AI-система предсказания качества руды (Ore Grade Prediction)

AI-прогнозирование содержания руды на горнодобывающих предприятиях

Прогнозирование grade (содержания полезного компонента) в руде — задача геостатистики, переосмысленная с применением ML. Точный grade-прогноз определяет экономику горного проекта: маршрутизацию руды на переработку или в отвал, оптимизацию флотации, загрузку мельниц.

Геостатистический контекст

Традиционный подход — Kriging: Ординарный кригинг (OK) — BLUE-оценка по пространственной корреляции (variogram). Ordinary kriging работает хорошо при стационарных данных, но не улавливает нелинейные геологические структуры.

Ограничения кригинга:

• Предположение о стационарности нарушается в сложных рудных телах
• Не учитывает вторичные переменные (геофизика, геохимия)
• Смягчение: Indicator Kriging для категориальных grade-доменов

ML как дополнение:

# Исходные данные: опробование скважин
drill_data = {
    'x', 'y', 'z',           # координаты пробы
    'au_g_t',                 # содержание Au г/т — target
    'density',                # плотность
    'lithology_code',         # литология (one-hot)
    'alteration_type',        # тип изменения
    'magnetic_susceptibility',# геофизика
    'ip_chargeability',       # IP зарядоспособность
    'distance_to_fault'       # расстояние до разлома
}

ML-модели для grade estimation

Random Forest с пространственными фичами:

from sklearn.ensemble import GradientBoostingRegressor
import numpy as np

def spatial_features(x, y, z, drill_holes):
    """
    Фичи соседства: nearest N drill holes с grades
    Spatial lag: mean grade в радиусе R
    """
    distances = np.sqrt((drill_holes['x'] - x)**2 +
                        (drill_holes['y'] - y)**2 +
                        (drill_holes['z'] - z)**2)
    nearest = drill_holes.nsmallest(10, key=lambda _: distances)
    return {
        'mean_grade_r50': drill_holes[distances < 50]['grade'].mean(),
        'max_grade_r100': drill_holes[distances < 100]['grade'].max(),
        'nearest_grade': nearest.iloc[0]['grade'],
        'grade_gradient': (nearest.iloc[0]['grade'] - nearest.iloc[5]['grade']) / distances.nsmallest(5).mean()
    }

XGBoost с геологическими доменами: Grade estimation внутри каждого геологического домена (литотип × зона изменения). Отдельные модели на каждый домен — лучше, чем единая глобальная.

Neural Network для 3D пространства: 3D CNN на воксельной модели блочной модели: входные каналы — геофизические данные (магнитометрия, IP, сейсмика), выходной канал — прогнозируемый grade.

Источники вторичных данных

Геофизика:

• Аэромагнитная съёмка: связь магнетизма с сульфидной минерализацией
• Induced Polarization (IP): чарджируемость = прокси для содержания сульфидов
• Гравиметрия: плотностные аномалии для рудных тел

Дистанционное зондирование:

• Гиперспектральная съёмка (ASTER, WorldView): картирование минерального состава поверхности
• Для карьеров: drone-базированная гиперспектральная съёмка уступов

Данные бурения в реальном времени:

• MWD/LWD (Measurement/Logging While Drilling): gamma-ray, resistivity, sonic
• XRF-анализ на буровой установке: экспресс-анализ без лаборатории

Блочная модель и маршрутизация

Grade Control Model: Краткосрочная (оперативная) блочная модель для управления горной массой:

# Для каждого блока 5×5×5 м: прогноз Au г/т
# Пороговое значение для маршрутизации:
cutoff_grade = 0.3  # г/т для данного месторождения

for block in mining_blocks:
    predicted_grade = model.predict(block.features)
    block.destination = 'mill' if predicted_grade >= cutoff_grade else 'waste'

Ore/Waste Misclassification:

• False positive (отправили пустую породу на переработку): потеря мощности мельницы, разубоживание
• False negative (отправили руду в отвал): потеря металла навсегда ROC-анализ: threshold оптимизируется с учётом экономических весов ошибок.

Reconciliation: Сравнение predicted grade с фактическим из лабораторных анализов. Систематическое смещение → пересчёт модели. KPI: глобальная ошибка < ±5%.

Валидация и метрики

Cross-Validation с пространственным разделением: Обычный k-fold → утечка пространственной корреляции. Использовать:

• Spatial Block CV: блоки разбиваются по географическим квадрантам
• Leave-One-Block-Out: полная валидация исключением целых блоков

Метрики:

Сравнение с кригингом: При достаточном количестве скважин ML не всегда превосходит OK. Преимущество ML: использование вторичных переменных + нелинейные взаимодействия в сложных геологических обстановках.

Сроки: базовая геостатистическая модель + XGBoost grade estimation + блочная модель маршрутизации — 5-7 недель. Полная система с 3D геофизическими данными, real-time XRF интеграцией, reconciliation pipeline — 3-4 месяца.