در صنعت معدن، حجم داده های تولید شده از اکتشاف، حفاری، نظرسنجی های ژئوتکنیک و سیستم های عملیاتی به طور چشمگیری افزایش یافته است.هنگامی که به طور موثر مهار شده است، این داده های بزرگ طراحی معدن را از یک فرآیند مبتنی بر شهود به یک نظم و انضباط مبتنی بر داده ها تبدیل می کند که عدم اطمینان و بهبود تصمیمات مدرن معدن را کاهش می دهد - از زوایای شیب گرفته تا طرح های جاده ای - در حال حاضر به روش های ساخت و ساز داده های بزرگ، و پردازش داده های تحلیلی متکی است.

بنیاد: منابع داده در طراحی معدن

طراحی معدن بستگی به ویژگی دقیق بدن، شرایط ژئوتکنیک و محدودیت های زیست محیطی دارد.اولین گام در استفاده از داده های بزرگ جمع آوری اطلاعات با کیفیت بالا از منابع متعدد است:

  • حفاری و داده های آسیمی: تاریخ ثبت، ژئوشیمیایی، و نظرسنجی های ژئوفیزیکی مواد خام برای مدل های منابع فراهم می کند.
  • سنسورهای نظارت بر حساسیت: ابزار ژئوتکنیک (extensometers، پیتزومتر، inclinometers) جریان های مداوم در مورد رفتار توده سنگ تولید می کنند.
  • ] سنجش و هواپیماهای بدون سرنشین: LiDAR، Photogrammetry و تصویربرداری hyperspectral زمینه و ویژگی های ساختاری در وضوح بالا را ثبت می کنند.
  • ] داده های عملیاتی: تجهیزات تله تقارن، ظرفیت تولید و سوابق نگهداری الگوهای عملکرد زمان واقعی را آشکار می کند.
  • داده های مرتبط: ایستگاه های آب و هوا، نظارت بر آب های زیرزمینی و شبکه های لرزه ای زمینه ای برای محدودیت های طراحی اضافه می کنند.

معادن مدرن داده ها را با نرخ های بالاتر از مقیاس های پترا بایت در سال تولید می کنند.چالش نه در خرید بلکه در ادغام - ترکیب فرمت های مختلف، مقیاس ها و قطعنامه های زمانی به نمایندگی دیجیتال منسجم از سایت معدن است. Mine بهترین شیوه های طراحی به طور فزاینده ای تاکید بر مدیریت داده های اولیه مرحله ای برای اطمینان از قابلیت استفاده.

از داده های خام تا دوقلوهای دیجیتال

ادغام این منابع منجر به ایجاد یک دوقلو دیجیتال می شود - یک شبیه سازی مجازی پویا و به طور مداوم به روز شده از معدن. دوقلوهای دیجیتال اجازه می دهد تا مهندسان به اجرای شبیه سازی در گزینه های طراحی بدون ریسک فیزیکی، به عنوان مثال، یک دوقلو دیجیتال می تواند اثر تغییر زاویه شیب در بازیابی و ثبات شیب، استفاده از داده های جابجایی تاریخی به مدل های شکست کالیبره شده است. [۱] شرکت های عمده معدن سرمایه گذاری به شدت می تواند با توجه به کاهش سرعت در مورد استفاده از طریق کاهش نرخ بهره برداری دیجیتال.

تکنیک های تحلیلی تصمیم گیری طراحی رانندگی

داده های خام باید به بینش عملی تبدیل شوند. زرادخانه تحلیلی اصلی برای داده های بزرگ در طراحی معدن شامل یادگیری ماشین، زمین شناسی، سیستم های اطلاعات جغرافیایی (GIS) و الگوریتم های بهینه سازی است.

یادگیری ماشین برای مدل سازی پیش بینی کننده

الگوریتم های یادگیری فوق العاده و بدون نظارت، روابط پیچیده و غیر خطی را شناسایی می کنند که ممکن است رگرسیون سنتی از دست برود.

  • برآورد درجه بندی: شبکه های عصبی آموزش دیده در سوراخ بینی نمرات در مکان های بدون اندازه با وضوح بالاتر از کبری.
  • طبقه بندی خطر ژئوتکنیک: مدل های تصادفی جنگل کیفیت توده سنگ را از logs سوراخ و اندازه گیری های توقف طبقه بندی می کنند.
  • ] پیش بینی شکننده: مدل های افزایش گرادیان پیش بینی توزیع اندازه انفجار بر اساس پارامترهای طراحی انفجار و خواص سنگ.

این مدل ها نیاز به مجموعه داده های آموزشی بزرگ و اعتبار دقیق دارند.مطالعه موردی در معدن طلای استرالیا نشان داد که یادگیری عمیق برای حفاری تصاویر اصلی دقت تشخیص شکستگی را تا 40٪ در مقایسه با تفسیر دستی بهبود بخشید، به طور مستقیم بر طرح های ثبات دیوار تاثیر می گذارد.

جغرافیای و تجزیه و تحلیل فضایی

روش های کلاسیک ژئواستاتیک - متغیرiography، آبیاری و شبیه سازی مشروط - با این حال، داده های بزرگ برآورد پارامتر را در شبکه های ظریف تر و با ساختارهای غنی تر c تخمدان، بسته های نرم افزار مدرن، کامپیوترهای با کارایی بالا را ادغام می کنند تا به روز رسانی مدل های بلوک به عنوان جریان های اکتشاف جدید در این روش آن را کاهش زمان نهایی برای استخراج ذخایر از ماه ها به هفته ها.

ادغام GIS و بهینه سازی فضایی

سیستم های اطلاعات جغرافیایی بر روی زمین شناسی، ژئوتکنیک و لایه های زیربنایی برای تجسم محدودیت ها. [۳] همراه با الگوریتم های بهینه سازی، GIS می تواند پوسته های گودال را تولید کند که ارزش فعلی خالص را به حداکثر می رساند در حالی که زاویه شیب و محدودیت های دور را رضایت بخش می کند. به طور گسترده ای برای این هدف به کار گرفته می شود، و به روز رسانی واقعی از طرح های جدید به عنوان داده های جدید می رسد.

مزایایی که از طریق طراحی معدن داده محور تحقق یافته است

سازمان هایی که متعهد به ادغام داده های بزرگ در جریان های کاری طراحی شده اند، بهبود های ملموس را در چندین بعد گزارش می دهند.

افزایش عملکرد ایمنی

تجزیه و تحلیل پیش بینی شده داده های حادثه تاریخی، ورود به خطر ژئوتکنیک و تغذیه سنسور زمان واقعی برای تولید نقشه های خطر.به عنوان مثال، کاهش نرخ جابجایی تحت نظارت رادار در زیر بغل می تواند هشدار های خودکار برای طرح های پشتیبانی اضافی قبل از شکست رخ دهد.یک معدن مس بزرگ در شیلی کاهش حوادث جدی شکست شیبی را 60٪ پس از اجرای یک سیستم پیش بینی ماشین ما - به طور مستقیم به تغییرات داده بزرگ مرتبط است.

بهینه سازی هزینه و منابع

مدل های تبعیض Ore- به حداقل رساندن دیف و از دست دادن، منجر به نمرات بالاتر آسیاب، به عنوان یک قاعده از انگشت، یک کاهش 1٪ در دیف می تواند صرفه جویی میلیون ها دلار در سال در یک عملیات بزرگ باز باز، علاوه بر این، طرح های انفجار بهینه شده بر اساس مدل های قطعه ای کاهش هزینه های شکستن ثانویه و بهبود از طریق نفوذ.

محیط زیست Stewardship

داده های بزرگ مدل های تعادل آب دقیق تر را با ادغام پیش بینی های بارش باران، نرخ تبخیر و پروفایل های رسوبی دمینگ معدن - که شکل نهایی زمین - به دست آوردن از بالا وضوح بالا و داده های گیاهی است، نتیجه طراحی هایی است که خطر تخلیه اسید را کاهش می دهد و توانبخشی سریع تر را فعال می کند.

بهبود دقت رزرو

شبیه سازی مشروط بر اینکه در پلتفرم های داده بزرگ تحقق یابد، عدم اطمینان در طراحی های دسته بندی منابع را بر اساس مدل های احتمالاتی به جای تخمین های تک نقطه ای، از ایجاد ظرفیت پردازش پر هزینه یا توزیع کمتر ذخایر، سرمایه گذاران به طور فزاینده ای خواستار چنین ارزیابی شفاف و مورد حمایت از داده ها هستند.

موانع برای اتخاذ و استراتژی های مالی

علی رغم مزایای روشن، بسیاری از شرکت های معدن تلاش می کنند تا از پروژه های آزمایشی به ادغام داده های گسترده سازمان حرکت کنند.

  • کیفیت داده و پاکیزگی: پایگاه های میراث اغلب شامل شکاف، ناسازگاری، و سیستم های مختصات مختلف است. پیاده سازی خط لوله های اعتباری داده خودکار و اجرای استانداردهای متاداده در منبع ضروری است.
  • سرمایه گذاری بالا: سنسورها، مجوز نرم افزار، زیرساخت IT و پرسنل ماهر نیاز به سرمایه قابل توجهی دارند. مرحله بندی های مرحله ای که تصمیم های بالاترین ارزش (به عنوان مثال، طراحی شیب یا کنترل درجه) را هدف قرار می دهند، می تواند به سرعت ROI را نشان دهد.
  • کمبود مهارت: دانشمندان داده با دانش معدن دامنه نادر هستند. gelogisters آموزش صلیب در پایتون و آمار و مهندسین استخدام با زمینه های علوم داده، پل این شکاف.
  • مدیریت تغییر: مهندسان عادت به روش های تعیین کننده ممکن است به مدل های جعبه سیاه بی اعتماد باشند، ساخت مدل های شفاف، تفسیر شده و از جمله کاربران نهایی در توسعه، موجب تقویت پذیرش می شود.

مطالعات موردی موفق از معدنچیان پیشرو مانند ریو Tinto، BHP و Newmont نشان می دهد که یک دفتر تحول دیجیتال اختصاصی و یک فرهنگ "سرعت" سرعت یادگیری را افزایش می دهد. چارچوب دیجیتال استخراجDeloitte [FLT 1] یک نقشه راه حل برای مقابله با این موانع را به طور سیستماتیک ارائه می دهد.

مسیر های آینده: طراحی معدن هوشمند و مستقل

همگرایی چندین تکنولوژی نوظهور، نقش داده های بزرگ در طراحی معدن را در دهه آینده عمیق تر خواهد کرد.

اینترنت اشیا و جریان زمان واقعی

شبکه های سنسور بی سیم دیوارهای گودال، حفاری های زیرزمینی و سدهای دمینگ جریان های داده زیر دقیقه ای را ارائه می دهند. Edge داده های پیش پردازشی را به صورت محلی پردازش می کند، کاهش تأخیر برای عملیات های استخراج عکس که امروزه به روز رسانی های برنامه هفتگی را انجام می دهند، به ساعت یا حتی به صورت مداوم به عنوان تغییر شرایط تغییر می کند.

آموزش تقویت کننده برای بهینه سازی دینامیک

به جای طرح های استاتیک، عوامل یادگیری تقویت کننده می توانند یک توالی سازگار را پیشنهاد دهند که به تجزیه و تحلیل تجهیزات، تغییرات درجه یا تغییرات قیمت بازار پاسخ می دهد.تحقیقات اولیه توسط دانشمندان در دانشگاه فناوری Delft پاسخ می دهند.[۱۰] نشان می دهد که یادگیری می تواند ارزش استخراج خالص فعلی معدن را با تغییر توالی های پویا و مسیریابی، بهبود بخشد.

ادغام واقعیت افزوده و LiDAR

مهندسان طراحی طرح های دیجیتال را بر روی سایت های فیزیکی معدن از طریق هدست های AR، با استفاده از بازخورد واقعی LiDAR برای تشخیص انحراف، این اتصال محکم بین قصد طراحی و واقعیت به عنوان ساخته شده کاهش می دهد کار مجدد پر هزینه و بهبود ایمنی در طول مراحل ساخت و ساز.

نتیجه گیری

داده های بزرگ دیگر یک مفهوم آینده نگر در طراحی معدن نیست؛ این یک ابزار عملی است که عدم اطمینان را کاهش می دهد، ایمنی را بهبود می بخشد و سودآوری را افزایش می دهد. ادغام موفق نه تنها سرمایه گذاری فناوری بلکه همچنین تغییر فرهنگی به سمت تصمیم گیری دقیق داده ها را نیز نیاز دارد، زیرا داده ها رشد می کنند و روش های تحلیلی بالغ می شوند، فرآیند طراحی معدن به طور فزاینده ای پیش بینی، انطباق، و کارآمد می شود که در حال حاضر در حال ساخت داده های قوی تر هستند - هر نقطه ای از توسعه معادن سبز و نیازهای حاشیه ای که در آن است.