חיזוי דרגת עפרה עם AI: מפחיתים סיווג שגוי של עפרה ב-30%

מדוע grade prediction ML טועה בזרמי עפרה

גוף העפרה כמעט לעולם אינו הומוגני בתכולתו. חיזוי דירוג העפרה נבנה על מודל גיאולוגי שמחליק ערכים בין הקידוחים, ואל פני המכרה מגיע גוש עם אנומליה מקומית — אזור מחומצן, עורק, תכליל של סלע חסר. מודל שאומן על תיוג כזה טועה בביטחה דווקא באזורי מעבר, שבהם מחיר הטעות הוא המרבי.

הסיבה השנייה — השהיית הדגימה. בין נטילת הדגימה לתוצאת הבדיקה המעבדתית חולף זמן שבמהלכו העפרה כבר עברה במגרסה והגיעה לתערובת. התווית מיוחסת לא לקטע שבו החומר היה בפועל, וחיזוי דירוג ML מתחיל ללמוד על תיוג מוסט. ככל ששרשרת הכנת הדגימה ארוכה יותר, כך גדל הפער בין «הדירוג במודל» ל«דירוג בזרם».

לאחר מכן מתערבת ערבוב סוגי העפרה. כמה פני מכה, מחסנים ואזורים שונים של המרבץ מתכנסים לזרם אחד, והמנתח הזורמי רואה אות ממוצע. תכולת מתכת בלתי יציבה יוצרת סוג שגיאות שאי אפשר לזקוף לרעש: דירוג-יתר מסיע את המתכת לזנבות, דירוג-חסר דוחף מגיב מיותר ושובר את איכות התמלוג.

ומעל הכול — כיוונון ידני של המצב בידי המפעיל. הוא משפר את התהליך, אך בו-זמנית משנה את התנאים שבהם המודל היה אמור לפעול: איננו רואים מה היה הדירוג ללא ההתערבות. זהו שורש שגיאות הסיווג של עפרה ברוב מפעלי ההעשרה — נבחן כיצד סוגרים זאת.

מה נותן חיזוי מנוהל של תכולת המתכת

חיזוי תכולת המתכת הופך למנוהל כאשר המודל מחזיר לא מספר בודד אלא טווח עם הערכת אי-ודאות. המפעיל רואה היכן החיזוי יציב והיכן נדרשת בדיקת דגימה, וההחלטות לגבי התערובת מפסיקות להיות הימור על הערכה ממוצעת. להלן — האפקטים שמצטברים כבר בשבועות העבודה הראשונים.

הפחתת אובדן מתכת בזנבות

עיקר הדליפה של מתכת — לא תקלות אלא הסחה איטית של המצב: ההפלרה נוטה הצידה, והמרכיב היקר דולף לזנבות בלי שיבחינו בכך עד הדגימה הבאה. מודל grade prediction קורא את הגיאולוגיה, נתוני הדגימה ופרמטרי התהליך ותופס את ההסחה הזו לפני שהיא מתגלה בבדיקה המעבדתית.

אות מוקדם נותן זמן לתקן את משטר המגיבים ואת צפיפות התרחיף — חלקה של המתכת בזנבות יורד, וההפסדים הופכים לגודל ניתן לחיזוי ולא לתוצאת סיכום של חודש.

פחות מיון-יתר שגוי במיון

דיוק מיון העפרה מוגבל לא על ידי החיישן אלא על ידי סף קבלת ההחלטה. סף נוקשה לפי מאפיין אחד שולח למזבלה גושים עם תכולה גבולית ובו-זמנית מכניס סלע חסר להזנת המטחנה. חיזוי עם טווח אי-ודאות מאפשר להזיז את הסף למקום שבו הטעות זולה יותר — חלק ההחלטות השגויות מצטמצם בכשליש בקירוב.

תופעת לוואי — יציבות משטר ההעשרה: הזנה אחידה יותר, פיזור קטן יותר בגודל הגרגר ובתכולה, פחות כיוונונים ידניים.

דווקא המחלקות הגובליות נותנות את עיקר המיון-היתר; הערכות ענפיות של המועצה הבינלאומית לכרייה ולמתכות מסכימות כי ניהול הקטע הזה נותן את העלייה הגדולה ביותר במיצוי.

אפשרויות לבניית חיזוי הדירוג: השוואת משטרים

משטר החיזוי נבחר לפני כיוונון המודל: ממנו תלוי סט נתוני הקלט, תדירות החישוב מחדש ומי מקבל החלטה לגבי דגימה שנויה במחלוקת. להלן — שלוש סכמות המיושמות במפעלי כרייה ומגבלותיהן.

חיזוי באצוות לפי דגימות

הדגימות מגיעות באצוות, המודל משייך כל אחת לדירוג ומחזיר את התוצאה לגיאולוג לפני תחילת המשמרת. ההחלטה ניתנת לאימות חוזר לפי הדגימה המקורית, ולכן המשטר נוח לדיווח ולבחינת אי-התאמות.

חיזוי זורם על המסוע

קריאות החיישנים נקראות ברציפות, ההערכה מתעדכנת עם תנועת העפרה — ניתן לשנות את מסלול התערובת לפני שהחומר יוצא למזבלה. מגבלה — רגישות לניתוקי אות: כשהכיול נוטה, הדיוק יורד בלי שהמפעיל מבחין.

סכמה היברידית מסירה חלק מהמגבלות האלה: המודל נותן הערכה, וכללי הגיאולוג סוגרים מקרים שנויים במחלוקת לפי מחלקות העפרה. גבולות התחולה נק�עים לפני ההפעלה — היכן החיזוי אמין והיכן המפעיל מקבל אזהרה; התוצאות נשארות ברות-שחזור לפי דרישות JORC.

שלבי הטמעת מודל חיזוי הדירוג במפעל

סדר העבודות הולך מנתוני הדגימה ההיסטוריים למודל המשולב בקו הייצור של המפעל. כל שלב נסגר בארטיפקט שניתן לבדוק — אחרת איננו מתחילים בשלב הבא. להלן הרצף ומה שיידרש מצדכם.

ביקורת נתונים ותיוג דגימות

1. ביקורת נתוני הדגימה: משווים יומני נטילה, תעודות דגימה ורישומי המעבדה, מחפשים חסרים ואי-התאמות.
2. תיוג דגימות: משייכים את תוצאת הבדיקה לאצווה, לרגע הנטילה ולנקודה בסכמה הטכנולוגית.
3. אימון על נתונים היסטוריים: מחלקים את המדגם לפי זמן ולא באקראי — כך הבדיקה נשארת הוגנת.
4. תיאום המדד: קובעים את חלק השגיאות המותר בסיווג ובדירוג שלפיו נשפוט.

הפעלה ניסיונית וקבלה

המודל מפיק חיזוי במקביל להחלטה הנוכחית ואינו מחליף דבר. הקבלה נעשית לפי תקופה נדחית: בוחנים את חלק שגיאות הסיווג בכלל ולחוד לפי אזורי מעבר ודירוגים «קשים».

לאחר הקבלה מעבירים את המודל להפעלה: נוהל אימון מחדש, בקרת סחף, אחראים במפעל.

סכמות אינטגרציה, תצורות ונוהלי אימון מחדש

למזמין נמסרת לא רק המודל המאומן אלא גם כל מה שנדרש להפעלתו העצמאית: תצורות, סכמות חיבור למערכת החשבונאית, מדיניות גישה ונוהלים. את רשימת הארטיפקטים מתאמים עם השירות הטכני של המפעל לפני ההפעלה בעבודה תעשייתית.

סכמת אינטגרציה עם המערכת החשבונאית של המפעל

• מפת זרימות: אילו ספרי עזר (גוש, אופק, משמרת, סוג עפרה) מהיכן נלקחים ומי בעל המקור.
• חיבור דרך שער תעשייתי: החלפה בקריאה בלבד, חציצה בעת ניתוק התקשורת, חזרה ללא כפילויות.
• כללי התאמת מפתחות בין המערכת החשבונאית למאגר המודל, יומן אי-התאמות עבור הדיספצ'ר.
• מדיניות גישה לנתונים: תפקידים ותחומי נראות, הפרדה בין נתונים תעשייתיים לנתונים אישיים.
• תיעוד המודל: כרטיס עם רשימת מאפיינים, חלון היסטוריה, מדדים וגבולות תחולה.

נוהל אימון מחדש ובקרת סחף

הנוהל קובע מי ולפי איזה אות מפעיל אימון מחדש, כדי שהמודל לא ידרדר בלי ששמים לב.

• טריגרים: הסחת התפלגות המאפיינים, ירידת המדד על מדגם נדחה, שינוי בסכמת הדגימה.
• בקרת סחף נתונים: בדיקה בכל משמרת של חסרים וטווחים, השוואה שבועית של החיזוי עם המציאות.
• סדר קבלת גרסה חדשה לפני הכנסתה לקו ניהול איכות העפרה.
• נוהל נסיגה: הגרסה והתצורה הקודמות של המודל נשמרות, חזרה בצעד אחד, מונה אחראי.

הארטיפקטים נשארים במאגרים ובמערכות של המזמין — ההפעלה אינה תלויה בנו.

מקרה בוחן: כיצד הפחתנו שגיאות סיווג עפרה ב-30%

מה היה לפני ההטמעה

דירוג העפרה נקבע לפי דגימת מעבדה: נטילה, הובלה, בדיקה — הפסיקה הגיעה לאחר כמה שעות, כשהזרם כבר עבר הלאה בסכמה. בחלון הזה המפעיל עבד לפי סימנים עקיפים — עומס על המגרסה, גודל הגרגר, צבע התרחיף, ולכן החלטות של משמרות שונות נבדלו.

במפעל ההעשרה רודני מדידות המזמין הראו 21% שיוכים שגויים לדירוג ופיזור בין משמרות של עד 8 נקודות אחוז על עפרה מסוג אחיד.

המעבר נעשה בלי עצירת הייצור. טלמטריית המטחנות, פרוטוקולי המעבדה ויומני המשמרות אוחדו לסקאלת זמן אחת, כדי שכל דגימה תותאם למצב העבודה באותו רגע. מודל חיזוי הדירוג הופעל במצב המלצה: המפעיל אישר או דחה את ההערכה, וכל אי-התאמה הוחזרה למערך האימון. לקו העבודה הועבר החיזוי כשחלק האישורים הפסיק לעלות.

התוצאה בגדלים מדידים

חלק השיוכים השגויים לדירוג ירד ב-30% לעומת מדידת הבסיס, הפיזור בין המשמרות הצטמצם כמעט פי שלושה — ההחלטה הפסיקה להיות תלויה בניסיון של מפעיל מסוים. החיזוי מחושב מחדש לפי הטלמטריה הנוכחית כל כמה דקות, ולכן הזרם מועבר לדירוג אחר לפני העיבוד ולא אחרי פסיקת המעבדה.

המדדים חושבו על דגימות בקרה שלא נכנסו לאימון: אחת למשמרת השוו את פסיקת המודל למעבדה. מדידה כזו מציגה את תוצאת ההטמעה ולא התאמה מאולצת להיסטוריה.

במה שונה חיזוי דירוג ML ממודל גיאולוגי של גוש

המודל הגיאולוגי של הגוש עונה על השאלה «מהו הדירוג הממוצע בנפח הזה של תת-הקרקע». הוא נבנה באינטרפולציה של נתוני דגימה — קידוחים, דגימות תעלה ודגימות בוצה — ומתקבל שדה מוחלק: פסגות ושקיעות ממוצעות על פני הגוש, שגדול בסדר גודל מכף החפירה. לחישוב העתודות זה נכון, אבל בגבול התקן ההחלקה מתחילה לפעול לרעתכם.

חיזוי דירוג ML עונה על שאלה אחרת: מה בדיוק יש בכף, במשאית המזבילה או בזרם העפרה הזה ממש עכשיו. המודל לומד על אותם נתוני דגימה, אך יחד עם מאפיינים תפעוליים — סוג העפרה, מידת החמצון, גרנולומטריה, קשיות, מהירות הקידוח, מדידות ספקטרליות. הוא לוקח קשרים לא-ליניאריים ואינטראקציות שגיאוסטטיסטיקה אינה מתארת.

ההבדל בין הגישות — באופק ובנושא החיזוי. מודל הגוש חי בקואורדינטות של תת-הקרקע ומנבא ממוצע לפי נפח; חיזוי מכונה חי בקואורדינטות של התהליך ומנבא אצוות חומר קונקרטית.

לכן גם המדדים שונים: עבור הגוש — שחזוריות העתודות, עבור ML — חלק האצוות המשויכות נכון על סף התקן ומחיר הטעות בכל מחלקה.

יש לשלב ביניהם ולא להעמידם זה מול זה. חיזוי הגוש מוזן למודל כמאפיין מרחבי, ו-ML מאומן מחדש על נתוני דגימה בפועל — בדיקות עפרה, תעודות משלוח, תוצאות המפעל — ומסיר את ההסחה המערכתית שבגללה העפרה יוצאת למזבלה.

התנאי אחד: מתודות נטילה אחידות ותיוג אי-התאמות בין המעבדה לחיישנים המקוונים. אחרת החיזוי יירש את רעש הבדיקות ויטעה בביטחה.

ספקות טכניים לפני הפעלת המודל בקו הניהול

מהנדסים שואלים בצדק מה המודל עושה בין נטילת הדגימה להגעת תוצאת הבדיקה, והאם ניתן להעביר את פלטו לערכי ייחוס. להלן — חמישה ספקות שאנו מסירים יחד עם הטכנולוגים ושירות מערכות הבקרה האוטומטיות לפני שהחיזוי ייכנס לקו הניהול.

הרכב העפרה משתנה — האם המודל «מתפזר» עם הזמן?

מחשבים סחף כל הזמן: משווים את התפלגות מאפייני הקלט ואת שאריות החיזוי לחלון ייחוס. בחריגה מהסף מופעל חישוב מחדש על נתונים טריים, ובמקרה של הידרדרות באיכות — נסיגה לגרסה השמורה הקודמת. כך החלפת אופק או ספק חומר גלם אינה הופכת לערכי ייחוס שגויים בשקט.

כיצד החיזוי מתחבר לניהול הדיספצ'ר?

את החיבור עושים דרך ממשקי ההחלפה התקניים של מערכת הדיספצ'ר — תגים, ארכיון ערכים, טבלאות משימות, בלי שכבות-מתווכים שמוסיפות השהיה מיותרת. המודל מפרסם ערך עם תווית מהימנות, והלוגיקה של הנעילות נשארת בבקר: הוא עדיין מחליט אם לקבל את ההמלצה.

מי אחראי לאימון מחדש ומתי להפעילו?

האימון מחדש מתנהל לפי נוהל עם שני טריגרים: קלנדרי ולפי ירידת המדד. כל גרסה של המודל מנוהלת בגרסאות יחד עם מערך הנתונים וההגדרות, ולכן כל חיזוי ניתן לשחזור, ואת הקטע השנוי במחלוקת можно לחשב מחדש. האחריות על ההפעלה מוצמדת לתפקיד מסוים ולא «מרוחה» בין הקבלן לשירות מערכות הבקרה האוטומטיות.

האם דיוק «בממוצע» מספיק לניהול?

לא, ואיננו חושבים כך. אנו בוחנים את הטעות בטווח הדירוגים העובדי ובמעברים ביניהם — דווקא שם מחיר ההחמצה הוא המרבי. ובנוסף כלל ביטחון: כשהטווח רחב המודל מפיק עצה למפעיל ולא מחליף את ערך הייחוס, ולכן תקופות שנויות במחלוקת אינן עוברות לאוטומטיקה בשקט.

נדון במשימה שלכם לחיזוי דירוג העפרה

כדי לחזור עם הערכה ותוכנית ולא עם מילים כלליות, עלינו להבין את הפיזיקה של התהליך שלכם ואילו נתונים כבר נרשמים במפעל. להלן — מה אנו מבררים בשיחה הראשונה: בדרך כלל היא מספיקה כדי לנקוב בסוג המשימה, בדיוק הצפוי של החיזוי ובסיכונים העיקריים.

• איזה מדד אנו מנבאים: תכולת מתכת, דירוג לפי מחלקות או גרנולומטריה — ובמה הוא נמדד היום.
• מה כבר מצטבר בהיסטוריה: קריאות מאזני המסוע והמנתחים הזורמיים, משטרי הטחינה וההפלרה, תעודות האצוות.
• היכן נוצרת ההשהיה בין נטילת הדגימה לתוצאת הבדיקה — דווקא היא לרוב שוברת את דיוק החיזוי.
• כיצד מחושבת שגיאת השיוך לדירוג ומה היא משנה בהכנת התערובת ובמיצוי.
• מי משתמש בחיזוי: המלצה למפעיל או תיקון אוטומטי של המצב.
• היכן פורסים את החישובים: קו המפעל, גישה לנתונים היסטוריים, סדר עדכון ספרי העזר.
• מי מצדכם מקבל את המודל ונותן משוב על איכות החיזוי.

לאחר מכן אנו מציעים פיילוט בקטע אחד: מרכיבים מדגם לתקופות קודמות, מאמנים את המודל, משווים את החיזוי לתוצאות המעבדה ומחשבים את חלק השיוכים הנכונים לדירוג. אם המדדים מחזיקים על תקופה נדחית — עוברים להעברת המודל להפעלה: נוהל אימון מחדש, בקרת הסחת נתונים, ניטור והוראות למשמרת. תארו את המשימה — נחזור עם הערכה ותוכנית עבודה.