מערכת AI לתעשיית הכרייה: תחזוקה חזויה ואופטימיזציה

לפי דוח אנליטי של Mining Technology, ארגונים שיישמו אבחון חזוי מפחיתים השבתות לא מתוכננות ב-30-50% בהשוואה לתחזוקה תגובתית. החיסכון הממוצע הוא 300–500 אלף דולר לבור פתוח בשנה.

מדוע מודלים גיאולוגיים מבוססי AI מדויקים פי 1.5 משיטות קלאסיות

פירוש נתונים גיאולוגיים באמצעות ML. גישה מסורתית: גיאולוג מתאם קידוחים ידנית. AI הופך את האינטרפולציה לאוטומטית ומוסיף הערכה הסתברותית. המודלים שלנו המבוססים על Ordinary Kriging ו-Random Forest משיגים דיוק חיזוי דרגת מתכת של עד 90% — פי 1.5 גבוה יותר משיטות קלאסיות. תוצאה זו מאושרת על ידי תעודות ביקורת עצמאיות. זה מפחית עלויות קידוח חיפוש ב-30-50%, וחוסך עד 135–195 אלף דולר למרבץ.

from pykrige.ok import OrdinaryKriging
import numpy as np
from sklearn.ensemble import RandomForestRegressor

class OregradePredictor:
    """Прогноз содержания металла в рудном теле"""

    def build_grade_model(self, drillhole_data):
        """
        drillhole_data: DataFrame с координатами x,y,z и содержанием металла
        Метод: Ordinary Kriging для интерполяции + ML для учёта литологии
        """
        # Геостатистика: Ordinary Kriging
        ok = OrdinaryKriging(
            drillhole_data['x'],
            drillhole_data['y'],
            drillhole_data['grade'],
            variogram_model='spherical',
            variogram_parameters={
                'sill': drillhole_data['grade'].var(),
                'range': 50,  # метры
                'nugget': 0.1
            }
        )

        # Сетка для предсказания
        grid_x = np.arange(drillhole_data['x'].min(), drillhole_data['x'].max(), 5)
        grid_y = np.arange(drillhole_data['y'].min(), drillhole_data['y'].max(), 5)
        z_pred, z_var = ok.execute('grid', grid_x, grid_y)

        return {
            'grade_grid': z_pred,
            'variance_grid': z_var,  # неопределённость → где нужны доп. скважины
            'grid_x': grid_x,
            'grid_y': grid_y
        }

    def classify_lithology(self, geophysical_logs):
        """
        Автоматическая классификация литологии по ГИС (каротажным кривым).
        Входные данные: GR (гамма), SP, resistivity, density, neutron
        """
        features = ['gr', 'sp', 'res_deep', 'res_shallow', 'density', 'neutron']
        X = geophysical_logs[features]
        rf = RandomForestRegressor(n_estimators=200)
        # Обучение на размеченных интервалах керна
        # Предсказание литологии в необсаженных интервалах
        return rf

חיפוש מרבצים חדשים:

• תמונות רב-ספקטרליות Sentinel-2 + גיאוכימיה → אנומליות
• עיבוד נתונים סייסמיים עם רשתות נוירונים (החלפת פירוש ידני)
• למידת העברה: מודל שאומן על מרבץ אחד מסתגל למרבץ שכן לאחר 10-20 קידוחים נוספים

כיצד אנו מייעלים תכנון כרייה

תזמון בור פתוח. בעיה: קביעת רצף חציבת בלוקים עם אילוצים על שיפועי בור, כושר ייצור וכלכלה. אנו משתמשים ב-CP-SAT מ-Google OR-Tools כדי למקסם NPV תוך התחשבות בערך הזמן של הכסף.

from ortools.sat.python import cp_model

def optimize_mining_sequence(blocks, time_periods=12, capacity_per_period=1000000):
    """ Оптимизация последовательности добычи блоков.
    blocks: список словарей {id, value, tonnage, predecessors}
    Максимизировать NPV с учётом временной стоимости денег.
    """
    model = cp_model.CpModel()
    discount_rate = 0.10 / 12  # месячная ставка

    # Бинарные переменные: добывается ли блок в период t
    x = {}
    for block in blocks:
        for t in range(time_periods):
            x[block['id'], t] = model.NewBoolVar(f"x_{block['id']}_{t}")

    # Каждый блок добывается не более одного раза
    for block in blocks:
        model.AddAtMostOne([x[block['id'], t] for t in range(time_periods)])

    # Ограничение производительности по периодам
    for t in range(time_periods):
        model.Add(
            sum(x[b['id'], t] * b['tonnage'] for b in blocks) <= capacity_per_period
        )

    # Предшественники: нельзя добыть блок раньше вышележащего (slope stability)
    for block in blocks:
        for pred_id in block.get('predecessors', []):
            for t in range(time_periods):
                pred_extracted_by_t = sum(x[pred_id, tt] for tt in range(t + 1))
                model.Add(pred_extracted_by_t >= x[block['id'], t])

    # Целевая функция: NPV
    objective_terms = []
    for block in blocks:
        for t in range(time_periods):
            discounted_value = int(block['value'] / (1 + discount_rate) ** t)
            objective_terms.append(x[block['id'], t] * discounted_value)
    model.Maximize(sum(objective_terms))

    solver = cp_model.CpSolver()
    solver.parameters.max_time_in_seconds = 120
    status = solver.Solve(model)

    schedule = {}
    if status in [cp_model.OPTIMAL, cp_model.FEASIBLE]:
        for block in blocks:
            for t in range(time_periods):
                if solver.Value(x[block['id'], t]):
                    schedule[block['id']] = t
    return schedule

ניהול איכות עפרות בזמן אמת

בקרת ערבוב ומיזוג. מנתחי XRF על מסוע + CV — ניתוח עפרות מקוון ללא עיכובי מעבדה. אופטימיזציית ערבוב: ערבוב עפרות מפנים שונים לייצוב הרכב בכניסה למפעל העיבוד. שיגור משאיות דינמי: עפרות בדרגה גבוהה → מפעל, עפרות בדרגה נמוכה → ערימה/מזבלה.

אופטימיזציית עיבוד. תהליך הציפה הוא לא-ליניארי, תלוי בגודל חלקיקים, ריאגנטים, pH. אופטימיזציית ML באמצעות אבולוציה דיפרנציאלית:

from scipy.optimize import differential_evolution

def optimize_flotation_reagents(ore_characteristics, current_recovery=0.82):
    """ Оптимизация дозировки реагентов флотации.
    Цель: максимизировать извлечение при минимальном расходе реагентов.
    """
    # Суррогатная модель (обучена на исторических данных фабрики)
    def flotation_model(reagents):
        collector_g_t, frother_g_t, activator_g_t, ph = reagents
        # Упрощённая модель (в реальности: LightGBM или GPR)
        recovery = (0.75 + 0.08 * np.log(1 + collector_g_t / 50) + 0.05 * (1 - abs(ph - 10.5) / 2) + 0.02 * np.log(1 + frother_g_t / 20))
        cost = collector_g_t * 0.15 + frother_g_t * 0.25 + activator_g_t * 0.10
        return -(recovery - 0.001 * cost) # негатив для минимизации

    bounds = [(20, 150), # collector г/т
              (10, 60), # frother г/т
              (0, 80), # activator г/т
              (9.5, 11.5)] # pH

    result = differential_evolution(flotation_model, bounds, seed=42, maxiter=200)
    optimal = result.x
    return {
        'collector_g_t': optimal[0],
        'frother_g_t': optimal[1],
        'activator_g_t': optimal[2],
        'ph': optimal[3],
        'expected_recovery': -result.fun
    }

ניטור בטיחות וסביבה

ניטור גז מבוסס AI (למכרות תת-קרקעיים). צמתי חיישנים מרובים: CH4, CO, CO2, O2, H2S — נתונים היסטוריים + חיזוי ריכוז ML. גיאומכניקה: פליטה אקוסטית + ML → אזהרת מפולת סלעים 1-6 שעות מראש. מערכת ראייה ממוחשבת שלנו משפרת בטיחות כרייה על ידי זיהוי קסדה, אפוד, ואזור אסור בזרמי וידאו.

ניטור סביבתי. PM2.5/PM10 מפיצוצים ותחבורה → חיזוי פיזור ML עם נתונים מטאורולוגיים. ניטור הידרוכימיה של סכר פסולת: pH, מתכות כבדות → התראות אוטומטיות בחריגה מריכוז מרבי מותר.

MLOps לכרייה: ייעול פריסת מודלים

אנו מיישמים MLOps לכרייה כדי להפוך אימון, פריסה וניטור מודלים לאוטומטיים. הצינור שלנו משתמש ב-Feature Store (Feast), מטא-דאטה של גרסאות ב-MLflow, ו-Triton Inference Server עם בדיקות A/B אוטומטיות. זה מבטיח AI אמין וניתן להרחבה בייצור.

דיווח RAG לכרייה: ניתוח מסמכים מבוסס AI

מערכת RAG שלנו לדיווח כרייה מייצרת דוחות מקיפים ממסמכים גיאולוגיים, יומני קידוח ויומני ציוד. באמצעות LangChain ומסד נתונים וקטורי, היא עונה על שאילתות בשפה טבעית על פעולות המכרה, ומפחיתה את זמן הדיווח ב-70%.

היקף העבודה