Ang industriya ng pagmimina ay matagal nang umaasa sa karanasan, impormasyong pangkasaysayan, at mga modelong deterministiko upang iplano ang mga operasyon ng minahan. Gayunpaman, ang paglipat tungo sa data-deflicated na paggawa-gawa ay bumibilis. ang pag-aaral ng mga makina (ML) algorithms ay higit na ginagamit upang maging kapaki-pakinabang ang pag-iskedyul at disenyo ng mga minahan, na nagpapangyari sa mga kompanyang ito na makakuha ng mga mapagkukunang-yaman, pagbabawas ng mga gastos, at pagpapabuti ng kaligtasan. Sa pamamagitan ng pagsusuri ng malawak na datos ng mga datasset mula sa mga analog, mga network ng sensor, at kagamitang telemarkadestriya, ang mga katangiang pang-intang pang-inhin upang malaman ng mga tao ang mga prosesong pang-isipan, ang mga bagay na magagamit sa hinaharap.

Pag - unawa sa Pag - i - Scheduling at Disenyo ng Mina

Ang pag-iskedyul ng mine ay ang proseso ng pagtiyak sa pagkakasunud-sunod at pag-aayos ng mga gawain ng pagkuha sa buhay ng isang minahan. ang tunguhin ay upang mapataas ang net kasalukuyang halaga habang nakikipagtugunan sa mga target ng produksiyon, mga limitasyon ng grado, at mga limitasyon sa pagpapatakbo. Kabilang sa mga desisyon ang aling bangko sa minahan, kung kailan ilipat ang mga kagamitan, at kung paano ihahalo ang ore mula sa iba't ibang lugar upang matugunan ang mga kahilingan ng millel feeding.

Sa kabilang dako, ang disenyo ng mine ay nakatuon sa pisikal na pagkakaayos ng minahan, kabilang ang mga pit ged, draft lands, basurang tambakan, at imprastraktura.[kailangang tiyakin] geotechnical katatagan, ligtas na mga kondisyon sa pagtatrabaho, at pagsunod sa kapaligiran. Sa nakaugalian, ang mga atas na ito ay isinasagawa gamit ang mga manu-manong kalkulasyon, disheets, at o o optimisasyon software batay sa linear programming o mix-inter programming. Habang epektibo, ang mga pamamaraang ito ay statomiko at na nakikipagpunyagi upang umangkop sa mga bagong datos o nagbabagong kondisyon.

Ang kasalimuutan ng modernong mga operasyon sa pagmimina ay naglalagay ng mga pits, mga imbakan, mga sapa na nagpoproseso, at mga reduction requests feeds feeds na mas madaling makibagay at naibabagay sa pagbabago.

Kung Paano Naiintindi ng mga Makina ang Pagpaplano ng Mina

Ang mga makinang nag-aaral ng mga algorithm ay nagpapabuti ng parehong iskedyul at disenyo ng minahan sa pamamagitan ng pagpoproseso ng malalaking volume ng multivariate data upang makagawa ng mga aktwal na kabatiran.Sa halip na umasa lamang sa mga modelong static reserve, ang mga modelong ML ay maaaring patuloy na baguhin ang mga prediksiyong pang-edukasyon bilang bagong drill hole data, pagsabog ng butas assays, o grade control selection ay maaaring makuha. Ang dinamikong pag-ayos na ito ay pumapayag sa mga tagaplano na umangkop ng mga iskedyul sa halos real-time upang magsyture para sa variable sa kalidad ng oree, magagamit, magagamit na mga kagamitan, magagamit, magagamit, o presyo.

Kabilang sa mga pangunahing aplikasyon ang:

  • Ang pag-iintindi at pag-iinkorporasyon ng reserbang antas: Ang mga supervised learning models ay humuhula ng mga grado sa hindi maaaamplibong lokasyon gamit ang spinial interpolation (e.g., krigling) na sinamahan ng mga neural network, pagpapabuti ng source model eksaktung-tumpak.
  • [Short-term Experiment optimisasyon: Ang mga ahenteng nag-aalok ng reinforcement na nag-aaral ng mga patakarang pang-ebolusyon sa pamamagitan ng pagsubok at pagkakamali, pagtitimbang ng mga maramihang layunin tulad ng pagbabawas ng mga gastos sa paghila, pagpupulong ng mga puntirya, at pag-uuri ng mga patakaran sa pamamagitan ng pag-asta.
  • Cut-off grade optimisasyon: Ang hindi nai-supervised clustering ay nagpapakilala ng mga sonang ekonomiko sa loob ng isang deposito, tumutulong na bigyan ng kahulugan ang mga cut-off grade na nagpataas ng halaga sa buhay ng minahan.
  • Ang disenyo at hula ng pagkakawatak-watak: Ang mga modelo ng ML na sinanay sa pagsabog ng datos ay humuhula ng sukat ng batong pira-piraso, na direktang nagreresulta sa pagkarga at pagdurulot ng kahusayan.

Sa pamamagitan ng pagdededebyb ng mga algorithm na ito sa mga operating workflows ng minahan, ang mga kompanya ay maaaring lumipat mula sa reactivity tungo sa proactive na desisyon-paggawa, pagbabawas ng downtime at pagpapabuti ng pangkalahatang bisa ng mga kagamitan.

Mga Uri ng Pamamaraan sa Pagkatuto sa Makina

Ang ilang kategorya ng pagkatuto ng makina ay lalo nang may kaugnayan sa pag - iiskedyul at pagdidisenyo ng mga minahan:

Nahigitang Pagkatuto Para sa Ekstatibong Modelo

Ang mga supervised learning algorithms, tulad ng mga random na kagubatan, mga vektor machine, at malalim na neural networks, ay sinanay sa mga nakapangalang datos (e.g., drill hole assays) upang hulaan ang mga marka ng ore, batong matigas, o geotechnical na mga katangian. Ang mga modelong ito ay maaaring kumuha ng mga hindi-linear na relasyon at interaksiyon sa pagitan ng mga variable na hindi na ang tradisyonal na mga paraang geostatistical ay nawawala. Halimbawa, ang isang pag-aaral ng mga mananaliksik sa Unibersidad ng Queensland ay nagpapakita na ang isang network na nag-a-g internasyunal na pag-e-intrig pang-uring krig bakal habang ang mga grado (mga an:[0][T][T][T][T][T.[T][T.[T][T.[T.[0 ⁇ C.

Di - Nasusupil na Pagkatuto Para sa Heolohikal na Pag - aaral

Ang mga hindi-opervised na pamamaraan tulad ng K-insecast cluting, Gaussian mixty models, o self-organizing maps automated group geomical o geophical data to lithological onetraological domains. Ito ay tumutulong sa mga heologo na bigyang kahulugan ang mga hangganan ng mga sonang ore at mga semplifies na nag-i-i-i-impluwnation sa pamamagitan ng pagbabawas ng bilang mga materyal na natatanging yunit. Ang isang aplikasyon sa isang minahang tanso sa Chile ay gumamit ng pangunahing sekwenmentasyong analog at nug pang-kolar[T][1][T][T][T][T.[1][T][T.

Mga Repwersang Pagkatuto ng Pagrererereklamo at Logistiko

Ang reinforcement learning (RL) ay isang malakas na pamamaraan para sa sequential decision-paggawa sa ilalim ng kawalang katiyakan. Sa iskedyul ng minahan, ang isang ahente ng RL ay nakikipag-ugnayan sa isang rekombinasyon ng kapaligiran ng minahan, pagkatuto sa pamamagitan ng mga respektibong signal ng gantimpala (e.g., pakinabang sa bawat yugto) upang pumili ng mga optimasyong eskedyul ng RL-bandr para sa mga open-pit na maaaring magresulta mula sa mga pag-imbedrong produksyon tulad ng mga pamamaraang produksiyon na pinaghambing ng 25% uridad, pag-edge, pag-edge, pag-compose-up-up-up.[0][T][T][T][T][T][T][T][T][T][T][T][T][T][T.

Mga Pangunahing Pakinabang ng Nakalilitong mga Makina na Natututo

Ang pag - aayos ng mga ML algorithm sa iskedyul at disenyo ng minahan ay nagbibigay ng di - mabilang na mga pagsulong sa maraming dimensiyon:

  • Ang mas mataas na katumpakan sa halaga ng yaman: Ang mga modelo ng ML ay nagbabawas ng mga pagkakamali sa paghula, na humahantong sa mas kaunting mga sorpresa sa panahon ng produksiyon.Ang mas mabuting pagkontrol ng grado ay nagpapahintulot ng mas tiyak na pagsasama at hindi gaanong pagbabara.
  • [Talaksan: Ang mga optimisadong iskedyul ay nagpapagaan sa oras ng pagraranggo, naghahatak ng mga distansiya, at muling humahawak. Ang isang pangunahing minahan ng ginto ay nag-ulat ng 15% pagtaas sa pamamagitan ng pag-ebolb pagkatapos na pagtibayin ang isang sistema ng pagkatuto ng makina–based na iskedyul.
  • [[Talaksan] Ang environmental footprint: Sa pamamagitan ng pag-perform ng mga basurang placement at pagbabawas ng direksyon, ang ML ay nakakatulong sa pag-opera ng mga epekto.Ang intelektwal na pag-iskedyul ay maaari ring magtugma ng pagkuha ng off-peak energy prizing upang pababain ang mga emisyon.
  • [[[Category: Ang mga prepekturang modelo ay umaasal ng mga heoterikal na pagkabigo, pagkasira ng mga kagamitan, at mapanganib na mga kondisyon. Halimbawa, ang mga ML algorithm na nagsusuri ng mikrosismong datos ay maaaring humula ng mga oras na pag-ikot ng bato nang patiuna, na nagpapahintulot ng mga paglikas.
  • [[[T:] Ang mas mahusay na mga operasyon ay direktang nagbabawas ng gastos sa pagpapatakbo. McKinsey Tinataya na ang mga data-fellow approach sa pagmimina ay maaaring magbawas ng gastos ng 10–20% (Source: McKinsey).

Mga Hamon sa Pag - ampon

Sa kabila ng pangako, ang pag - aaral sa computer tungkol sa pagpaplano sa akin ay hindi tuwiran, at ang ilang hadlang ay dapat mapagtagumpayan:

  • Ang katangian at magagamit na katangian ngData: Ang pagmimina ng datos ay kadalasang kakaunti, maingay, o pabagu-bago ang anyo ay nangangailangan ng malaking pagsisikap.Ang nawawalang datos, pag-anod ng sensor, at iba't ibang mga pattern ay maaaring magpababa sa pag-aayos ng modelo.
  • Ang mga gastos sa pag-iisyu ng tangkad ay: Ang pagtatayo at pagpapanatili ng mga tubo ng ML ay nangangailangan ng mga espesyalisadong software, hardware (e.g., GPUs para sa malalim na pag-aaral), at mga bihasang siyentipiko ng datos. Ang mas maliit na mga kompanya ng pagmimina ay maaaring kulang sa mga mapagkukunan upang mamuhunan.
  • Pagkakategorya at pagtitiwala:[ Ang mga tagaplano at heologo ng Mine at mga geologo ay sanay sa mga modelong may kahulugang katulad ng pagkokompirma sa alam na pagkakaiba-iba.Ang mga Black-box neur network ay maaaring hindi na rin tanggapin kahit na mas mahusay ang kanilang paggawa.Ang mga paraang pang-inhinyero ay umuunlad pa rin sa konteksto ng pagmimina.
  • [[[[[Categration sa mga umiiral na sistema: Karamihan sa mga minahan ay nagpapatakbo ng mga itinatag na pangkalakalang pagpaplano ng yaman (ERP) at mga software ng pagpaplano ng minahan (e.g., Datamine, Deswit, Surpac).Ang pagpapakain ng ML outputs sa mga workflow na ito ay kadalasang nangangailangan ng kaugalian APIs at pamamahala ng pagbabago.
  • [Dynamic na kalikasan ng pagmimina: Ang isang modelong sinanay sa historikal na datos ay maaaring mabigo kapag ang mga katangian ng deposito, plota ng kagamitan, o kalagayan ng pamilihan ay nagbabago.[continuous retraining at modelong pagsubaybay ay mahalaga ngunit kadalasang napapabayaan.

Mga Tagubilin sa Hinaharap

Ang kinabukasan ng pagkatuto ng makina sa iskedyul at disenyo ng minahan ay maliwanag, na may ilang lumilitaw na kausuhan na malamang na magpapabilis sa pag - aampon:

Pinag-aaralan Para sa Multi-Site Optimisasyon

Ang malalaking kompanya ng pagmimina ay nagpapatakbo ng maraming lugar, bawat isa'y may sariling impormasyon. Dahil sa mga pinag - aralang may sariling antas, nasasanay ang mga modelo sa mga lugar nang hindi nadadala ang sensitibong mga impormasyon, anupat nagkakaroon ng mga kabatirang may dalawang tono habang iginagalang ang lokal na mga data government.

Digital na mga Kambal at Muling Pagpapatupad ng mga Magulang

Ang pagsasama ng digital winch recombinations at RL ay lumilikha ng isang entidad na kung saan ay maaaring maging ligtas ang libo-libong mga iskedyul na senaryo. Ang piksiyong digital ng minahan ay sumasalamin sa real-time sensors, heolohiya, at mga aspeto ng kagamitan, na nagpapahintulot sa RL agent na matuto ng mga patakaran na umangkop sa mga aktuwal na kondisyon.Ito ay impluwensya na ng Rio Tinto at iba pa sa autonomous drage system.

Hybrid Models Nakadaragdag sa mga Pisika at Pag - aaral sa Makina

Ang mga purong modelong datos-driving ay maaaring lumabag sa mga pisikal na instraksyon (e.g., mass balance). hybrid approach na ang pisikang emidyento (katulad ng geomechanical equations) ay maaaring lumabag sa mga arkitekturang ML (e.g., pisika-inpormal na mga network ng neural) ay nangangako ng mga modelong parehong tumpak at hindi nagbabago sa pisikal. Ito ay partikular na may kaugnayan para sa mga istrakturang dalisdis na propeksyon at designasyon.

Automated Feature Engineering mula sa Sensor Data

Sa pagdami ng mga sensor ng IoT sa mga trakto, drills, at conveyor, ang dami ng mga dumadaloy na datos ay sumasabog.Ang mga automated machine learning (AutoML) at malalim na mga arkitektura sa pag-aaral na direktang nagpoproseso ng hilaw na time-series o imahe ay maaaring kumuha ng mga tampok na katangian nang walang manufactural engineering. Halimbawa, ang mga convolutional neural network ay maaaring magsuri ng mga imahe ng coren upang tantiyahin ang lakas ng bato nang walang pisikal na pagsubok.

Pagsasaayos

Ang pagkatuto sa makina ay hindi na isang konseptong pang-ebolusyon sa pagmimina; isa itong praktikal na kasangkapan na nagpapabuti na sa kahusayan, katumpakan, at kaligtasan ng pag-iskedyul at disenyo ng minahan. mula sa mga pag-uhula ng mga markang pang-ere na may pinangangasiwaang pagkatuto ng mga pagkakasunod-sunod na may nakapagpapalakas na pagkatuto, ang mga algoritmong ito ay nagpapangyari sa mga tagaplano ng minahan na makagawa ng mas mabilis na mga desisyon. Bagaman ang mga hamon ay nananatili sa kalidad ng datos, gastos, at pagsasama-sama, ang momentum ay malinaw. Habang ang industriya ay patuloy na nag-edog at mas maraming mga cases na mapapatunayang mga transaksyon, ang pag-edgeoridad ng mga inturementasyon ay magiging isang inturementasyon sa mga inturemental na pang-ature.