Cost-Integrated AI Meta-Models for Mine-to-Mill Optimisation
Peer-reviewed, 2026. Minerals, полный текст
Авторы связали в одной модели:
- burden, spacing, диаметр скважин и плотность ВВ;
- гранулометрию после взрыва;
дробление, грохочение, склады и SAG;
- throughput и энергопотребление;
стоимость бурения, взрывания, транспортировки и измельчения.
Для обучения использовали более 3 млн сценариев, созданных в Orica Integrated Extraction Simulator. Random Forest meta-models показали точность выше 90%.
Модель подтверждает важный mine-to-mill эффект: дополнительные расходы на более качественное дробление взрывом могут снижать общую стоимость последующего измельчения. Для загрузки и скорости SAG обнаружены нелинейные U-образные зависимости с оптимальными рабочими зонами.
Это почти научное описание того, каким должен быть AI Mine Model:
физический симулятор → миллионы сценариев → быстрая AI meta-model → техническая и финансовая оптимизация.
То есть AI не заменяет инженерную модель. Он учится на ней и позволяет мгновенно сравнивать сценарии без повторного тяжёлого расчёта всей цепочки.
Кейс построен на данных Barrick Cortez и симуляции. Для конкретного рудника потребуется собственная калибровка по геологии, взрывам, PSD, производительности дробилки, SAG, recovery и фактическим затратам.