МОЛИБДЕНИТ КОНЦЕНТРАТТАРЫН ГИДРОМЕТАЛЛУРГИЯЛЫҚ ӨҢДЕУДІ МОДЕЛЬДЕУГЕ ЖӘНЕ ТАЛДАУҒА АРНАЛҒАН АҚПАРАТТЫҚ ЖҮЙЕНІ ӘЗІРЛЕУ

Жоғары сапалы молибден кендерінің азаюы және күрделі сульфидті концентраттарды өңдеу қажеттілігі гидрометаллургия өнеркәсібі үшін елеулі қиындықтар тудырады. Қолмен есептеуге негізделген эксперименттік деректерді өңдеудің дәстүрлі әдістері еңбек сыйымдылығының жоғарылығымен, есептеу қателері қаупімен және ақпараттың бөлшектенуімен сипатталады. Бұл жұмыста молибденит концентраттарын гидрометаллургиялық өңдеуді модельдеуге және талдауға арналған арнайы ақпараттық жүйені әзірлеу сипатталады. Бағдарламалық қамтамасыз ету Django веб-фреймворкі негізінде іске асырылған және эксперименттік деректерді енгізу, сілтісіздендіру және сорбция процестерінің материалдық балансын автоматты түрде есептеу, сондай-ақ интерактивті талдамалық панельдер арқылы нәтижелерді визуализациялау модульдерін қамтиды. Жүйе 6 сілтісіздендіру эксперименті және 9 молибден сорбциясы эксперименті деректері бойынша сыналды. Модульдік үш деңгейлі архитектура шешімнің масштабталуын және оны басқа гидрометаллургиялық процестерді модельдеу үшін бейімдеу мүмкіндігін қамтамасыз етеді. Әзірленген калькуляторлар қосымша физикалық эксперименттер жүргізбестен технологиялық циклдің әртүрлі кезеңдерінде молибденді алу дәрежесін болжауға мүмкіндік береді. Жұмыстың практикалық маңыздылығы зерттеушілер үшін бірыңғай ақпараттық кеңістік қалыптастыратын, эксперименттердің ашықтығы мен қайталанымдылығын қамтамасыз ететін, сондай-ақ молибденит концентраттарын өңдеу технологиясын өнеркәсіптік масштабтауға негіз қалайтын технологиялық процестің цифрлық егізін жасауда.

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.