22、人工智能在采矿与岩土工程中的应用：从回填设计到爆破振动预测

人工智能在采矿与岩土工程中的应用：从回填设计到爆破振动预测

1. 回填设计中的人工智能应用

在采矿作业的回填设计中，传统方法往往仅关注关键设计参数，如固体含量（SD）和水泥含量（CD），而将其他有效参数视为常量。然而，矿石和尾矿特性的内在变异性和不确定性，使得实际需要考虑的变量远不止这些关键参数。

研究发现，当使用几乎相同数量的尾矿和水泥时，强度会随着SD的增加而提高，即增加尾矿的用量可以增强强度。在场景3中，当CD和SD分别为6.99和77.46时，可达到最高强度。尽管CD和SD的假定范围较窄，但结果表明，最优设计应考虑改变尾矿和水泥类型的影响。通过减少水泥用量、增加尾矿用量，可以降低成本和环境影响。同时，时间也是影响强度的变量之一，因此这种设计方法还可用于制定由规划工程师确定的生产计划或时间表，为矿业公司带来额外的效益和节约成本的可能性。

数据驱动的机器学习（ML）模型和优化技术在回填批次设计中具有很大潜力，但在应用和发挥其全部能力方面仍存在差距。借助人工智能和增强的计算能力，现在可以考虑更广泛的变量，包括尾矿的化学成分，以此作为其火山灰潜力的指标。考虑尾矿的火山灰潜力可以减少水泥的使用量，同时增加批次中尾矿的用量，这有助于提高采矿作业的经济效率，并根据最新的可持续发展目标减少环境影响。

矿业的数字化转型便于收集大量数据，这些数据可作为使用ML技术构建模型的资产。案例研究表明，将此类模型用作目标函数，并将特定矿山条件作为基于人工智能的优化算法的限制条件，可以降低与矿山运营相关的成本。利用先进的矿山规划和优化工具，现在可以建立不同采矿周期组件之间的联系及其内部相互作用，从而将人工智能生成的模型和优化算法集成到矿山规划工具中，实现矿山设计的整体优化。