AI-metoder för att Koppla Mineralogi och Sågning av Borrkärnor till Malningseffektivitet (eCoreX)
Viktiga resultat som projektet gav
Projektmålen har uppfyllts väl. Projektet visade att specifik energi vid sågning, P-våg och XRF-data kan användas för att prediktera bergarters mekaniska egenskaper. AI-modeller tränades för att förutsäga styrka och dessa värden användes i simuleringar av krossar och kvarnar. Metoden möjliggör snabbare och billigare analys av borrkärnor och kan på sikt förbättra energieffektiviteten i malningsprocesser samt planering av gruvans framdrift. Vi kunde även prediktera mineral-litologi relativt väl.
Långsiktiga effekter som förväntas
På sikt kan metoden bidra till utveckling av digitala tvillingar för malningsprocesser direkt kopplade till de egenskaper som uppmätts och predikterat för hela populationen av borrkärnor, vilket ger bättre beslut, lägre kostnader för fysisk provning, lägre energiförbrukning och ökad hållbarhet i gruvdriften. Ramverket skulle sannolikt kunna integreras i prospektering och drift i realtid.
Upplägg och genomförande
Projektet genomfördes av ett tvärvetenskapligt team enligt plan med borrkärneexperiment, P-våg, Schmidt hammer, XRF-analys, AI-modellering och DEM simuleringar. Inga större förseningar uppstod och samarbetet mellan parterna fungerade väl. Mer data skulle ge ytterligare förbättringar i predikteringsförmåga.
Texten på den här sidan har projektgruppen själv formulerat. Innehållet är kopierat från myndighetens hemsida och ej granskad av Programkontoret.