0.0347
MgO 0 0 0 0 0.0374
Les relations suivantes sont appliquées :

xK O;i;a
xmica;i;a = 2
(A6. 2)
0.1182
x Al O ;i;a − ( xmica;i;a × 0.3840 )
xgrenat;i;a = 2 3
(A6. 3)
0.1895
xquartz;i;a = 2
( )
xSiO ;i;a − xgrenat;i;a × 0.3722 − ( xmica;i;a × 0.4525 )
(A6. 4)
1.000
xTiO ;i;a
xilménite;i;a = 2
(A6. 5)
0.5264
269
xhématite;i;a =
( ) (
xFe O ;i;a − xilménite;i;a × 0.5263 − xgrenat;i;a × 0.3544
2 3
) (A6. 6)
1.000
La distribution granulométrique des minéraux m dans chaque classe granulométrique i est
déterminée à l’aide de la relation suivante :
xm;i;a × g Solide;i;a
=g m;i;a ×100 (A6. 7)
xm;0;a × g Solide;0;a
xm;0;a est la teneur de tête du minéral et g Solide;0;a est le pourcentage du solide retenu
dans toute la colonne de tamis ( g Solide;0;a =100%). Dans le cas des campagnes avec
granulochimies, la colonne de tamis est constituée du plat et de 7 tamis ayant des trous de
106, 150, 212, 300, 425, 600 et 850 µm de diamètre.
Le débit des minéraux dans chaque tranche granulométrique i de l’alimentation ( Wm;i;a )

est déterminé comme suit :
xm;0;a g m;i;a
Wm;i;a = Wa × ×
100 100
(A6. 8)
ti
  tSolide   t i
 t 0

 =  × t ×
Minéral Minéral Minéral
 0 
 h   h   Minéral   tSolide 
Une fois tous les intrants connus, la procédure suivante est utilisée pour calculer les
extrants du simulateur :
1) Calcul des courbes de partage des minéraux

Le modèle suivant est utilisé pour calculer les courbes de partage des minéraux :
d
α
d50
e −1
Sm;i ( d ) = d
α
d50
e + eα − 2
Les données utilisées pour la construction des modèles du diamètre d’équicoupure (d50) et
de l’acuité de séparation (α) des différents minéraux sont compilées dans les tableaux
A6.2 et A6.3 et la figure A6.1 (pour le d50 du mica). Le diamètre d’équicoupure d50
représente la dimension des particules qui se divisent également en sousverse et surverse
(diamètre correspondant à un partage de 50%). Le paramètre α est déterminé de telle
sorte à minimiser l’écart entre la courbe de partage observée (voir équation 6.13, section
6.2.2) et celle modélisée à l’aide de l’équation ci-dessus. Le critère à minimiser est :
2
Ns R −S 
J = ∑  m;i m;i 
i =1  σ Rm;i 
 
Où σ Rm;i est l’écart-type de chaque valeur du pourcentage de partage calculé Rm;i . Il est
déterminé comme suit :
270
− Si Rm;i > 90% et Rm;i < 10% ⇒ σ Rm;i =
1%
− Si 10%<Rm;i < 30% et 70%<Rm;i < 90% ⇒ σ Rm;i =
2.5%
− Si 30%<Rm;i < 70% ⇒ σ Rm;i =
5%
Tableau A6. 2 : Valeurs des variables opératoires utilisées lors des campagnes avec
granulochimies
271
Tableau A6. 3 : Valeurs des diamètres de coupure et d’acuité de séparation issues des
courbes de partage des campagnes avec granulochimies
500 y = -0,1291x + 794,78 y = -0,1012x + 630,89

450 R² = 1 R² = 1
y = -0,0929x + 595,95
400
R² = 1
350
d50 du minéral (µm)
300
250
y = -0,0912x + 563,88
200 R² = 1
150 y = -0,0892x + 546,93
R² = 1 y = -0,0936x + 573,13
100 R² = 1
50
0
2500 3000 3500 4000 4500 5000
Masse volumique du minéral (kg/m³)
Figure A6. 1 : Régressions linéaires pour la détermination du d50 du mica.
272
2) Calcul du débit des minéraux dans chaque tranche granulométrique i de la
sousverse
Sm;i
Wm=
;i;c × Wm;i;c (A6. 9)
100
3) Calcul du rendement poids en sousverse du classificateur

∑ ∑ i 1Wm;i;c
NM NS
Wc = m 1=
Rps
= = (A6. 10)
Wa Wa
4) Calcul du %retenu des minéraux dans chaque tranche granulométrique i de la

sousverse
Wm;i;c ×100
g m;i;c = (A6. 11)
∑ i =1Wm;i;c
NS
5) Calcul du %retenu du solide dans chaque tranche granulométrique i de la

sousverse
∑ m=1Wm;i;c (A6. 12)
NM
g solide;i;c =
∑ ∑ i 1Wm;i;c
NM NS
= m 1=
6) Calcul de la teneur en minéraux dans chaque tranche granulométrique i et de la

teneur de tête de la sousverse
Wm;i;c
xm;i;c = (A6. 13)
∑ m=1Wm;i;c
NM
∑ i =1Wm;i;c
NS
xm;0;c = (A6. 14)

∑ ∑ i 1Wm;i;c
NM NS
= m 1=
7) Calcul de la teneur en oxydes dans chaque tranche granulométrique i et de la

teneur de tête de la sousverse
Ici encore, la matrice de conversion (voir tableau A6.1) est utilisée, mais cette fois pour
convertir les minéraux en oxydes. Les relations suivantes sont appliquées :
xK O;i;c = xmica;i;c × 0.1182 (A6. 15)
2
  xK O;i;c  
x Al O ;i;c = xgrenat;i;c +  2
  × 0.1895 (A6. 16)
2 3   0.3840  
  
  x Al O ;i;c   xK O;i;c  
xSiO ;i;c = xquartz;i;c +  2 3
+ 2   ×1.000 (A6. 17)
2   0.3722   0.4525  
    
xTiO ;i;c xilménite;i;c × 0.5264
= (A6. 18)
2
273
  xTiO ;i;c   x Al O ;i;c  
xFe O ;i;c =  xhématite;i;c +  2
+ 2 3
  ×1.000 (A6. 19)
2 3   0.5263   0.3544  
    
La teneur de tête de chaque oxyde en sousverse du classificateur est déterminée comme
suit :
∑ i=1( xo;i;c × g solide;i;c )
NS
xo;0;c
= (A6. 20)
274
6.2 Comparaison entre les courbes de partage estimées et celles calculées à l’aide des données
Tableau A6. 4 : Comparaison entre les courbes de partage estimées des minéraux et celles calculées à l’aide des données des
Tableau A6. 4a : Coubes de partage de l’hématite et du quartz pour les quatre tests de juin 2011
275
Tableau A6. 4b : Coubes de partage du mica pour les quatre tests de juin 2011
Tableau A6. 4c : Coubes de partage de l’ilménite et du grenat pour les quatre tests de juin 2011
276
6.3 Variation des caractéristiques de l’alimentation
Tableau A6. 5 : Alimentation du test 1 des campagnes pré-maîtrise

+850 5.90 97.49 2.01 0.28 0.09 0.008
-850/+600 11.40 97.84 1.58 0.34 0.10 0.009
-600/+425 15.00 97.51 1.97 0.30 0.10 0.008
-425/+300 19.40 97.22 2.08 0.39 0.15 0.010
-300/+212 17.70 95.65 3.70 0.33 0.19 0.012
-212/+150 13.10 94.02 5.38 0.28 0.22 0.009
-150/+106 9.80 91.92 7.36 0.35 0.25 0.010
-106 7.70 93.88 5.27 0.43 0.26 0.013
Tête 100.00 95.88 3.48 0.34 0.17 0.010
Tableau A6. 6 : Alimentation du test 3 des campagnes pré-maîtrise

+850 5.06 98.01 1.46 0.31 0.10 0.010
-850/+600 9.68 98.14 1.36 0.28 0.12 0.007
-600/+425 13.24 97.91 1.55 0.30 0.12 0.007
-425/+300 18.53 97.69 1.82 0.25 0.14 0.011
-300/+212 18.00 95.82 3.54 0.36 0.14 0.012
-212/+150 14.28 91.40 8.07 0.26 0.16 0.010
-150/+106 11.43 90.73 8.71 0.28 0.18 0.009
-106 9.78 93.06 6.19 0.39 0.20 0.013
Tête 100.00 95.30 4.14 0.30 0.15 0.010
Tableau A6. 7 : Alimentation du test 1 de la phase 1 des campagnes d’avril 2010

+850 5.02 97.08 2.31 0.45 0.12 0.020
-850/+600 8.72 97.55 1.69 0.44 0.17 0.022
-600/+425 15.22 97.61 1.92 0.41 0.12 0.015
-425/+300 15.06 97.04 2.09 0.38 0.18 0.027
-300/+212 17.29 95.32 3.86 0.36 0.18 0.025
-212/+150 17.54 93.08 6.40 0.37 0.19 0.014
-150/+106 11.40 91.75 7.63 0.38 0.19 0.018
-106 9.75 93.78 5.49 0.39 0.20 0.021
Tête 100.00 95.26 4.07 0.39 0.17 0.020
277
Tableau A6. 8 : Alimentation du test 3 de la phase 3 des campagnes d’avril 2010
+850 5.68 96.98 2.52 0.34 0.10 0.009
-850/+600 9.36 97.49 1.97 0.33 0.12 0.008
-600/+425 15.62 97.45 2.04 0.32 0.12 0.006
-425/+300 16.51 97.19 2.12 0.31 0.14 0.012
-300/+212 17.03 95.31 3.90 0.33 0.17 0.013
-212/+150 15.77 91.56 7.89 0.36 0.19 0.009
-150/+106 11.33 91.16 8.13 0.39 0.24 0.009
-106 8.70 93.36 5.76 0.43 0.28 0.015
Tête 100.00 95.02 4.33 0.35 0.17 0.010
Tableau A6. 9 : Alimentation du test 3 des campagnes de juin 2011

+850 6.37 97.82 1.81 0.21 0.07 0.008
-850/+600 9.85 97.97 1.66 0.20 0.08 0.007
-600/+425 15.12 97.88 1.74 0.21 0.09 0.006
-425/+300 18.55 97.22 2.22 0.32 0.11 0.011
-300/+212 15.72 94.42 4.86 0.41 0.14 0.014
-212/+150 13.60 91.17 8.28 0.29 0.14 0.010
-150/+106 10.05 89.69 9.72 0.29 0.19 0.010
-106 10.74 92.78 6.57 0.33 0.20 0.012
Tête 100.00 94.93 4.53 0.29 0.13 0.010
6.4 Modification des variables opératoires
Tableau A6. 10 : Variation du tonnage d’alimentation

Wpa (tmn/h) Rendement poids (%) Teneur en silice (%)
-46.15% -3.49% -3.09%
140 84.87 1.61
160 85.52 1.61
180 86.12 1.62
200 86.67 1.62
220 87.16 1.63
240 87.58 1.64
260 87.93 1.66
85.71% 3.61% 3.18%
278
Tableau A6. 11 : Variation du débit d’eau de fluidisation
Ef (L/min) Rendement poids (%) Teneur en silice (%)
-26.09% 3.41% 7.17%
1700 87.20 1.67
1800 86.90 1.64
1900 86.53 1.61
2000 86.10 1.59
2100 85.58 1.58
2200 84.98 1.56
2300 84.32 1.55
35.29% -3.30% -6.69%
Tableau A6. 12 : Variation de la densité du lit

δLit (-) Rendement poids (%) Teneur en silice (%)
-26.09% 10.46% 35.43%
1.70 89.59 1.94
1.80 88.68 1.82
1.90 87.82 1.72
2.00 86.71 1.62
2.10 85.19 1.55
2.20 83.30 1.48
2.30 81.11 1.43
35.29% -9.47% -26.16%
Tableau A6. 13 : Variation du débit d’eau de dilution

ED (L/min) Rendement poids (%) Teneur en silice (%)
-42.86% 1.04% 15.03%
2000 87.51 1.84
2250 87.37 1.80
2500 87.23 1.75
2750 87.08 1.71
3000 86.93 1.67
3250 86.77 1.64
3500 86.61 1.60
75.00% -1.03% -13.06%
279
Tableau A6. 14 : Variation du débit d’eau de cône
ECô (L/min) Rendement poids (%) Teneur en silice (%)
-41.38% 9.36% -2.85%
170 88.03 1.63
190 87.31 1.63
210 86.33 1.63
230 85.11 1.63
250 83.70 1.64
270 82.15 1.66
290 80.50 1.68
70.59% -8.56% 2.93%
280
6.5 Scénarios de simulation
Tableau A6. 15 : Scénarios de simulation pour obtenir un débit d’eau cône maximal à considérer, dépendamment du tonnage
d’alimentation fixé
Tableau A6. 15a : Variation du tonnage d’alimentation pour un débit d’eau de fluidisation de 1700 L/min
Tableau A6. 15b : Variation du tonnage d’alimentation pour un débit d’eau de fluidisation de 1800 L/min
281
Tableau A6. 15c : Variation du tonnage d’alimentation pour un débit d’eau de fluidisation de 1900 L/min
Tableau A6. 15d : Variation du tonnage d’alimentation pour un débit d’eau de fluidisation de 2000 L/min
282
Tableau A6. 15e : Variation du tonnage d’alimentation pour un débit d’eau de fluidisation de 2100 L/min
Tableau A6. 15f : Variation du tonnage d’alimentation pour un débit d’eau de fluidisation de 2200 L/min
283
284
Tableau A6. 15g : Variation du tonnage d’alimentation pour un débit d’eau de fluidisation de 2300 L/min
Tableau A6. 16 : Valeurs de débits d’eau cône maximaux obtenus en fonction du tonnage d’alimentation
Débit d'eau de cône: ECô (L/min)
Wpa (tmn/h) EF=1700 EF=1800 EF=1900 EF=2000 EF=2100 EF=2200 EF=2300
Moyenne
L/min L/min L/min L/min L/min L/min L/min
150 90.0 90.0 90.1 90.1 90.1 90.0 89.9 90.029
160 130.6 130.7 130.8 130.7 122.6 116.3 110.3 124.576
170 140.1 140.2 140.3 140.3 140.2 135.6 124.8 137.368
180 144.9 145.0 145.1 145.1 145.1 145.1 144.9 145.027
190 157.2 157.3 157.4 157.5 157.5 157.5 157.3 157.393
200 175.6 175.8 176.0 176.1 176.2 176.1 176.0 175.973
210 193.3 193.7 194.0 194.2 194.3 194.3 194.0 193.953
220 208.8 209.3 209.7 210.0 210.2 210.2 210.0 209.721
230 226.1 226.6 227.1 227.5 227.9 227.9 227.6 227.243
240 238.5 239.1 239.7 240.2 240.6 240.8 240.7 239.952
250 256.9 257.6 258.4 259.0 259.6 259.8 258.1 258.482
260 265.5 266.2 267.0 267.7 268.4 268.9 269.1 267.539
285
286

Modélisation D'Un Classificateur Hydraulique À L'Usine de Boulettage D'Arcelormittal

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Modélisation D'Un Classificateur Hydraulique À L'Usine de Boulettage D'Arcelormittal

Diunggah oleh

Hak Cipta:

Format Tersedia

Modélisation d’un classificateur hydraulique à l’usine de

Gracia Payenzo Mfudi

Maîtrise en génie des matériaux et de la métallurgie

© Gracia Payenzo Mfudi, 2013

L’objectif du projet de maîtrise est d’étudier le fonctionnement du classificateur hydraulique

Liste des tableaux

Tableau 4. 1 : Caractéristiques de l’alimentation et classificateurs hydrauliques utilisés pour

Tableau 6. 1 : Mesures effectuées lors de la réalisation des sept campagnes de septembre

Tableau A3. 1 : Résultats de l’analyse granulométrique d’alimentations, concentrés et rejets

Tableau A4. 1 : Calcul du volume du CPBA ...................................................................... 209

Tableau A5. 1 : Tonnages d’alimentation réconciliés des différents classificateurs primaires

Liste des figures

Figure 3. 1 : Schéma et photos du classificateur hydraulique primaire [5]. ......................... 30

Figure 4. 1 : Points d’échantillonnage des flux d’alimentation, de sousverse et de surverse.

Figure 5. 1 : Variation du niveau d’équilibre lors d’un essai dynamique. ............................ 81

Figure 6. 1: Réseau du solide pour le classificateur hydraulique. ...................................... 101

Figure 7. 1 : Superposition des valeurs expérimentales et modélisées de d50 et α des

Figure A1. 1 : Mécanisme de séparation par milieu dense [2]............................................ 159

Figure A4. 1 : Sections du classificateur hydraulique. ....................................................... 208

Figure A5. 1 : Représentation graphique des prédictions du modèle en fonction de valeurs

J’aimerais aussi remercier toute l’équipe de procédé de l’usine de boulettage

Mes remerciements vont également à Jean-François Wilhelmy de COREM, pour l’aide

L’objectif de ce projet est d’améliorer, grâce à une revue de littérature et à des

Ce mémoire est divisé en 7 chapitres dont le premier est l’introduction. La deuxième

2.1. Enrichissement des minéraux

Rejet (riche en gangue)

Figure 2. 1 : Flux issus de la séparation minéralurgique d’un minerai

2.1.1. Procédé de séparation gravimétrique

Les méthodes de concentration par séparation gravimétrique exploitent le gradient de

Les méthodes de séparation gravimétrique représentent la procédure de concentration de

Les équipements de séparation gravimétrique sont classés selon le mécanisme de

2.1.2. Procédé de séparation par classification

La classification hydraulique en dimensions désigne l’ensemble des procédés permettant

Sédimentation Sédimentation en milieu

Accélération constante Accélération nulle

Dans un équipement où il n’y a pas d’injection d’un courant d’eau ascendant, la

Figure 2. 3 : La sédimentation, l’élutriation et la fluidisation [2].

La classification hydraulique en dimensions s’applique lorsqu’il n’est pas rentable, d’un

Selon le type de champ d’accélération, les classificateurs hydrauliques peuvent être

2.2. Description générale des classificateurs hydrauliques

Figure 2. 4 : Illustration schématique d’un classificateur hydraulique [2].

2.2.2. Variables opératoires

2.3. Applications des classificateurs hydrauliques à lit

a) Schéma du classificateur b) Schéma du circuit

Figure 2. 5 : Schéma du classificateur hydraulique à lit fluidisé et du circuit de traitement

2.2.1. Modélisation d’un classificateur hydraulique pilote en

Où R est la résistance à l’écoulement. La viscosité dynamique est notée µ est exprimée

exprimée en kg/m³. Le diamètre de la particule est désigné par d p (m) et la vitesse de la

particule par V (m/s). ε est la fraction de vide du lit et est adimensionnel.

Où Vij et U t,ij sont les vitesses relative et terminale de chute de la particule

2 ( 2.35 + 0.175 Ret0.75 )

Les indices i et j représentent respectivement les classes granulométrique et de densité

de particule (pour un solide constitué des particules de différentes densités).

relation du nombre de Reynolds :

de Reynolds de la particule qui a atteint sa vitesse terminale de chute et est calculé

P (=A ) ( 0.0017795 A − 0.0573) A + 1.0315 A − 1.26222 (2. 7)

d’eau ascendant respectivement. La vitesse superficielle est calculée comme suit :

section du classificateur dans laquelle passe le courant d’eau ascendant (m²).

y′p = 0.5 1 + erf ( A ⋅ d pc ,ij ⋅ ( ρij − ρ F ) − B ) (2. 13)

Les paramètres A et B sont calculé comme suit :

y p = y′p (1 − R f ) + R f (2. 15)

Le modèle de l’équation 2.15 a permis une simulation détaillée de la composition

2.2.2. Modélisation d’un classificateur hydraulique pilote en