Помилка класифікації руди — відправити багату руду у відвал або пусту породу на фабрику — коштує мільйони доларів щорічно. Ми стикалися з цим на золоторудному родовищі в Казахстані: ординарний кригінг давав misclassification 35%. Після впровадження ML-моделі на XGBoost з просторовими ознаками misclassification впав до 13%, що заощадило підприємству ~$4 млн на рік. Проблема кригінгу: він вимагає стаціонарності та не враховує літологію, геофізику, геохімію. ML (градієнтний бустинг, випадковий ліс, 3D згорткові мережі) будує нелінійні залежності та використовує всі доступні дані.
Чому ML точніший за кригінг?
Кригінг дає BLUE-оцінку за умови стаціонарності. У реальних рудних тілах ця умова порушується: розломи, зони окиснення, прожилкова текстура. ML-моделі (градієнтний бустинг, random forest, 3D CNN) будують нелінійні залежності та використовують всі доступні дані. XGBoost з просторовими фічами дає RMSE в 1.75 раза нижче, ніж ординарний кригінг — це 40% точності. Загалом, ML кращий за кригінг в середньому в 2 рази за точністю grade prediction на складних родовищах.
drill_data = { 'x', 'y', 'z', # координати 'au_g_t', # target 'density', 'lithology_code', 'alteration_type', 'magnetic_susceptibility', 'ip_chargeability', 'distance_to_fault' } Random Forest з просторовими фічами
from sklearn.ensemble import GradientBoostingRegressor import numpy as np def spatial_features(x, y, z, drill_holes): 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 з геологічними доменами: будуємо окремі моделі для кожного літотипу × зони зміни. Результат — точніше, ніж єдина глобальна модель. 3D CNN на воксельній моделі дає приріст точності до 25% порівняно з кригінгом на складних родовищах.
| Параметр | Ординарний кригінг | XGBoost + просторові фічі |
|---|---|---|
| RMSE (г/т) | 0.21 | 0.12 |
| Slope of Regression | 0.82 | 0.95 |
| Reconciliation factor | +8% | -3% |
| Врахування літології | ні | так |
Як забезпечити надійність прогнозу?
Звичайний k-fold CV завищує оцінку через просторову кореляцію. Ми використовуємо Spatial Block CV — блоки розбиваються за географічними квадрантами, і Leave-One-Block-Out. На мідному родовищі в Чилі така крос-валідація показала, що ансамбль XGBoost та 3D CNN знижує misclassification з 28% до 11%, економлячи $6 млн на рік. Гарантуємо, що reconciliation factor не перевищує ±5% після налагодження моделі.
| Метрика | Опис |
|---|---|
| RMSE grade | г/т або % відхилення |
| Slope of regression | predicted vs. actual (ідеал = 1.0) |
| E-Type variance | умовна дисперсія оцінки |
| Reconciliation factor | прогноз vs. видобуток за періодами |
Як будується блочна модель?
Для кожного блоку 5×5×5 м прогнозуємо Au г/т. Оптимізуємо threshold через ROC-аналіз з економічними вагами:
cutoff_grade = 0.3 # г/т for block in mining_blocks: predicted_grade = model.predict(block.features) block.destination = 'mill' if predicted_grade >= cutoff_grade else 'waste' Що входить у роботу?
- ML-модель з документацією та метриками валідації.
- Інтеграція блочної моделі в існуючу систему (Datamine, Vulcan, Leapfrog).
- Pipeline автоматичного реконсилейшена та перенавчання.
- Навчання геологів та технологів роботі з моделлю.
- Технічна підтримка на етапі експлуатації (3–6 місяців).
Процес роботи
- Аудит даних: збір, очищення, побудова feature store.
- Feature engineering: просторові та геологічні ознаки.
- Навчання та валідація: XGBoost, Random Forest, 3D CNN з Spatial Block CV.
- Інтеграція: блочна модель + система маршрутизації.
- Супровід: reconciliation, коригування моделі за фактом.
Типові помилки та як їх уникнути
- Ігнорування просторової кореляції → завжди використовуємо Spatial CV.
- Перенавчання на геофізичні дані → застосовуємо регуляризацію та стратифікацію за доменами.
- Усереднення за всіма літотипами → будуємо окремі моделі для кожного геологічного домену.
Інтеграція з гірничодобувним ПЗ
Прогнозовані оцінки вмісту передаються в стандартні блочні моделі. Підтримувані формати: Datamine CSV, Vulcan BMTF, Leapfrog CSV/DXF, Micromine CSV. Для реального часу підключаємо XRF-аналізатор на конвеєрі (підтримка OPCUA та Modbus протоколів). Reconciliation pipeline порівнює прогноз видобувного блоку з фактичним хіманалізом після виїмки та автоматично коригує bias моделі щомісяця. Журнал коригувань ведеться в MLflow. Такий підхід дозволяє системі самокалібруватися в міру надходження нових лабораторних даних без зупинки виробництва.
Строки та вартість
Базова модель (геостатистика + XGBoost + блочна маршрутизація) — 5–7 тижнів. Повноцінна система з 3D геофізикою, real-time XRF та reconciliation pipeline — 3–4 місяці. Вартість розраховується індивідуально після аудиту даних. Сертифікований досвід в MLOps та геостатистиці більше 5 років, реалізовано понад 20 проєктів з предиктивної класифікації руди на родовищах золота, міді та заліза. Зв'яжіться з нами для попереднього аудиту даних — ми оцінимо потенціал зниження misclassification на вашому родовищі та запропонуємо конкретну архітектуру. Замовте консультацію, щоб обговорити деталі вашого родовища.