オープンピット鉱山設計におけるクリーン生産原則に基づく残土削減のためのQ学習アプローチ

科学分野:

• 鉱業工学
• 人工知能
• 環境科学

背景:

• 大規模な鉱業は大量の残土を生成し、環境的および経済的な課題をもたらします。
• 究極のピット限界設計の現在の方法は、しばしば環境コストを見落としており、持続可能性に影響を与えます。
• 残土の生成を削減することは、鉱業を持続可能な開発目標と一致させるために不可欠です。

研究 の 目的:

• 究極のピット限界設計を最適化するための新しいフレームワークを開発および検証する。
• ブロック経済価値計算に環境コストを組み込む。
• 鉱石回収率と収益性を最大化しながら、残土の採掘を最小限に抑える。

主な方法:

• 数理モデリングと強化学習アルゴリズムであるQ学習の統合。
• ブロック経済価値への環境コスト（防止、緩和、補償）の明示的な包含。
• 大規模な銅鉱床を使用した検証と、Lerchs-Grossmannアルゴリズムとの比較。

主要な成果:

• Q学習フレームワークは、残土の採掘を270万トン削減しました。
• 鉱石回収率は50万トンわずかに減少しました。
• 計算時間は7.2時間から5.8時間に短縮され、フレームワークは最大の利益よりも現実的なピット設計を優先しました。

結論:

• Q学習フレームワークは、環境コストを組み込むことにより、究極のピット限界設計に対してより持続可能なアプローチを提供します。
• この方法は、資源効率を高め、生態学的影響を最小限に抑え、鉱業におけるクリーン生産を促進します。
• 強化学習ベースの最適化は、鉱業における持続可能性を向上させます。