صنعت معدن مدتهاست که بر تجربه، داده های تاریخی و مدل های تعیین کننده برای برنامه ریزی عملیات متکی است، با این حال، تغییر به سمت تصمیم گیری مبتنی بر داده ها شتاب می یابد. الگوریتم های یادگیری ماشین (ML) به طور فزاینده ای برای بهینه سازی برنامه ریزی و طراحی معدن، شرکت ها را قادر می سازد تا منابع را به طور موثر، کاهش هزینه ها و ایمنی افزایش دهند.

درک من Scheduling و طراحی

برنامه ریزی معدن فرایند تعیین توالی و زمان فعالیت های استخراج در طول زندگی یک معدن است.هدف این است که ارزش فعلی خالص را در حالی که اهداف تولید، محدودیت های درجه و تصمیمات عملیاتی را برآورده می کند، که شامل آن نیمکت ها برای معدن، هنگام حرکت تجهیزات، و چگونگی ترکیب یا از مناطق مختلف برای پاسخگویی به نیازهای خوراک آسیاب است.

از سوی دیگر، طراحی معدن، بر روی طرح فیزیکی معدن، از جمله شیب های گودال، جاده ها، زباله ها و زیرساخت ها تمرکز دارد، باید ثبات ژئوتکنیک، شرایط کار ایمن و سازگاری زیست محیطی را تضمین کند، این وظایف با استفاده از محاسبات دستی، صفحه گسترده و نرم افزار بهینه سازی بر اساس برنامه نویسی خطی یا برنامه نویسی مختلط انجام شده است.

پیچیدگی عملیات مدرن معدن - با چندین گودال، انبار، جریان پردازش و محدودیت های ترکیب - تقاضا بیشتر انعطاف پذیر و ابزار سازگار است.این است که در آن یادگیری ماشین ارائه می دهد یک مزیت قابل توجه است.

چگونه الگوریتم های یادگیری ماشین برنامه ریزی معدن را بهبود می بخشد

الگوریتم های یادگیری ماشین هر دو برنامه ریزی و طراحی من را با پردازش حجم زیادی از داده های چند متغیر برای تولید بینش های عملی بهبود می بخشد، به جای تکیه بر مدل های ذخیره استاتیک، مدل های ML به طور مداوم می توانند پیش بینی ها را به عنوان داده های سوراخ جدید، نمونه های انفجار، یا نمونه های کنترل درجه در دسترس قرار دهند.این به روز رسانی پویا اجازه می دهد تا برنامه های نزدیک زمان واقعی را برای حساب تنوع در دسترس بودن یا تجهیزات در دسترس بودن، یا در دسترس بودن، کیفیت بازار، و یا قیمت های بازار، تطبیق دهد.

برنامه های کلیدی شامل:

  • برآورد درجه و طبقه بندی ذخیره: مدل های یادگیری سوپرvised نمرات را در مکان های بدون اندازه با استفاده از بین بردن فضایی (به عنوان مثال، Kriging) همراه با شبکه های عصبی، بهبود دقت مدل منابع پیش بینی می کنند.
  • بهینه سازی برنامه ریزی کوتاه مدت: عوامل یادگیری تقویت کننده سیاست های توالی یابی بهینه را از طریق محاکمه و خطا یاد می گیرند، تعادل اهداف متعدد مانند به حداقل رساندن هزینه های حمل و نقل، ملاقات با اهداف ترکیب و حداکثر رساندن از طریقput.
  • بهینه سازی درجه بندی: خوشه بندی نشده مناطق اقتصادی را در یک سپرده مشخص می کند، کمک به تعریف نمرات برش که به حداکثر رساندن ارزش در زندگی من.
  • پیش بینی طراحی و تقسیم بندی: مدل های ML آموزش دیده در داده های انفجار اندازه قطعه سنگ را پیش بینی می کنند، که به طور مستقیم بر بارگیری و خرد کردن بهره وری تاثیر می گذارد.

با جاسازی این الگوریتم ها در جریان های کاری برنامه ریزی معدن، شرکت ها می توانند از واکنش های واکنشی به تصمیم گیری فعال، کاهش خرابی و بهبود اثربخشی کلی تجهیزات حرکت کنند.

انواع تکنیک های یادگیری ماشین در معدن

چندین دسته از یادگیری ماشین به ویژه مربوط به برنامه ریزی و طراحی من است:

آموزش عالی برای مدل سازی منابع

الگوریتم های یادگیری فوق العاده، مانند جنگل های تصادفی، ماشین های بردار و شبکه های عصبی عمیق، در داده های برچسب خورده آموزش دیده اند (به عنوان مثال، سوراخ assays) برای پیش بینی یا پیش بینی نمرات، سختی سنگ یا خواص ژئوتکنیکی: این مدل ها می توانند روابط و تعاملات بین متغیرهایی که روش های سنتی ژئواستاتیک از دست می دهند، به عنوان مثال، یک مطالعه توسط محققان دانشگاه علوم عصبی (کاهش).

آموزش عالی برای شناسایی زمین شناسی

روش های نظارت نشده مانند خوشه بندی K-means، مدل های مخلوط Gaussian، یا نقشه های خودسازمان دهی به طور خودکار داده های ژئوشیمیایی یا ژئوفیزیکی را به دامنه های لیتولوژیک یا معدنکاری تقسیم می کنند.[۱] این به زمین شناسان کمک می کند مرزهای مناطق سنگ را تعریف کنند و برنامه ریزی را با کاهش تعداد واحدهای متمایز مواد ساده تر کنند.

آموزش تقویت کننده برای توالی و لجستیک

یادگیری تقویت (RL) یک تکنیک قدرتمند برای تصمیم گیری متوالی تحت عدم اطمینان است.در برنامه ریزی معدن، یک عامل RL با شبیه سازی محیط معدن تعامل دارد، یادگیری از طریق سیگنال های پاداش (به عنوان مثال سود در هر دوره) برای انتخاب توالی استخراج بهینه (LTLT) این رویکرد می تواند محدودیت های پیچیده مانند تجهیزات را کنترل کند، ترکیب محدودیت ها، و محققان مدیریت در برنامه ریزی شده توسط هدف های تولید باز توسط RLF را با کاهش دهد.

مزایای کلیدی برای یکپارچه سازی یادگیری ماشین

پیاده سازی الگوریتم های ML در برنامه ریزی و طراحی من، پیشرفت های قابل اندازه گیری را در ابعاد مختلف ارائه می دهد:

  • دقت بالا در برآورد منابع: مدل های ML خطاهای پیش بینی را کاهش می دهند، که منجر به شگفتی های کمتری در طول تولید می شود.
  • افزایش بهره وری عملیاتی: برنامه های بهینه سازی زمان بی وقفه، مسافت های دور و عقب نشینی را به حداقل می رساند.یک معدن بزرگ طلا گزارش افزایش 15٪ در داخل از طریق قطع پس از اتخاذ یک سیستم برنامه ریزی مبتنی بر ماشین.
  • رد کردن اثرات زیست محیطی: [FLT 1] با بهینه سازی قرار دادن زباله و به حداقل رساندن اختلال، ML کمک می کند تا شامل اثرات عملیاتی باشد.برنامه ریزی هوشمند همچنین می تواند استخراج با قیمت گذاری انرژی پایین تر برای کاهش انتشار گازهای گلخانه ای را هماهنگ کند.
  • ایمنی نظارتی: مدل های پیش بینی کننده پیش بینی شکست های ژئوتکنیک، خرابی تجهیزات و شرایط خطرناک.به عنوان مثال، الگوریتم های ML تجزیه و تحلیل داده های میکرویسمی می تواند ساعت ها پیش از آن، اجازه تخلیه.
  • صرفه جویی در هزینه: عملیات کارآمد تر به طور مستقیم کاهش هزینه های عملیاتی. مک کینزی تخمین می زند که روش های مبتنی بر داده در معدن می تواند هزینه های 10-20٪ ( منبع: مک کینزی کاهش دهد.

چالش های اتخاذ

علی رغم وعده، یکپارچه سازی یادگیری ماشینی در برنامه ریزی من ساده نیست، موانع متعددی باید برطرف شود:

  • کیفیت و در دسترس بودن داده ها: داده های معدن اغلب پراکنده، پر سر و صدا، یا متناقض فرمت داده های از دست رفته، حرکت سنسور و فواصل نمونه برداری مختلف می تواند عملکرد مدل سازی را کاهش دهد و آسیب رساندن به داده ها نیازمند تلاش قابل توجهی است.
  • هزینه های پیاده سازی بالا: ساخت و نگهداری خطوط لوله ML نیاز به نرم افزار تخصصی، سخت افزار (به عنوان مثال، GPU برای یادگیری عمیق)، و دانشمندان داده های ماهر.
  • قابلیت پیش بینی و اعتماد: برنامه ریزان معدن و زمین شناسان به مدل های قابل تفسیر مانند Kriging با تفاوت های شناخته شده عادت دارند.شبکه های عصبی جعبه سیاه می توانند در برابر پذیرش مقاومت کنند حتی اگر آنها بهتر عمل کنند.
  • Integration با سیستم های موجود: اکثر معادن اجرای برنامه ریزی منابع سازمانی (ERP) و نرم افزار برنامه ریزی معدن (به عنوان مثال، Datamine، Deswik، Surpac) را اجرا می کنند.
  • [FLT: 1] یک مدل آموزش دیده در داده های تاریخی ممکن است زمانی که ویژگی های سپرده، ناوگان تجهیزات یا تغییرات شرایط بازار تغییر می کند، آموزش مداوم و نظارت بر مدل ضروری اما اغلب نادیده گرفته می شود.

مسیر های آینده

آینده یادگیری ماشین در برنامه ریزی و طراحی من روشن است، با چندین روند در حال ظهور احتمالا سرعت بخشیدن به پذیرش:

آموزش برای بهینه سازی چند سایت

شرکت های بزرگ معدن چندین سایت را اداره می کنند، هر کدام با داده های خود.برداردن اجازه می دهد تا مدل ها در سراسر سایت ها بدون انتقال داده های حساس آموزش ببینند، و بینش های مشترکی را در حالی که به حاکمیت داده های محلی احترام می گذارند، این امر می تواند منجر به بهینه سازی جهانی استفاده از تجهیزات و تدارکات زنجیره تامین شود.

دوقلوهای دیجیتال و یادگیری تقویت

ترکیب شبیه سازی های دوقلوی دیجیتال با RL یک محیط مجازی ایجاد می کند که در آن هزاران سناریو برنامه ریزی می تواند با خیال راحت مورد آزمایش قرار گیرد.این دوقلو دیجیتال معدن نشان دهنده سنسورهای زمان واقعی، زمین شناسی و وضعیت تجهیزات است که به عامل RL اجازه می دهد سیاست هایی را یاد بگیرد که با شرایط واقعی سازگار است.این در حال حاضر توسط ریو Tinto و دیگران در سیستم های حمل و نقل خودکار خلبان شده است.

مدل های ترکیبی در تجسم فیزیک و یادگیری ماشین

مدل های مبتنی بر داده های خالص می توانند محدودیت های فیزیکی (به عنوان مثال، تعادل توده ای) را نقض کنند که روش های ترکیبی را جاسازی می کنند که فیزیک (مانند معادلات جغرافیایی) را به معماری ML (به عنوان مثال، شبکه های عصبی فیزیکی آگاهانه) قول می دهند که هر دو دقیق و فیزیکی سازگار هستند.این به ویژه برای پیش بینی ثبات و طراحی انفجار مربوط است.

مهندسی ویژگی های خودکار از داده های سنسور

با گسترش سنسورهای IoT در کامیون ها، حفاری ها و نقاله ها، مقدار داده های جریانینگ منفجر می شود.یادگیری ماشین خودکار (AutoML) و معماری های یادگیری عمیق که به طور مستقیم پردازش زمان خام و یا تصاویر می تواند ویژگی های بدون مهندسی دستی استخراج کند.

نتیجه گیری

یادگیری ماشین دیگر یک مفهوم آینده نگر در معدن نیست؛ این یک ابزار عملی است که در حال حاضر بهبود کارایی، دقت و ایمنی برنامه ریزی و طراحی معدن است.از پیش بینی نمرات با یادگیری نظارت بر بهینه سازی توالی های استخراج با یادگیری تقویت، این الگوریتم ها برنامه ریزان معدن را قادر می سازد تا سریعتر تصمیم گیری کنند، در حالی که چالش ها در کیفیت داده ها، هزینه و ادغام باقی مانده است، حرکت به عنوان یک صنعت جدید ادامه می دهد تا به توسعه منابع دقیق تر، و مشخص تر از آن، و نشان دهد که یک مورد تبدیل شدن به عقب نشینی ماشین آلات و نشان می شود، و نشان می شود.