РАЗРАБОТКА ИНФОРМАЦИОННОЙ СИСТЕМЫ ДЛЯ МОДЕЛИРОВАНИЯ И АНАЛИЗА ГИДРОМЕТАЛЛУРГИЧЕСКОЙ ПЕРЕРАБОТКИ МОЛИБДЕНИТНЫХ КОНЦЕНТРАТОВ

Истощение высококачественных молибденовых руд и необходимость переработки сложных сульфидных концентратов создают значительные вызовы для гидрометаллургической промышленности. Традиционные подходы к обработке экспериментальных данных, основанные на ручных расчетах, характеризуются высокой трудоемкостью, риском вычислительных ошибок и фрагментацией информации. В данной работе описывается разработка специализированной информационной системы для моделирования и анализа гидрометаллургической переработки молибденитных концентратов. Программное обеспечение реализовано на базе веб-фреймворка Django и включает модули ввода экспериментальных данных, автоматизированного расчета материальных балансов процессов выщелачивания и сорбции, а также визуализации результатов через интерактивные аналитические панели. Система апробирована на данных 6 экспериментов по выщелачиванию и 9 экспериментов по сорбции молибдена. Модульная трехуровневая архитектура обеспечивает масштабируемость решения и возможность его адаптации для моделирования других гидрометаллургических процессов. Разработанные калькуляторы позволяют прогнозировать степень извлечения молибдена на различных стадиях технологического цикла без проведения дополнительных физических экспериментов. Практическая значимость работы заключается в создании цифрового двойника технологического процесса, который формирует единое информационное пространство для исследователей, обеспечивает прозрачность и воспроизводимость экспериментов, а также закладывает основу для промышленного масштабирования технологии переработки молибденитовых концентратов.

1. The FAIR Guiding Principles for scientific data management and stewardship / M.D. Wilkinson et al // Scientific Data. – 2016. – № 3. – Р. 160018.

2. Bazan V. Extraction of molybdenite concentrates by leaching / V. Bazan, M. Medina, I. Orozco // DYNA. – 2024. – № 91(234). – Р. 54-61.

3. Laputka M. A review of recent advances in pyrometallurgical process measurement and modeling, and their applications to process improvement / M. Laputka, W. Xie // Mining, Metallurgy & Exploration. – 2021. – № 38(2). – Р. 1135-1165.

4. Grieves M. Digital Twin: Mitigating Unpredictable, Undesirable Emergent Behavior in Complex Systems / M. Grieves, J. Vickers // In Transdisciplinary Perspectives on Complex Systems. – 2017. – Р. 85-113.

5. Digital Twins and Enabling Technology Applications in Mining: Research Trends, Opportunities, and Challenges / M. Don et al // IEEE Access. – 2025. – Р. 1-1.

6. Hydrometallurgical processing of molybdenum middlings from Shatyrkul-Zhaysan cluster ore / L. Karimova et al // Journal of Mining and Metallurgy, Section B: Metallurgy. – 2024. – № 60(1). – Р. 71-83.

7. Sun T. A Python-based platform for thermodynamic calculation and process simulation in metallurgy / T. Sun, S. Du // JOM. – 2019. – № 71(10). – Р. 3504-3512.

8. McDowell, D.L. The materials innovation ecosystem: a key enabler for the materials genome initiative / D.L. McDowell, S.R. Kalidindi // MRS Bulletin. – 2016. – № 41(4). – Р. 326-337.

9. Zhang J. Metallurgical Process Simulation and Optimization / J. Zhang, Y. Liu, Q. Liu // Materials. – 2022. – № 15(23). – Р. 8421.

10. Kenzhaliyev B. INFORMATION SYSTEM FOR METALLURGICAL PROCESS ANALYSIS AND OPTIMIZATION / B. Kenzhaliyev, S. Aibagarov // JPCSIT [Internet]. – 2025. – № 3(3). – Р. 101-12. Available from: https://jpcsit.kaznu.kz/index.php/kaznu/article/view/248.

11. Hydrometallurgical processes for the recovery of metals from steel industry by-products: a critical review / K. Binnemans et al // Journal of Sustainable Metallurgy. – 2020. – № 6(4). – Р. 505-540.

12. Predicting Copper Production Cycles in Hydrometallurgy with Interpretable Machine Learning / B. Kenzhaliyev et al // Kompleksnoe Ispolzovanie Mineralnogo Syra = Complex Use of Mineral Resources. – 2025. – № 341(2). – Р. 5-15. https://doi.org/10.31643/2027/6445.13.