AI-metoder för att Koppla Mineralogi och Sågning av Borrkärnor till Malningseffektivitet fas 2 (eCoreX2)
Syfte och mål
Syftet är att utveckla och integrera en kostnadseffektiv metod för att förutsäga malmers malbarhet genom sågenergi, XRF och AI-baserad geometallurgisk modellering. Målet är att operationalisera metoden direkt hos behovsägarna genom integration i deras borrkärne- och analysflöden, och därmed leverera skalbara prediktioner som stärker beslutsfattande, energieffektivitet och processdesign från gruva till koncentrat.
Förväntade effekter och resultat
Projektet förväntas leverera en validerad metod som kopplar sågenergi, XRF och mekaniska tester till prediktion av malmkompetens. Genom integrerad datainsamling i ordinarie borrkärneflöden erhålls avsevärt fler datapunkter över större delar av malmkroppen och gruvans livslängd. Detta möjliggör mer träffsäkra modeller, bättre processtyrning, energieffektivare malning och robustare beslutsunderlag.
Planerat upplägg och genomförande
Projektet genomförs genom laboratorietester av borrkärnor, följt av integration av sågenergi- och XRF-mätning i industriparternas ordinarie arbetsflöden. Dessa data kombineras med utökade malbarhets- och hållfasthetstester. Prediktiva AI/ML-modeller tränas och kopplas till DEM-simuleringar för att prediktera processrespons baserat på malmens hållfasthet. Arbetspaketen drivs iterativt för att säkerställa robust validering och operativ anpassning.
Texten på den här sidan har projektgruppen själv formulerat. Innehållet är kopierat från myndighetens hemsida och ej granskad av Programkontoret.