実装前にシミュレーションモデルを使用して鉱山の設計シナリオをテストする方法

効果的なシミュレーションのためのステップバイステッププロセス

1. 明確な目的および主性能の表示器を定義して下さい

どんなモデルをビルドする前に、エンジニアはテストするつもりを試すことをアーティキュレーションしなければなりません。これにより、スコープのクリープを防ぎ、シミュレーションが集中し続けることを保証します。目的の例は次のとおりです。

• ディーゼル微粒子の露出を20%減らすために最適の換気構成を決定して下さい。
• 1.3の安全性の要因を超過することなく、ピットウォールの最大許容勾配角度を特定します。
• 最小限のキューイングで90%の機器利用を達成するために、2つの運搬船のサイズを比較します。

各目的のために、空気速度、安全率、生産率、またはトンあたりのコストなどのキーパフォーマンスインジケータ(KPI)を定義します。 これらのメトリックは、シナリオ分析に基づいて形成されます。

2. 入力データを収集し、検証する

シミュレーション出力は入力としてのみ信頼性です。クリティカルなデータタイプには以下が含まれます。

• []地質データ:[]] リトロジー、グレードの分散性、構造的特徴(故障、関節)。 典型的にドリル穴データベースと地質調査から供給される。
• []Geotechnicalデータ:[ロック質量分類(RMR、Qシステム)、未確認圧縮強度、不連続度オリエンテーション。
• ]操作データ:[]]機器仕様(バックレット容量、サイクルタイム)、シフトスケジュール、メンテナンスダウンタイムレコード。
• []環境データ:]]温度勾配、地下水位、表面操作のための風向を予兆させる。

データの検証は、別のステップです。 歴史のレコードに対するクロスチェック値、感度分析を実施し、可能な場合は、フィールド測定を実行してモデルを校正します。 不正確な入力は、決定を下す誤解を招く結果につながることができます。

3. 適切なシミュレーションソフトウェアとモデリングアプローチを選択

モデリング哲学も重要である。一部のプロジェクトでは、レスポンス面モデリング(統計メタモデル)を素早くテストする一方、他のプロジェクトは、フルをフルに要求するが、精度で3次元トランジェントシミュレーションを要求する。常に必要な詳細のレベルに対する計算コストをバランス調整する。

4. ベースモデルの構築とキャリブレーション

現在の状態またはベースライン設計を表す初期モデルを作成します。このベースモデルは、既知のパフォーマンスデータに対して校正する必要があります。例えば、換気シミュレーションでは、設置されたファンとノードから実際の測定値と予測された気流測定を比較することでキャリブレーションします。キャリブレーション調整には、摩擦要因、ファンカーブ、または漏れ率の変更が含まれる場合があります。

すべての校正手順と仮定を文書化します。 適切に校正されたベースモデルは、その後のシナリオ比較で自信を高めます。

5. シナリオを定義し、実行する

シナリオテストは、シミュレーションプロセスのコアです。 関心の変数に基づいて、デザインの代替のマトリックスを開発します。 鉱山計画のために、典型的なシナリオには、次のものが含まれます。

• 幾何学的バリエーション:[ ピットの斜面角度、ベンチの高さ、トンネルの直線。
• ]操作バリエーション:[運搬台数、シフト構造、ブラストパターン。
• 緊急イベント:[]]換気障害、火炎、または地震的に誘発崩壊。

それぞれのシナリオを、テストの変数以外の同じ境界条件下で実行します。 設計経験(DoE)技術を使用して、パラメータスペースを覆う間に実行回数を最小限に抑えます。 確率モデル(例えば、機器の故障を組み込む)の場合、KPIの統計分布を生成するために、各シナリオ数十または数百回を実行します。

6. 結果の分析と決定の決定

シミュレーションが実行した後、輪郭のプロット、時間系列のグラフ、または3Dアニメーションを使用して結果を視覚化します。テーブルまたはスピアチャートを使用して、シナリオ全体でKPI値を比較します。トレードオフを探します。安全性を向上させるシナリオは生産性を低下させるか、コストを増加させる可能性があります。

[ 統計的意義は重要である。 確率的モデルを使用する場合、シナリオの違いがランダムなノイズではなく意味のあるかどうかを決定するために、t-testsまたはANOVAを実行します。 シナリオがマージン改善を提供し、主要な操作変更を必要とするならば、それは実行する価値がないかもしれません。

最後に、実用的な推奨事項で明確な報告で文書を調べます。重みのある基準(コスト、リスク、時間)に対して各シナリオをスコアする「決定行列」を含みます。

高度なシミュレーション技術と新興トレンド

デジタルツインとリアルタイムシミュレーション

A [デジタルツイン]は、物理鉱山のセンサーと継続的に同期する動的シミュレーションです。 これにより、リアルタイムのシナリオのテストが可能になります。例えば、実際の鉱山がまだ動作している間、コンベアベルトの故障の影響をシミュレートします。 デジタルツインは、強力なIoTインフラストラクチャを必要とするが、比類のない意思決定をサポートを提供します。

マシン学習の統合

マシン学習モデルは、計算上高価な物理ベースのシミュレーションをいくつかのケースで置き換えることができます。例えば、数百の換気シミュレーションで訓練されたニューラルネットワークは、ほぼ瞬時に新しい鉱山レイアウトのエアフローを予測できます。しかし、これらのサーロゲートモデルは、追加の汚染エラーを回避するために、高忠実度シミュレーションに対して検証する必要があります。

確率的および不確実性分析