기계 학습 알고리즘을 사용하여 광산 일정 및 설계 최적화

광산 산업은 경험, 역사적인 데이터 및 세제 모델에 대한 오랜 의지를 가지고 작업 계획을 계획. 그러나 데이터 구동 결정에 대한 이동은 가속. 기계 학습 (ML) 알고리즘은 점점 광산 스케줄링 및 디자인을 최적화하기 위해 배치되고, 더 효율적으로 리소스를 추출하고 비용을 절감하고 안전을 향상시킵니다. 지질 조사, 센서 네트워크 및 장비 telemetry의 광대 한 데이터 세트를 분석함으로써, 이러한 알고리즘은 인간의 미래에 대한 도전을 발견 할 수 없다는 것을 발견 할 수 있습니다. 이 기술은 미래의 기술, 기술 및 기술에 대한 중요한 측면을 파악하고, 기술 및 기술에 대한 자세한 내용을 알아보십시오.

광산 계획 및 설계 이해

광산 스케줄링은 광산의 수명에 대한 추출 활동의 순서와 타이밍을 결정하는 과정입니다. 목표는 생산 목표를 달성하는 동안 순 현재 가치를 극대화하는 것입니다, 급료 제약, 및 운영 한계. 결정은 장비를 이동할 때, 장비를 이동하고, 다른 지역에서 밀 피드 요구 사항을 충족하는 방법을 포함.

광산 디자인, 다른 한편으로는, pit 사면, 운반 도로, 쓰레기 덤프 및 인프라를 포함한 광산의 물리적 레이아웃에 초점을 맞추고 있습니다. 그것은 Geotechnical 안정성, 안전한 작업 조건 및 환경 준수를 보장해야합니다. 전통적으로, 이러한 작업은 선형 프로그래밍 또는 혼합 - 언더 프로그램 기반 수동 계산, 스프레드 시트 및 최적화 소프트웨어를 사용하여 수행되었습니다. 효과적인 동안, 이러한 방법은 새로운 데이터 또는 변경 조건에 적응하기 위해 정적 및 투쟁입니다.

현대 광산 작업의 복잡성 - 여러 피트, Stockpiles, 처리 스트림 및 혼합 제약 - 더 유연한 적응 도구. 이것은 기계 학습이 중요한 장점을 제공하는 곳이다.

기계 학습 알고리즘은 광산 계획 강화

기계 학습 알고리즘은 다양한 데이터의 대량 처리에 의해 광산 스케줄링 및 디자인을 개선하여 작업 가능한 통찰력을 생성합니다. 정적 예비 모델에 단독으로 재개하는 대신 ML 모델은 지속적으로 새로운 드릴 구멍 데이터, 폭발 홀 분석실험 또는 등급 제어 샘플이 사용 될 수 있습니다. 이 동적 업데이 트를 통해 플래너는 표준 또는 품질, 장비, 가용성 또는 시장 가격에 다양한 계정에 대한 일정을 적용 할 수 있습니다.

주요 신청은 다음을 포함합니다:

Ore 등급 추정 및 예비 분류: 슈퍼바이저드 학습 모델은 공간적 인 인터폴레이션 (예 : kriging)을 사용하여 샘플되지 않은 위치에 등급을 예측합니다. neural 네트워크와 결합하여 자원 모델 정확도를 향상시킵니다.
Short-term 스케줄링 최적화: Reinforcement Learning Agent는 평가 및 오류를 통해 최적의 세큐싱 정책을 배우고, 운반 비용을 최소화하고, 혼합 대상을 통합하고, 처리량을 극대화하는 등 여러 목표를 균형을 잡는 것을 돕습니다.
Cut-off 등급 최적화: Unsupervised clustering은 예금 내의 경제 영역을 식별, 내의 삶에 대한 가치를 극대화하는 절단 오프 등급을 정의하는 데 도움이.
Blast 디자인과 파편 예측:] ML 모델은 폭발 데이터에 훈련 된 암석 파편 크기, 직접 로딩 및 분쇄 효율에 영향을 미치는.

이 알고리즘을 광산 계획 워크플로우에 삽입함으로써, 회사는 반응형 결정에 민감하고, 가동시간을 줄이고 전반적인 장비 효율성을 개선할 수 있습니다.

광업 기계 학습 기술의 유형

기계 학습의 몇몇 종류는 내 스케줄링 및 디자인과 관련이 있습니다:

Resource Modeling에 대한 감독 학습

이 모델은 연구원의 연구원의 연구원을 대상으로 한 연구에 따르면, 연구원은 연구원의 연구원을 대상으로 한 연구에 따르면, 연구원은 연구원의 연구원을 대상으로 한 연구에 따르면, 연구원은 연구원의 연구원을 대상으로 한 연구에 따르면, 연구원은 연구원의 연구원을 대상으로 한 연구에 따르면, 연구원의 연구원의 연구원을 대상으로 한 연구에 따르면, 연구원은 연구원의 연구원을 대상으로 한 연구에 따르면, 연구원은 연구원의 연구원을 대상으로 한 연구에 대한 연구에 따르면, 연구원은 연구원의 연구원의 연구원의 연구원을 대상으로 한 연구에 대한 연구에 대한 연구를 수행 할 수 있습니다.

지질 도메인 식별을위한 자율 학습

K-means 클러스터링, Gaussian 혼합물 모델과 같은 방법을 감독하거나 자기 조직지도는 리테일 또는 광물학적인 도메인으로 자동적으로 그룹 지 화학 또는 지리학적인 데이터로 구성됩니다. 이 Geologists는 ore 영역의 경계를 정의하고 재료별 단위를 줄이기 위해 스케줄을 단순화합니다. 칠레의 구리 광산에서 응용 프로그램은 주요 분석 및 클러스터링을 사용하여 고급 및 저 등급 영역의 영역을 식별합니다.[LT][F]][F]]:[F]:[F]]:[F]:[F]]:[F]]:[F]]:[F]]:[F]]]

Sequencing 및 Logistics에 대한 보강 학습

Reinforcement Learning (RL)은 불확실한 결정에 대한 강력한 기술입니다. RL 에이전트는 광산 환경의 시뮬레이션과 상호 작용하여 보상 신호를 통해 학습 (예 : 기간 당 이익)을 통해 최적의 추출 시퀀스를 선택할 수 있습니다. 이 접근법은 장비 할당, 혼합 제한 및 재고 관리와 같은 복잡한 제약을 처리 할 수 있습니다. British Columbia 대학의 연구자들은 RL-LT (Fural-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-Fur-F

통합 기계 학습의 핵심 이점

광산 스케줄링 및 설계에서 ML 알고리즘을 구현하는 것은 여러 차원에서 저비용 개선을 제공합니다.

자원 추정에 더 높은 정확도: ML 모델은 생산 중 몇 가지 놀라움을 선도하는 예측 오류를 감소. 더 나은 등급 제어는 더 정확한 혼합 및 더 적은 희석을 허용.
Increased operational Efficiency: 최적화된 스케줄은 idle time, haul street, rehandling을 최소화합니다. 주요 금광은 기계 학습 기반 스케줄링 시스템을 채택한 후 처리량의 15% 증가를 기록했습니다.
환경 발자국:] 폐기물 배치 및 최소화 방해를 통해 ML은 작동 충격을 갖는 데 도움이 됩니다. 지능형 스케줄링은 또한 배출을 낮출 때 오프 피크 에너지 가격과 추출을 정렬할 수 있습니다.
안전: 예측형 모델은 지질성 장애, 장비 고장 및 위험 조건을 예측합니다. 예를 들어 ML 알고리즘 분석형 마이크로세리즘 데이터는 피난을 허용하는 사전에 암초 파열 시간을 예측할 수 있습니다.
Cost Saving:] 효율적인 운영 비용을 직접 절감합니다. McKinsey는 광산의 데이터 구동 접근 방식이 10-20 % (]출처: McKinsey)로 절감할 수 있습니다.

광고 옵션의 도전

약속에도 불구하고, 광산 계획으로 기계 학습을 통합하는 것은 곧 없습니다. 여러 장벽은 극복해야합니다.

데이터 품질 및 가용성: 채광데이터는 종종 비소, 노이, 또는 불소 형식입니다. 데이터, 센서 편류 및 다른 샘플링 간격이 모델 성능에 따라 달라질 수 있습니다. 청소 및 해조 데이터는 상당한 노력이 필요합니다.
높은 구현 비용: ML 파이프라인 유지 및 유지 관리는 전문 소프트웨어, 하드웨어 (예: 딥러닝을위한 GPU), 숙련 된 데이터 과학자. 더 작은 광산 회사는 투자 할 수있는 리소스가 부족할 수 있습니다.
Interpretability and trust: Mine planners and geologists는 알려진 가변성을 가진 kriging 같이 해석 가능한 모형에 익숙합니다. Black-box 신경 네트워크는 더 나은 수행을 위해도 합격에 저항할 수 있습니다. 설명할 수 있는 AI (XAI) 방법은 광산 상황에 있는 아직도 발전합니다.
기존 시스템 통합: 대부분의 광산은 기업 자원 계획 (ERP) 및 광산 계획 소프트웨어 (예를들면 Datamine, Deswik, Surpac)을 설치했습니다. 이 작업 흐름에 ML 출력을 자주 사용자 정의 API 및 변경 관리가 필요합니다.
광의 신성한 성격: 과거 데이터에 훈련 된 모델은 보증금 특성, 장비 함대 또는 시장 조건 변경 때 실패 할 수 있습니다. 지속적인 재훈련 및 모델 모니터링은 필수적이지만 종종 무시됩니다.

미래 지향

광산 스케줄링 및 디자인의 기계 학습의 미래는 채택을 가속화 할 가능성이 여러 신흥 추세와 밝습니다.

Multi-Site Optimization에 대한 학습

대형 광산 회사는 여러 사이트를 운영, 자체 데이터와 함께 각. 페더레이션 학습은 민감한 데이터를 이동하지 않고 사이트 전반에 걸쳐 훈련을 할 수 있으며, 로컬 데이터 관리에 대한 공유 통찰력을 가능하게합니다. 이 장비 활용 및 공급망 물류의 글로벌 최적화에 이끌 수 있습니다.

디지털 트윈 및 보강 학습

RL과 디지털 트윈 시뮬레이션을 결합하여 수천 개의 스케줄링 시나리오가 안전하게 테스트 될 수 있는 가상 환경을 만듭니다. 광산 디지털 트윈은 실시간 센서, 지질 및 장비 상태를 반영하여 RL 에이전트가 실제 조건에 적응하는 정책을 배울 수 있도록 합니다. 이것은 이미 자율 운반 시스템에서 Rio Tinto 및 기타에 의해 조종되고 있습니다.

Hybrid Model Incorporating Physics 및 기계 학습

순수 데이터 구동 모델은 물리적 제약 (예 : 대량 균형)을 위반 할 수 있습니다. ML 아키텍처 (예 : 물리 변형 신경 네트워크)에 물리 (지식적 식)을 포함 한 하이브리드 접근법은 정확하고 물리적으로 일관성있는 모델입니다. 이것은 특히 사면 안정성 예측 및 폭발 설계에 대한 관련이 있습니다.

Sensor Data의 자동화된 기능 엔지니어링

트럭, 드릴, 컨베이어에 IoT 센서의 확산으로 스트리밍 데이터의 양이 폭발합니다. 자동 기계 학습 (AutoML) 및 직접 공정한 딥 학습 아키텍처는 수동 공학없이 기능을 추출 할 수 있습니다. 예를 들어, 복잡한 신경 네트워크는 물리적 테스트없이 바위 강도를 추정하기 위해 코어 이미지를 분석 할 수 있습니다.