Meta-Model Development for Mine-to-Mill Optimisation Using AI and Simulation
Notice bibliographique
Résumé
The current demand for mineral resources is higher than it has ever been, and it is expected that, over time, the quality of future resources will decline, and they will become more difficult to extract.Routinely collected on-site data from various mining stages are often neglected in mining operations and are not being used to improve the value of the mining chain.To address this issue, mining companies need to increase the efficiency of their mining processes to achieve sustainable production by using innovative solutions.The primary purpose of the study presented here is to develop an integrated knowledge-based system using advanced AI techniques to simulate, monitor, assess, and optimise mining processes from blasting to downstream products.In this study, publicly available data from the Barrick Cortez Mine in Nevada, USA, was used to model the entire mining process from blasting to SAG mill by using Orica's Integrated Extraction Simulator (IES) platform.The comparison of real data from the mining site with simulated data on the IES platform demonstrates that the modelled operations closely match the real data.Thirteen parameters related to blasting, screens, crusher, and SAG mill were considered.Given the computational infeasibility of testing all combinations, three million scenarios were simulated to identify key performance drivers.Machine learning models-including linear regression, decision trees, random forest, and XGBoost-were evaluated to determine the most effective for predicting outcomes.The next step involved using input scenarios and outcomes to investigate key features and interpret results using feature importance and SHapley Additive exPlanations (SHAP) techniques, respectively, as powerful tools for determining the influence of individual features of the models.The findings highlight the potential of AI-driven meta-models to enhance decision-making, reduce operational costs, and improve resource usage in mining operations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».