AI-система планирования и оптимизации горнодобывающих операций
Горнодобывающая компания тратит на взрывные работы $800K в месяц и получает дробление породы, которое на 23% хуже расчётного — буровые станки отклоняются от запланированных траекторий, геологическая модель не учитывает актуальные данные с MWD-сенсоров. Это стандартная ситуация: разрыв между статическим планом и динамической реальностью карьера.
Где ломается горнодобывающий план
Геологическая модель vs. реальность
Блочная геологическая модель строится по данным разведочных скважин с сеткой 25×25 м. Между скважинами — интерполяция (Kriging, Sequential Gaussian Simulation). Когда горнодобывающий фронт движется, он вскрывает породу, которую модель не видела. Отклонение содержания металла от прогнозного: 12–18% на медных месторождениях, до 30% на сложных полиметаллических.
ML-решение: интеграция MWD (Measurement While Drilling) данных в реальном времени. Буровой станок уже знает удельную энергию бурения (SE, кДж/м³), скорость проходки (ROP), вибрацию. Эти сигналы коррелируют с твёрдостью породы и обновляют блочную модель на лету.
На кейсе медного карьера: обновление модели по MWD-данным снизило отклонение прогнозного содержания Cu с 16% до 6%, что в переводе на mill feed дало $2.1M/год дополнительного извлечения. Стек: XGBoost для предсказания assay по MWD-признакам, Sequential Gaussian Simulation (SGS) для пересчёта блоков, Apache Kafka для стриминга с буровых станков.
Оптимизация взрывных работ
Паттерн бурения (burden, spacing, stemming length, delay timing) определяет PSD (Particle Size Distribution) взорванной горной массы. PSD напрямую влияет на производительность дробилки и удельный расход энергии мельницы. Традиционная Kuz-Ram модель даёт точность ±30% по P80.
ML-подход: регрессия на историческом датасете взрывов с лазерным сканированием post-blast. Входные переменные: геомеханические параметры (UCS, RQD, joint spacing), паттерн бурения, тип ВВ, удельный расход ВВ. Выход: предсказанный P80. Оптимизация паттерна: LightGBM + Optuna для Байесовской оптимизации под целевой P80. Снижение удельного расхода энергии мельницы на 7–11% — измеримый результат.
Планирование добычи: краткосрочное и стратегическое
Short-term mine planning (1–7 дней)
Задача: составить наряд-заказ для парка техники с учётом требований обогатительной фабрики по среднему содержанию (blending), геомеханических ограничений (углы откосов, зоны горного давления), доступности техники.
Решение: MILP-задача с ML-предсказанием производительности экскаватора в зависимости от типа породы. Solver: Gurobi или OR-Tools. Горизонт 24 часа, пересчёт каждые 2 часа при изменении ситуации.
Long-term mine planning
Ultimate Pit Limit (UPL) + pushback sequence: классическая задача Lerchs-Grossmann, расширенная stochastic optimization для учёта неопределённости цен на металл и геологии. E-UPL оптимизируется по NPV с учётом P10/P50/P90 сценариев, а не по одному базовому прогнозу цены.
Предиктивное обслуживание горного парка
Экскаватор Caterpillar 7495 стоит $30M. Незапланированная остановка: $180K/час потерянного производства.
LSTM Autoencoder обучается на нормальных режимах работы (6 месяцев данных с интервалом 1 мин): вибрация трансмиссии, температура редуктора, давление в гидросистеме, Wear Particle Analysis. Reconstruction error > порогового значения = аномалия. На парке из 12 экскаваторов: снижение незапланированных остановок на 34% за 18 месяцев. Хранение временных рядов: TimescaleDB. Трекинг экспериментов: MLflow.
Диспетчеризация самосвалов
Dispatch optimization: распределение самосвалов между экскаваторами и пунктами разгрузки. При 50+ машинах — NP-hard задача. Reinforcement Learning (PPO) обучается на симуляторе карьера. Флот из 80 самосвалов: рост производительности на 8–12% vs. базовая эвристика. DISPATCH (Modular Mining) и Wenco — промышленные системы с API для ML-интеграции.
Этапы разработки
- Аудит данных: геологическая БД, MWD historian, SCADA, диспетчерская система
- ML-обновление геологической модели по MWD
- Short-term planning модуль (MILP + ML constraints)
- PdM для приоритетного оборудования
- Fleet dispatch оптимизация
- Интеграция с ERP/диспетчерской системой
Срок разработки: 8–16 месяцев в зависимости от масштаба месторождения и зрелости IT-инфраструктуры.