Koneoppimisen soveltaminen räjäytyksen aiheuttaman kiven liikkeen synnyttämien malmi- ja taloudellisten tappioiden vähentämisessä
Väitöstilaisuuden tiedot
Väitöstilaisuuden päivämäärä ja aika
Väitöstilaisuuden paikka
Luentosali L6, Linnanmaan kampus
Väitöksen aihe
Koneoppimisen soveltaminen räjäytyksen aiheuttaman kiven liikkeen synnyttämien malmi- ja taloudellisten tappioiden vähentämisessä
Väittelijä
Diplomi-insinööri Zhi Yu
Tiedekunta ja yksikkö
Oulun yliopiston tutkijakoulu, Teknillinen tiedekunta, Kaivannaisalan yksikkö
Oppiaine
Kaivos- ja rikastustekniikka
Vastaväittäjä
Apulaisprofessori Panagiotis Katsabanis, Queen's-yliopisto
Kustos
Professori Zongxian Zhang, Oulun yliopisto
Koneoppimisen soveltaminen räjäytyksen aiheuttaman kiven liikkeen synnyttämien malmi- ja taloudellisten tappioiden vähentämisessä
Avolouhosten penkkiräjäytyksissä kiven kappaleet siirtyvät räjäytyksen vaikutuksesta penkin
etureunaa kohti, mikä aiheuttaa merkittäviä eroja malmin ja sivukiven spatiaaliseen jakautumiseen ennen räjäytystä ja sen jälkeen. Mikäli räjäytystä edeltäviä malmirajoja käytetään sellaisenaan kaivurajojen (dig-limit) määrittämiseen ja lastaustoiminnan ohjaamiseen, seurauksena voi olla huomattavia malmitappioita sekä taloudellisia menetyksiä. Räjäytyksen aiheuttamasta kiven liikkeestä (blast-induced rock movement, BIRM) johtuvien malmitappioiden hallitsemiseksi voidaan soveltaa kahta erilaista lähestymistapaa: räjäytystekniikan optimointia siten, että räjäytystä edeltäviä rajoja voidaan käyttää suoraan, tai kiven liikkeen ennustamisen yhdistämistä kaivurajojen määrittämiseen. Tässä väitöskirjassa tarkastellaan räjäytyssimulointitekniikoita ja räjäytyksen jälkeisten kaivurajojen määrittämismenetelmiä, joiden nykyinen tutkimustaso ei riittävästi vastaa käytännön kaivostoiminnan vaatimuksia. Näihin haasteisiin vastaamiseksi tässä työssä kehitetään ja sovelletaan koneoppimistekniikoita kahdessa keskeisessä tutkimusosuudessa. Ensimmäisessä osuudessa esitetään koneoppimista hyödyntävä räjäytyksen jälkeisen louhekasan analyysimenetelmä, joka perustuu tekijän kehittämään koneoppimisavusteiseen lähestymistapaan räjäytyksen jälkeisten malmirajojen määrittämiseksi. Menetelmän toimivuutta arvioidaan numeeristen simulointien sekä tapaustutkimusten avulla, jotka koskevat jakavaa avolouhosräjäytystä (dividing open-pit blasting, DOPB) ja keskisytytteistä avolouhosräjäytystä (center-initiation open-pit blasting, CIOPB). Työn toisessa osuudessa kehitetään kolme kaivurajojen määrittämismenetelmää, joissa yhdistetään kiven liikkeen ennustaminen: binääriseen kokonaislukulinjaukseen perustuva menetelmä (BILP-pohjainen), geneettiseen algoritmiin perustuva menetelmä (GA-pohjainen) sekä käytännölliseen heuristiikkaan perustuva menetelmä (PH-pohjainen). Menetelmien toimivuutta ja soveltuvuutta arvioidaan systemaattisesti tapaustutkimusten avulla. Lisäksi yhdistämällä räjäytyksen aiheuttama kiven liike (BIRM) ja kaluston kokorajoitteet kaivurajojen määrittämiseen esitetään monitasoinen kaivurajojen määrittämismenetelmä, jonka avulla voidaan parantaa malmin talteenottoa ja taloudellista tulosta monimutkaisissa geologisissa olosuhteissa toimivissa avolouhoksissa.
etureunaa kohti, mikä aiheuttaa merkittäviä eroja malmin ja sivukiven spatiaaliseen jakautumiseen ennen räjäytystä ja sen jälkeen. Mikäli räjäytystä edeltäviä malmirajoja käytetään sellaisenaan kaivurajojen (dig-limit) määrittämiseen ja lastaustoiminnan ohjaamiseen, seurauksena voi olla huomattavia malmitappioita sekä taloudellisia menetyksiä. Räjäytyksen aiheuttamasta kiven liikkeestä (blast-induced rock movement, BIRM) johtuvien malmitappioiden hallitsemiseksi voidaan soveltaa kahta erilaista lähestymistapaa: räjäytystekniikan optimointia siten, että räjäytystä edeltäviä rajoja voidaan käyttää suoraan, tai kiven liikkeen ennustamisen yhdistämistä kaivurajojen määrittämiseen. Tässä väitöskirjassa tarkastellaan räjäytyssimulointitekniikoita ja räjäytyksen jälkeisten kaivurajojen määrittämismenetelmiä, joiden nykyinen tutkimustaso ei riittävästi vastaa käytännön kaivostoiminnan vaatimuksia. Näihin haasteisiin vastaamiseksi tässä työssä kehitetään ja sovelletaan koneoppimistekniikoita kahdessa keskeisessä tutkimusosuudessa. Ensimmäisessä osuudessa esitetään koneoppimista hyödyntävä räjäytyksen jälkeisen louhekasan analyysimenetelmä, joka perustuu tekijän kehittämään koneoppimisavusteiseen lähestymistapaan räjäytyksen jälkeisten malmirajojen määrittämiseksi. Menetelmän toimivuutta arvioidaan numeeristen simulointien sekä tapaustutkimusten avulla, jotka koskevat jakavaa avolouhosräjäytystä (dividing open-pit blasting, DOPB) ja keskisytytteistä avolouhosräjäytystä (center-initiation open-pit blasting, CIOPB). Työn toisessa osuudessa kehitetään kolme kaivurajojen määrittämismenetelmää, joissa yhdistetään kiven liikkeen ennustaminen: binääriseen kokonaislukulinjaukseen perustuva menetelmä (BILP-pohjainen), geneettiseen algoritmiin perustuva menetelmä (GA-pohjainen) sekä käytännölliseen heuristiikkaan perustuva menetelmä (PH-pohjainen). Menetelmien toimivuutta ja soveltuvuutta arvioidaan systemaattisesti tapaustutkimusten avulla. Lisäksi yhdistämällä räjäytyksen aiheuttama kiven liike (BIRM) ja kaluston kokorajoitteet kaivurajojen määrittämiseen esitetään monitasoinen kaivurajojen määrittämismenetelmä, jonka avulla voidaan parantaa malmin talteenottoa ja taloudellista tulosta monimutkaisissa geologisissa olosuhteissa toimivissa avolouhoksissa.
Luotu 7.8.2026 | Muokattu 7.8.2026