AI-система передбачення якості руди (Ore Grade Prediction)

AI-прогнозування вмісту руди на гірничодобувних підприємствах

Прогнозування grade (зміст корисного компонента) в руді - задача геостатистики, переосмислена із застосуванням ML. Точний grade-прогноз визначає економіку гірничого проекту: маршрутизацію руди на переробку чи відвал, оптимізацію флотації, завантаження млинів.

Геостатистичний контекст

Традиційний підхід - Kriging: Ординарний кригінг (OK) - BLUE-оцінка просторової кореляції (variogram). Ordinary kriging працює добре при стаціонарних даних, але не вловлює нелінійні геологічні структури.

Обмеження кригінгу:

• Припущення про стаціонарність порушується у складних рудних тілах
• не враховує вторинні змінні (геофізика, геохімія)
• Пом'якшення: Indicator Kriging для категоріальних grade-доменів

ML як доповнення:

# Вихідні дані: випробування свердловин
дані_сверлення = {
    'x', 'y', 'z', # координати проби
    'au_g_t', # зміст Au г/т - target
    'density', # щільність
    'lithology_code', # літологія (one-hot)
    'alteration_type', # тип зміни
    'magnetic_susceptibility', # геофізика
    'ip_chargeability', # IP зарядоздатність
    'distance_to_fault' # відстань до розлому
}

ML-моделі для grade estimation

Random Forest з просторовими фічами:

з sklearn.ensemble імпорт GradientBoostingRegressor
імпортувати numpy як np

визначення просторових_функцій(x, y, z, свердловини):
    """
    Фічі сусідства: nearest N drill holes з grades
    Spatial lag: mean grade у радіусі R
    """
    відстані = np.sqrt((свердлильні_отвори['x'] - x)**2 +
                        (свердлильні_отвори['y'] - y)**2 +
                        (свердлення_отворів['z'] - z)**2)
    найближчий = drill_holes.nsmallest(10, ключ=лямбда _: відстані)
    повернути {
        'mean_grade_r50': свердловини[відстані < 50]['grade'].mean(),
        'max_grade_r100': кількість свердловин[відстані < 100]['grade'].max(),
        'найближчий_градус': nearest.iloc[0]['градус'],
        'grade_gradient': (nearest.iloc[0]['grade'] - nearest.iloc[5]['grade']) / distances.nsmallest(5).mean()
    }

XGBoost з геологічними доменами: Grade estimation усередині кожного геологічного домену (літотип × зона зміни). Окремі моделі на кожен домен краще, ніж єдина глобальна.

Neural Network для 3D простору: 3D CNN на воксельній моделі блокової моделі: вхідні канали – геофізичні дані (магнітометрія, IP, сейсміка), вихідний канал – прогнозований рівень.

Джерела вторинних даних

Геофізика:

• Аеромагнітна зйомка: зв'язок магнетизму з сульфідною мінералізацією
• Induced Polarization (IP): чарджуваність = проксі для вмісту сульфідів
• Гравіметрія: щільні аномалії для рудних тіл

Дистанційне зондування:

• Гіперспектральна зйомка (ASTER, WorldView): картування мінерального складу поверхні
• Для кар'єрів: drone-базована гіперспектральна зйомка уступів

Дані буріння в реальному часі:

• MWD/LWD (Вимірювання/Каротаж під час буріння): гамма-випромінювання, питомий опір, ультразвуковий
• XRF-аналіз на буровій установці: експрес-аналіз без лабораторії

Блокова модель та маршрутизація

Модель контролю рівня: Короткострокова (оперативна) блочна модель для керування гірською масою:

# Для кожного блоку 5×5×5 м: прогноз Au г/т
# Порогове значення для маршрутизації:
cutoff_grade = 0.3 # г/т для даного родовища

для блоку в mining_blocks:
    predicted_grade = model.predict(block.features)
    block.destination = 'млин' якщо predicted_grade >= cutoff_grade інакше 'відходи'

Неправильна класифікація руди/відходів:

• False positive (відправили порожню породу на переробку): втрата потужності млина, розбоювання
• False negative (відправили руду у відвал): втрата металу назавжди ROC-аналіз: threshold оптимізується з урахуванням економічних ваг помилок.

Узгодження: Порівняння predicted grade з фактичним лабораторних аналізів. Систематичне зміщення → перерахунок моделі. KPI: глобальна помилка < ±5%.

Валідація та метрики

Cross-Validation з просторовим поділом: Звичайний k-fold → витік просторової кореляції. Використати:

• Spatial Block CV: блоки розбиваються по географічним квадрантам
• Leave-One-Block-Out: повна валідація винятком цілих блоків

Метрики:

Порівняння з кригінгом: При достатньому кількості свердловин ML який завжди перевищує OK. Перевага ML: використання вторинних змінних + нелінійних взаємодій у складних геологічних обстановках.

Терміни: базова геостатистична модель + XGBoost grade estimation + блокова модель маршрутизації - 5-7 тижнів. Повна система з 3D геофізичними даними, real-time XRF інтеграцією, reconciliation pipeline – 3-4 місяці.