SS2024 | 机器学习在采矿中的应用
摘要
在SS2024会议上，机器学习和人工智能在采矿中的应用将是讨论焦点，其中Itasca公司的Dr. Jason Furtney将发表相关演讲。同时，有六篇论文探讨了机器学习和人工智能在提取构造地质数据、不连续性特征描述、边坡设计曲线等方面的应用。这些论文的核心是岩体不连续的识别与推断，尽管已有技术如SRM能部分解决该问题，但机器学习能进一步推进真实岩体不连续的识别。目前，机器学习在采矿工程中的应用主要处于理论阶段，工业应用尚未普及。加拿大初创公司Novamera曾尝试将机器学习应用于其钻探式可持续采矿技术，但近期情况不明。
正文
1. 引言
在即将举行的SS2024会议【2024年第14周 | Slope Stability 2024即将召开 (短期课程)】上，机器学习和人工智能是其中讨论的一个话题，Itasca公司的Dr. Jason Furtney将作《露天矿的机器学习(Machine Learning For Open Pit Mines)》的演讲，除此之外，有6篇论文讨论了机器学习和人工智能在采矿中的应用。
[1] 从 RC 和爆破孔芯片样本中提取构造地质数据的机器学习工作流程 (A machine learning workflow for extracting structural geology data from RC and blasthole chip samples)
[2] 利用人工智能对遥视仪数据中的不连续性进行特征描述 (AI powered discontinuity characterization in televiewer data)
[3] 利用机器学习的边坡设计曲线 (Slope design curves with machine learning)
[4] 用于自动提取遥视仪特征提取并进行分类的机器学习方法 (A machine learning approach to automating televiewer feature picking and classification)
[5] 利用机器学习自动识别钻芯图像中的断层并进行分类 (Automating the identification and classification of faults from drill core imagery using machine learning)
[6] 通过无人机获得的边坡数字模型获取不连续性参数 (Acquisition of discontinuity parameters through digital models of slopes obtained with Drone)
2. 不连续识别与推断
上述6篇论文的核心内容是岩体不连续的识别与推断，这是采矿边坡一直在不断研究和探索的方向，尽管目前从理论上已经从最初的各向同性岩体逐步过渡到各向异性岩体，但在边坡稳定性分析中仍然作了大量假设，SRM技术【利用3D打印合成岩体解释非贯通节理的破坏机理】在一定程度上部分地解决了这个问题，而机器学习能够推进真实岩体不连续的识别与推断【岩体不连续提取工具---Discontinuity Set Extractor (DSE)】。在此基础上，进行下面的工作：
(1) 通过岩心记录和机器学习预测岩体强度
(2) 通过机器学习实时模拟和结果解释
3. 工业应用
目前机器学习在采矿工程中的应用大部分还处于"理论"阶段，在工业应用中还未得到普及。2021年，加拿大的初创公司Novamera使用一种新的采矿方法，称之为钻探式可持续采矿(SMD, Sustainable Mining by Drilling)来处理矿脉太窄或地质条件过于复杂的矿体。这种技术将传感器、机器学习算法和定向钻探技术纳入了一个两阶段系统。在第一阶段，使用金刚石钻头沿着矿体的倾角向下钻，在矿脉的上盘和下盘之间开出一个导向孔。钻头由近钻孔成像工具引导，该工具能够感知岩石和矿脉之间的对比。在第二阶段，大直径钻头沿着导向孔挖掘矿石，并利用反向循环、气举辅助技术将矿石带到地面。一旦到了地表，矿石被送入一个固溶分离系统进行脱水，然后被运到当地的一个工厂进行加工。这两道工序沿着矿脉走向继续进行，一直持续到整个矿体被开采完毕。由于不涉及爆破，它是一种比其他大多数方法更安全、更稳定的采矿方法。最近没有关注这家公司，不知道目前的状态如何。
4. 参考
ARMA机器学习和人工智能在岩石力学中的最新应用(算法和代码)
视频 | 机器学习和人工智能时代的岩土工程
基于云机器学习算法的地质建模---Maptek Vulcan GeologyCore
使用深度学习预测岩土稳定性的框架(3种不同方法和代码)
从岩石照片中提取节理或不连续性特征---直接识别和机器学习
