खनन उद्योग ने लंबे समय तक संचालन की योजना बनाने के लिए अनुभव, ऐतिहासिक डेटा और नियतात्मक मॉडल पर भरोसा किया है। हालांकि, डेटा संचालित निर्णय लेने की ओर बदलाव तेजी से बढ़ रहा है। मशीन लर्निंग (ML) एल्गोरिदम तेजी से खान शेड्यूलिंग और डिजाइन को अनुकूलित करने के लिए तैनात किए जा रहे हैं, जिससे कंपनियों को संसाधनों को अधिक कुशलतापूर्वक निकालने, लागत को कम करने और सुरक्षा बढ़ाने में सक्षम बनाया जा सकता है। भूवैज्ञानिक सर्वेक्षणों, सेंसर नेटवर्क और उपकरण टेलीमेट्री से विशाल डेटासेट का विश्लेषण करके, ये एल्गोरिदम उन पैटर्न को उजागर करते हैं जो मनुष्यों के लिए मैन्युअल रूप से पता लगाने के लिए असंभव होंगे। यह लेख पता लगाता है कि मशीन सीखने की योजना कैसे तैयार की जा रही है, विशिष्ट तकनीकों का उपयोग किया जा रहा है, लाभ और चुनौतियां, भविष्य क्या है।

The process of the seduling and Design

खान निर्धारण एक खदान के जीवन में निष्कर्षण गतिविधियों के अनुक्रम और समय को निर्धारित करने की प्रक्रिया है। लक्ष्य उत्पादन लक्ष्य, ग्रेड बाधाओं और परिचालन सीमाओं को पूरा करते समय शुद्ध वर्तमान मूल्य को अधिकतम करना है। निर्णयों में शामिल हैं कि कौन से बेंच मेरे लिए, उपकरण को स्थानांतरित करने के लिए कब और कैसे मिल फीड आवश्यकताओं को पूरा करने के लिए विभिन्न क्षेत्रों से ओरे को मिश्रण करने के लिए।

दूसरी ओर, खान डिजाइन, मेरे भौतिक लेआउट पर केंद्रित है, जिसमें पिट ढलान, हौल रोड, अपशिष्ट डंप और बुनियादी ढांचे शामिल हैं। इसे भू-तकनीकी स्थिरता, सुरक्षित कामकाजी परिस्थितियों और पर्यावरण अनुपालन सुनिश्चित करना चाहिए। परंपरागत रूप से, इन कार्यों को रैखिक प्रोग्रामिंग या मिश्रित-इंटीजर प्रोग्रामिंग के आधार पर मैनुअल गणना, स्प्रेडशीट और अनुकूलन सॉफ्टवेयर का उपयोग करके किया गया था। जबकि प्रभावी, ये विधियां स्थिर हैं और नए डेटा या बदलते स्थितियों के अनुकूल होने के लिए संघर्ष करती हैं।

आधुनिक खनन कार्यों की जटिलता - कई गड्ढे, स्टॉकपाइल, प्रसंस्करण धाराओं और सम्मिश्रण बाधाओं के साथ - अधिक लचीला और अनुकूली उपकरण को नष्ट कर देता है। यह वह जगह है जहां मशीन लर्निंग एक महत्वपूर्ण लाभ प्रदान करती है।

कैसे मशीन लर्निंग एल्गोरिथ्म्स खान योजना को बढ़ाने

मशीन लर्निंग एल्गोरिदम दोनों माइन शेड्यूलिंग और डिज़ाइन को एक्शनेबल अंतर्दृष्टि का उत्पादन करने के लिए मल्टीवरेट डेटा की बड़ी मात्रा को संसाधित करके सुधारते हैं। पूरी तरह से स्थिर आरक्षित मॉडल पर भरोसा करने के बजाय, एमएल मॉडल लगातार नए ड्रिल होल डेटा, ब्लास्टहोल assays, या ग्रेड कंट्रोल नमूने उपलब्ध होने के रूप में भविष्यवाणी को अपडेट कर सकते हैं। यह गतिशील अद्यतन योजनाकारों को वास्तविक समय में अनुसूची को अनुकूलित करने की अनुमति देता है ताकि वे अयस्क गुणवत्ता, उपकरण उपलब्धता या बाजार की कीमतों में परिवर्तनशीलता के लिए।

प्रमुख अनुप्रयोगों में शामिल हैं:

  • Ore ग्रेड अनुमान और आरक्षित वर्गीकरण: पर्यवेक्षकों के सीखने के मॉडल ने स्थानिक अंतरसंस्करण (जैसे, कुरिजिंग) का उपयोग करके बिना किसी स्थान पर ग्रेड की भविष्यवाणी की, जो तंत्रिका नेटवर्क के साथ संयुक्त है, संसाधन मॉडल सटीकता में सुधार करता है।
  • ]Short-term scheduling अनुकूलन: सुदृढीकरण सीखने वाले एजेंट परीक्षण और त्रुटि के माध्यम से इष्टतम अनुक्रमण नीतियों को सीखते हैं, कई उद्देश्यों को संतुलित करते हैं जैसे कि haulage लागत को कम करना, सम्मिश्रण लक्ष्य को पूरा करना, और थ्रूपुट को अधिकतम करना।
  • Cut-off ग्रेड अनुकूलन: Unsupervised क्लस्टरिंग एक जमा के भीतर आर्थिक क्षेत्रों की पहचान करता है, जो कटौती-बंद ग्रेड को परिभाषित करने में मदद करता है जो कि मेरे जीवन के ऊपर मूल्य को अधिकतम करता है।
  • Blast डिजाइन और विखंडन भविष्यवाणी: एमएल मॉडल ब्लास्ट डेटा पर प्रशिक्षित रॉक विखंडन आकार का पूर्वानुमान, जो सीधे लोडिंग और क्रशिंग दक्षता को प्रभावित करता है।

इन एल्गोरिदम को खदान नियोजन कार्यप्रवाह में एम्बेड करके, कंपनियां सक्रिय निर्णय लेने के लिए प्रतिक्रियाशील से आगे बढ़ सकती हैं, जिससे डाउनटाइम कम हो जाता है और समग्र उपकरण प्रभावशीलता में सुधार हो सकता है।

खनन में मशीन लर्निंग तकनीक के प्रकार

कई श्रेणियों की मशीन लर्निंग विशेष रूप से मेरे शेड्यूलिंग और डिजाइन के लिए प्रासंगिक हैं:

संसाधन मॉडलिंग के लिए पर्यवेक्षण शिक्षा

सुपरविस्ड लर्निंग एल्गोरिदम, जैसे यादृच्छिक वन, सपोर्ट वेक्टर मशीन, और गहरे तंत्रिका नेटवर्क, को लेबल किए गए डेटा (जैसे, ड्रिल होल assays) पर प्रशिक्षित किया जाता है ताकि वे अयस्क ग्रेड, रॉक कठोरता, या भू-तकनीकी गुणों की भविष्यवाणी कर सकें। ये मॉडल गैर-रैखिक संबंधों और चर के बीच बातचीत को पकड़ सकते हैं जो पारंपरिक भू-स्थैतिक तरीकों को याद करते हैं। उदाहरण के लिए, क्वींसलैंड विश्वविद्यालय के शोधकर्ताओं द्वारा एक अध्ययन से पता चला है कि एक तंत्रिका नेटवर्क ने अनुमान लगाने के दौरान लौह अयस्क ग्रेड की भविष्यवाणी में साधारण कुंजिंग को विकृत किया (Source: ScienceDirect[FLT]]])।

भूवैज्ञानिक डोमेन पहचान के लिए असुरक्षित शिक्षा

K-mean क्लस्टरिंग, Gaussian मिश्रण मॉडल, या स्वयं-संगठनित मानचित्र जैसे अनसुपरविज़्ड तरीके स्वचालित रूप से समूह भू-रासायनिक या भू-भौतिक डेटा को लिथोलॉजिकल या मिनरलॉजिकल डोमेन में वर्गीकृत करते हैं। इससे भूवैज्ञानिकों को अयस्क क्षेत्र की सीमाओं को परिभाषित करने में मदद मिलती है और भौतिक रूप से अलग इकाइयों की संख्या को कम करके शेड्यूलिंग को सरल बनाती है। चिली में एक तांबे की खान में एक आवेदन प्रमुख घटक विश्लेषण और उच्च ग्रेड और निम्न-ग्रेड क्षेत्रों की पहचान करने के लिए क्लस्टरिंग का इस्तेमाल किया जाता है, जिससे अधिक चुनिंदा खनन (Source: Springer]]]]]]]]]]]]]]]]।

Sequencing और रसद के लिए मजबूती सीखना

सुदृढीकरण सीखने (आरएल) अनिश्चितता के तहत अनुक्रमिक निर्णय लेने के लिए एक शक्तिशाली तकनीक है। खान निर्धारण में, एक आर एल एजेंट खान पर्यावरण के अनुकरण के साथ बातचीत करता है, जो इष्टतम निष्कर्षण अनुक्रमों की तुलना में इनाम संकेतों (जैसे, प्रति अवधि लाभ) के माध्यम से सीखने के लिए। यह दृष्टिकोण उपकरण queuing, मिश्रण सीमा और स्टॉकपाइल प्रबंधन जैसे जटिल बाधाओं को संभाल सकता है। ब्रिटिश कोलंबिया विश्वविद्यालय के शोधकर्ताओं ने ओपन-पिट माइन्स के लिए एक आर एल आधारित शेड्यूलर विकसित किया जो हेरिस्टिक तरीकों की तुलना में 25% तक योजनाबद्ध उत्पादन लक्ष्यों से विचलन को कम किया ( स्रोत: खनिज[FLT1]]]।

एकीकृत मशीन लर्निंग के प्रमुख लाभ

मेरा शेड्यूलिंग और डिज़ाइन में एमएल एल्गोरिदम को लागू करने से कई आयामों में मापने योग्य सुधार होता है:

दत्तक ग्रहण में चुनौतियां

वादा के बावजूद, मशीन लर्निंग को खान योजना में एकीकृत करना सरल नहीं है। कई बाधाओं को दूर किया जाना चाहिए:

  • डेटा की गुणवत्ता और उपलब्धता: खनन डेटा अक्सर sparse, noisy, या असंगत रूप से स्वरूपित है। लापता डेटा, सेंसर बहाव, और अलग-अलग नमूना अंतराल मॉडल प्रदर्शन को कम कर सकते हैं। डेटा की सफाई और सामंजस्य के लिए महत्वपूर्ण प्रयास की आवश्यकता है।
  • उच्च कार्यान्वयन लागत: एमएल पाइपलाइनों का निर्माण और रखरखाव के लिए विशेष सॉफ्टवेयर, हार्डवेयर (जैसे, GPUs फॉर डीप लर्निंग), और कुशल डेटा वैज्ञानिकों की आवश्यकता होती है। छोटी खनन कंपनियों में निवेश करने के लिए संसाधनों की कमी हो सकती है।
  • ]इंटरप्रिटेबिलिटी और ट्रस्ट: माइन प्लानर्स और जियोलॉजिस्ट को ज्ञात विविधता के साथ कुरिजिंग जैसे दुभाषिया मॉडलों के आदी हैं। ब्लैक बॉक्स न्यूरल नेटवर्क स्वीकृति के लिए प्रतिरोधी हो सकते हैं, भले ही वे बेहतर प्रदर्शन करते हैं। समझा जा सकता है एआई (XAI) तरीके अभी भी खनन संदर्भ में विकसित हो रहे हैं।
  • ]] मौजूदा प्रणालियों के साथ एकीकरण: अधिकांश खानों ने उद्यम संसाधन योजना (ERP) और खान योजना सॉफ्टवेयर (जैसे, Datamine, Deswik, Surpac) की स्थापना की। इन कार्यप्रवाहों में एमएल आउटपुट को खिलाना अक्सर कस्टम एपीआई और परिवर्तन प्रबंधन की आवश्यकता होती है।
  • ]खनन की द्विनाम प्रकृति: ऐतिहासिक डेटा पर प्रशिक्षित एक मॉडल तब विफल हो सकता है जब जमा विशेषताओं, उपकरण बेड़े, या बाजार की स्थिति में परिवर्तन। सतत पुनर्प्रशिक्षण और मॉडल निगरानी आवश्यक है लेकिन अक्सर उपेक्षा की जाती है।

भविष्य निर्देश

मशीन लर्निंग का भविष्य माइन शेड्यूलिंग और डिज़ाइन में उज्ज्वल है, जिसमें कई उभरते रुझानों को अपनाने की संभावना है:

बहु साइट अनुकूलन के लिए Federated लर्निंग

बड़ी खनन कंपनियां कई साइटों को संचालित करती हैं, प्रत्येक अपने डेटा के साथ। फेडरेटेड लर्निंग मॉडल को संवेदनशील डेटा को स्थानांतरित किए बिना साइटों पर प्रशिक्षित करने की अनुमति देती है, जिससे स्थानीय डेटा प्रशासन का सम्मान करते समय साझा अंतर्दृष्टि सक्षम होती है। इससे उपकरण उपयोग और आपूर्ति श्रृंखला रसद का वैश्विक अनुकूलन हो सकता है।

डिजिटल जुड़वां और सुदृढीकरण सीखना

आर एल के साथ डिजिटल जुड़वां सिमुलेशन का संयोजन एक आभासी वातावरण बनाता है जहां हजारों शेड्यूलिंग परिदृश्यों को सुरक्षित रूप से परीक्षण किया जा सकता है। मेरा डिजिटल जुड़वां वास्तविक समय सेंसर, भूगोल और उपकरण की स्थिति को दर्शाता है, जिससे आर एल एजेंट को वास्तविक स्थितियों के अनुकूल नीतियों को जानने की अनुमति मिलती है। यह पहले से ही रियो टिंटो और स्वायत्त हौलेज सिस्टम में दूसरों द्वारा पायलट किया जा रहा है।

हाइब्रिड मॉडल भौतिकी और मशीन लर्निंग को शामिल करते हैं

शुद्ध डेटा संचालित मॉडल भौतिक बाधाओं (जैसे, मास संतुलन) का उल्लंघन कर सकते हैं। हाइब्रिड दृष्टिकोण जो एमएल आर्किटेक्चर (जैसे, भौतिकी-संक्रमित तंत्रिका नेटवर्क) में भौतिकी (जैसे, भौतिक विज्ञान-संक्रमित तंत्रिका नेटवर्क) के रूप में ML आर्किटेक्चर (जैसे, भौतिक विज्ञान-संक्रमित तंत्रिका नेटवर्क) वादा मॉडल में एम्बेड करते हैं जो सटीक और शारीरिक रूप से सुसंगत दोनों हैं। यह ढलान स्थिरता भविष्यवाणी और विस्फोट डिजाइन के लिए विशेष रूप से प्रासंगिक है।

सेंसर डेटा से स्वचालित सुविधा इंजीनियरिंग

ट्रकों, ड्रिल और कन्वेयर पर आईओटी सेंसर के प्रसार के साथ, स्ट्रीमिंग डेटा की मात्रा विस्फोट हो रही है। स्वचालित मशीन लर्निंग (AutoML) और गहरी सीखने की वास्तुकला जो सीधे कच्चे समय की श्रृंखला या छवियों को संसाधित करती हैं, बिना मैनुअल इंजीनियरिंग के सुविधाओं को निकाल सकती हैं। उदाहरण के लिए, संवहन तंत्रिका नेटवर्क भौतिक परीक्षण के बिना रॉक ताकत का अनुमान लगाने के लिए ड्रिल कोर छवियों का विश्लेषण कर सकता है।

निष्कर्ष

मशीन लर्निंग अब खनन में एक भविष्यवादी अवधारणा नहीं है; यह एक व्यावहारिक उपकरण है जो पहले से ही दक्षता, सटीकता और खान शेड्यूलिंग और डिजाइन की सुरक्षा में सुधार कर रहा है। अयस्क ग्रेड की भविष्यवाणी से, प्रबलित सीखने के साथ निष्कर्षण अनुक्रमों को अनुकूलित करने के लिए पर्यवेक्षण के साथ, ये एल्गोरिदम बेहतर निर्णय लेने के लिए मेरी योजनाकारों को सक्षम बनाता है। जबकि चुनौतियों डेटा की गुणवत्ता, लागत और एकीकरण में बने रहे हैं, गति स्पष्ट है। चूंकि उद्योग डिजिट करना जारी रखता है और अधिक केस अध्ययनों में स्पर्शनीय रिटर्न प्रदर्शित होता है, मशीन लर्निंग को अपनाने के बजाय एक नवीनता की तुलना में एक प्रतिस्पर्धी आवश्यकता बन जाएगी। खनन कंपनियां जो अब प्रतिभा, बुनियादी ढांचे और एमएल का लाभ उठाने के लिए एक बेहतर स्थिति बन जाएगी।