جدول المحتويات
التنبؤ برتبة الخام للتحكم في الرتبة (grade control) يقدّر رتبة كل كتلة صغيرة في المصطبة بعد تفجيرها، حتى تذهب كل حمولة إلى وجهتها الصحيحة: مصنع المعالجة أو المخزون أو مكب النفايات الصخرية. وتستخدم معظم المناجم الكريجنغ (kriging) على تحاليل ثقوب التفجير. ويمكن لتعلم الآلة أن يضيف بيانات الحفر والمستشعرات، لكن المقارنات المنشورة تبيّن أنه لا يتفوق على الكريجنغ تلقائيًا.
أهم النقاط
- يحدد التحكم في الرتبة وجهة المواد المستخرجة بالاعتماد على كل البيانات المتاحة. وأي خطأ في تصنيف كتلة يؤدي إما إلى فقدان الخام أو إلى التخفيف، وكلاهما مكلف (Zacche da Silva et al., 2020).
- عينات ثقوب التفجير كثيفة لكن أخذها بشكل صحيح صعب: إذ تنفصل فتات الحفر حسب الحجم، ويدخل فيها ناتج الحفر الإضافي أسفل المصطبة (subdrill)، ولا يعطي الجزء العلوي المتشقق من المصطبة إلا القليل من الفتات (Holmes, 2010).
- في المقارنات المنشورة، لم يتفوق تعلم الآلة وحده على الكريجنغ العادي بشكل موثوق (Potakey, 2024)؛ بينما حقق نهج هجين يُدخل اتجاهًا مستخلصًا بتعلم الآلة في الكريجنغ نتائج أفضل في دراسة حالة على النحاس.
- التحقق المتقاطع العشوائي يجمّل أداء النماذج المكانية. يجب الاختبار بحجب تفجيرات كاملة أو كتل مكانية (Akpabio and Minnitt, 2026).
- المطابقة مع نتائج المصنع، لا دقة النموذج وحدها، هي ما يبيّن هل تضيف الطريقة الجديدة قيمة (Ebrahimi, 2025).
ما هو التحكم في الرتبة، وما كلفة خطأ التصنيف؟
في المنجم المكشوف، يُبنى نموذج الموارد طويل الأمد من أسبار استكشافية متباعدة، وهو أخشن من أن يحدد مكان الحفر. ويسدّ التحكم في الرتبة هذه الفجوة: فمع حفر كل مصطبة للتفجير، تؤخذ العينات ويُبنى نموذج رتبة قصير الأمد وتُرسم حدود الحفر بين الخام والنفايات قبل التحميل. وتصف إحدى الدراسات الهدف بأنه التنبؤ «بوجهة المواد المستخرجة بناءً على كل البيانات المتاحة» (Zacche da Silva et al., 2020).
يمكن أن تُصنَّف كل كتلة خطأً بطريقتين:
| الخطأ | ما يحدث | الكلفة على المنجم |
|---|---|---|
| فقدان الخام | كتلة فوق رتبة القطع تُصنَّف نفاياتٍ وتُرمى في المكب | معدن لا يُستخلص أبدًا؛ إيرادات أقل |
| التخفيف | كتلة دون رتبة القطع تُصنَّف خامًا وتُعالَج | طاقة المصنع الإنتاجية والطاقة والكواشف تُصرف على مادة غير مربحة؛ رتبة تغذية أقل |
نادرًا ما تتساوى الكلفتان، وهذا مهم عند تحديد طريقة استخدام النموذج. وقد تكون الفجوة بين الخطة والنتيجة كبيرة: ففي أعمال مطابقة شملت ستة مناجم، لاحظ مستشار لدى SRK أن الأطنان المصرّح بها انحرفت عن الخطة بين -4% و+12%، والرتب بين -7% و+20% (Ebrahimi, 2025). ولا يعود كل ذلك إلى التحكم في الرتبة، لكنه مرحلة يمكن فيها قياس الفجوة وتقليصها. وللاطلاع على الصورة الأشمل للذكاء الاصطناعي في الاستكشاف والتعدين، راجعوا دليل الذكاء الاصطناعي في التعدين ومقال التحليل الجيولوجي بالذكاء الاصطناعي.
ما البيانات التي يعتمد عليها نموذج التنبؤ بالرتبة؟
| مصدر البيانات | ما يقدمه | أهم القيود |
|---|---|---|
| عينات مخروط فتات ثقوب التفجير | تحليل واحد لكل ثقب ضمن شبكة كثيفة (تباعد 5 م في إحدى دراسات النحاس) | عينة واحدة للثقب كله، بعمق 10 إلى 15 م مثلًا؛ الانفصال الحجمي والحفر الإضافي يسببان انحياز العينة |
| أسبار التحكم في الرتبة بالدوران العكسي (RC) | عينات أصغر وأسهل جمعًا؛ حفر عدة مصاطب في آن واحد | كلفة أعلى بكثير |
| القياس أثناء الحفر (MWD) | سرعة الاختراق وعزم الدوران وضغط الدوران وضغط الهواء لكل ثقب، بدقة 0.1 م في العمق | غير مباشر: يعكس خصائص الصخر لا تركيبه الكيميائي |
| الوصف الجيولوجي والنموذج طويل الأمد | نوع الصخر والتحول وحدود النطاقات الجيولوجية | الوصف ذاتي؛ وقد تكون الحدود في غير موضعها |
| مستشعرات عند جبهة الحفر (مثل XRF على دلاء الحفارات) | تقدير للرتبة لكل دلو أثناء التحميل | أرقام الأداء صادرة أساسًا عن الموردين |
عينات ثقوب التفجير هي الخيار الافتراضي لأن الثقوب تُحفر للتفجير في كل الأحوال، لكنها أيضًا الحلقة الأضعف. يصف Holmes انفصال الفتات حسب الحجم في المخروط ودخول ناتج الحفر الإضافي من أسفل المصطبة. ولأن الجزء العلوي من المصطبة متشقق أصلًا، يأتي القليل من الفتات من الأمتار الأولى، فتنحاز العينة نحو وسط المصطبة وأسفلها. ويذكر أن الحفر المنفصل بالدوران العكسي هو الحل الأفضل لكن بكلفة أعلى بكثير، وينبّه إلى أن الانحياز لا يمكن إزالته بعد وقوعه (Holmes, 2010). ولا يستطيع أي نموذج تصحيح عينة منحازة، لذلك يأتي تدقيق أخذ العينات قبل أي نمذجة. ويتناول مقالنا عن مشكلات جودة البيانات الصناعية الصورة العامة لهذه المشكلة.
بيانات MWD تسجلها آلات الحفر الحديثة لكل ثقب. وفي مشروع تجريبي بمنجم حديد في منطقة Pilbara، باستخدام بيانات MWD لنحو 7000 ثقب، تنبأت النماذج بمحتوى الحديد بمعامل ارتباط 0.79 مع التحاليل المخبرية في منطقة، و0.64 فقط في منطقة أخرى كان توزيع الرتب فيها مختلفًا (Khushaba et al., 2022). فبيانات MWD مدخل إضافي مفيد، لا بديل عن التحاليل.
المستشعرات عند جبهة الحفر أحدث عهدًا. إذ تذكر شركة MineSense أن دلاء الحفارات المزودة بمستشعرات XRF، مع تعلم الآلة لتوصيف كل دلو، أعادت توجيه 5.9% في المتوسط من الشاحنات المقيسة من الخام إلى النفايات و7.2% من النفايات إلى الخام، في تسعة مناجم نحاس مكشوفة خلال جزء من عام 2023 (CIM Magazine, 2024). وهذه أرقام المورّد، لا دراسة مستقلة.
الكريجنغ أم المحاكاة أم تعلم الآلة: أي طريقة نختار؟
الكريجنغ العادي هو المعيار. وتصفه دراسة مسحية لعمليات الحديد في Pilbara بأنه «الطريقة المفضلة» في الجيوإحصاء، ويُرفق عادة بالمحاكاة الغاوسية التتابعية لتعويض التنعيم الذي يُحدثه الكريجنغ وتقدير عدم اليقين في الرتب. كما طُوِّعت العمليات الغاوسية (Gaussian processes)، وهي طريقة احتمالية من طرق تعلم الآلة، لتعامل تحاليل ثقوب التفجير بوصفها مقاطع لا نقاطًا (Leung et al., 2023).
أما تعلم الآلة العام، مثل الغابات العشوائية وآلات المتجهات الداعمة والشبكات العصبية، فيمكنه الجمع بين مدخلات كثيرة ولا يحتاج إلى فرضية الاستقرارية (stationarity) التي يفترضها الكريجنغ داخل النطاق الجيولوجي. لكنه «لا يضمن إعادة إنتاج البيانات في المواقع المأخوذة منها العينات»، ولا يأخذ الارتباط المكاني في الحسبان بشكل صريح (Zacche da Silva et al., 2020).
ماذا تُظهر المقارنات المباشرة؟
- مشروعان مكشوفان: صنّف الكريجنغ العادي نحو 8.5% من الكتل خطأً، ومصنّف المتجهات الداعمة نحو 10.5%. وأدت إضافة خطأ أخذ العينات إلى تراجع أداء الاثنين بنحو 4% (Potakey, 2024).
- البلاتين، بالإحداثيات فقط: بدت خوارزمية أقرب الجيران والغابات العشوائية ممتازة في التحقق المتقاطع العشوائي (R² بقيمة 0.92 و0.86)، لكن نتائجها كانت كثيرًا ما تنزل تحت الصفر في التحقق المتقاطع بالكتل المكانية، بينما بقي الكريجنغ أكثر ثباتًا. ويخلص المؤلفان إلى أن النماذج المعتمدة على الإحداثيات وحدها «تتصرف كأدوات استيفاء» (Akpabio and Minnitt, 2026).
- النحاس، نهج هجين: في منجم Carmen de Andacollo في تشيلي، أدى استخدام اتجاه مستخلص بشبكة عصبية داخل الكريجنغ المشترك المتموضع (collocated co-kriging) إلى تصنيف خاطئ لكمية أقل بنسبة 5.4% مقارنة بالكريجنغ العادي على مدى 10 تفجيرات. وكان المرجع محاكى، لعدم توفر بيانات مطابقة فعلية (Zacche da Silva et al., 2020).
| الطريقة | نقاط القوة | نقاط الضعف | متى تُستخدم |
|---|---|---|---|
| الكريجنغ العادي | معيارية، قابلة للتدقيق، تحترم البيانات | تُنعّم القيم؛ تقدير واحد لكل كتلة؛ تفترض الاستقرارية داخل النطاق | مرجع أساسي لكل مشروع |
| المحاكاة الشرطية | تقيس عدم اليقين؛ تدعم قرارات الربح المتوقع | حسابات وخبرة أكبر | عندما تكون كلفة أخطاء التصنيف عالية أو الحدود غير مؤكدة |
| تعلم الآلة بالإحداثيات فقط | سريع التجربة | يتصرف كأداة استيفاء؛ ضعيف في التحقق المكاني | نادرًا ما يُستخدم وحده |
| تعلم الآلة مع مدخلات الحفر والجيولوجيا | يستخدم MWD والوصف الجيولوجي والمستشعرات | يحتاج التحاليل بوصفها تسميات؛ قد يفشل في مناطق جديدة | عندما تتوفر بيانات إضافية لكل ثقب |
| هجين (اتجاه بتعلم الآلة مع الكريجنغ) | يجمع المدخلات الإضافية والارتباط المكاني | منهجية أعقد | عند وجود اتجاهات قوية داخل النطاق |
يستحق تعلم الآلة مكانه عندما يأتي بمعلومات لا يستخدمها الكريجنغ، مثل استجابة الصخر للحفر أو الوصف الجيولوجي أو قراءات المستشعرات، لا عندما يعيد استيفاء التحاليل نفسها. والمنطق نفسه هو أساس المستشعرات البرمجية في مصانع العمليات: قياسات قليلة الكلفة تقدّر قياسًا مكلفًا، ويبقى المختبر هو المرجع.
كيف يجب أن يغيّر عدم اليقين قرارات الخام والنفايات؟
مقارنة تقدير واحد برتبة القطع تتجاهل أن كلفة الخطأين غير متساوية. والنهج الأفضل يستخدم عددًا كبيرًا من التحققات (realisations) المحاكاة للرتبة. فعملية CSOWOPT في برنامج Datamine تحسب لكل كتلة الخسارة المتوقعة لإرسالها إلى المصنع أو إلى المكب، باستخدام معدل الاستخلاص في المصنع وسعر المعدن والرتبة وكلفة التعدين والمعالجة. ولا تُصنَّف الكتلة خامًا إلا إذا تجاوز احتمال أن تفوق رتبتُها رتبةَ القطع احتمالَ التعادل (وثائق Datamine Studio RM). ووصف Magri وNorrena الفكرة نفسها: اختيار التصنيف الذي يحقق أعلى ربح متوقع عبر جميع التحققات (Magri and Norrena, 2000).
وينطبق هذا على تعلم الآلة أيضًا. فالنموذج الذي يعطي احتمالًا أو توزيعًا، لا رتبة واحدة فقط، يمكن أن يغذي قاعدة القرار نفسها.
كيف يُتحقق من نموذج الرتبة قبل أن تتبعه الشاحنات؟
- حجب تفجيرات كاملة أو كتل مكانية. استخدم Khushaba وزملاؤه اختبارًا يستبعد تفجيرًا واحدًا في كل مرة، بما يحاكي التنبؤ لتفجير جديد، ويشيرون إلى أن التقسيم العشوائي قد يعطي أخطاء متفائلة أكثر من اللازم بسبب الارتباط الذاتي المكاني (Khushaba et al., 2022).
- تقييم القرارات، لا خطأ الرتبة وحده. عدّ الأطنان المصنفة خطأً خامًا والمصنفة خطأً نفاياتٍ، وتقييم كل منها بالأسعار والتكاليف الحالية.
- المقارنة مع الطريقة الحالية على التفجيرات نفسها. الكريجنغ على البيانات نفسها هو الحد الأدنى للمقارنة.
- فحص كل نطاق جيولوجي وكل منطقة على حدة. فقد يتراجع الأداء في جزء جديد من الحفرة، كما يبيّن معاملا الارتباط 0.79 و0.64 المذكوران أعلاه.
- التشغيل بالتوازي. يقترح النموذج حدود الحفر إلى جانب الإجراء القائم قبل أن يغيّر وجهة الشاحنات.
- المطابقة. لدى SRK، يقارن العامل F1 نموذج التحكم في الرتبة قصير الأمد بالنموذج طويل الأمد، ويقارن العامل F2 ما يستقبله المصنع بما يصرّح المنجم بأنه سلّمه (Ebrahimi, 2025). والنموذج الأفضل يجب أن يقلّص الفجوة بين تنبؤات التحكم في الرتبة ونتائج المصنع.
بعد التشغيل، تنجرف نماذج الرتبة كلما انتقل التعدين إلى نطاقات جيولوجية جديدة. ويشرح دليلنا عن مراقبة انجراف النماذج ما يجب تتبعه.
ما لاحظناه في KABAS AI
لم تنشر KABAS AI مشروعًا للتحكم في الرتبة. وفيما يلي الطريقة التي يتناول بها فريق علوم البيانات لدينا هذا النوع من العمل على البيانات الصناعية:
- تدقيق أخذ العينات أولًا. التحقق من طريقة أخذ عينات ثقوب التفجير، وهل يدخل فيها ناتج الحفر الإضافي، وكيف ترتبط معرّفات العينات بالإحداثيات والأعماق وتواريخ التحليل. وتصحيح الانحياز قبل النمذجة.
- بناء المرجع بالكريجنغ. على نموذج تعلم الآلة أن يتفوق على ما ينتجه جيولوجي المنجم أصلًا على التفجيرات نفسها.
- إضافة مدخلات متوفرة لكل ثقب. بيانات MWD ونوع الصخر الموصوف وبيانات المستشعرات هي المواضع التي يمكن لتعلم الآلة أن يضيف فيها معلومات.
- إبقاء البيانات في الموقع. بيانات الأسبار والتحاليل والرتب حساسة تجاريًا، وكثير من الحفر ضعيفة الاتصال. وتعمل حلولنا للتعدين داخل المنشأة دون اتصال بالإنترنت، ويشرح مقالنا عن الذكاء الاصطناعي في المواقع النائية المفاضلات المطروحة.
إذا أردتم اختبار ما إذا كانت بيانات ثقوب التفجير والحفر لديكم قادرة على دعم تنبؤات أفضل بالرتبة، تواصلوا معنا.
المصادر
- Zacche da Silva, Nisenson and Boisvert, Grade control with Ensembled ML: A comparative case study at the Carmen de Andacollo copper mine, CCG Annual Report 22, 2020
- Holmes, Sampling mineral commodities: the good, the bad, and the ugly, Journal of the Southern African Institute of Mining and Metallurgy 110, 2010
- Akpabio and Minnitt, Improving grade estimation using machine learning: a comparative study of ordinary kriging against machine learning algorithms, SAIMM, 2026
- Potakey, Grade Control Optimization in Open Pit Mining using Supervised Machine Learning Approach, Master's thesis, Queen's University, 2024
- Khushaba, Melkumyan and Hill, A Machine Learning Approach for Material Type Logging and Chemical Assaying from Autonomous Measure-While-Drilling (MWD) Data, Mathematical Geosciences, 2022 (arXiv 2202.02959)
- Leung, Hill and Melkumyan, Automation and AI Technology in Surface Mining With a Brief Introduction to Open-Pit Operations in the Pilbara, arXiv 2301.09771, 2023
- Ebrahimi, Reconciliation Explained and Solutions Recommended, SRK Consulting, 2025
- Datamine, CSOWOPT process, Studio RM documentation
- Magri and Norrena, Optimal grade control using geostatistics and economics: methodology and examples, SME, 2000
- CIM Magazine, Industry partner spotlights 2024: MineSense
الأسئلة الشائعة
ما الفرق بين نموذج الموارد ونموذج التحكم في الرتبة؟
يُبنى نموذج الموارد طويل الأمد من أسبار استكشافية متباعدة، ويُستخدم لتقدير الاحتياطيات والتخطيط طويل الأمد. أما نموذج التحكم في الرتبة، ويُسمّى أيضًا النموذج قصير الأمد، فيُبنى مصطبةً بعد مصطبة من بيانات أكثف مثل تحاليل ثقوب التفجير أو أسبار التحكم في الرتبة. وهو النموذج الذي تُرسم به حدود الحفر ويُحدَّد به مسار كل شاحنة نحو مصنع المعالجة أو المخزون أو مكب النفايات الصخرية.
هل يمكن لتعلم الآلة أن يحل محل الكريجنغ في التحكم في الرتبة؟
ليس تلقائيًا. ففي المقارنات المنشورة، لم تتفوق نماذج تعلم الآلة التي تعتمد على إحداثيات العينات وتحاليلها فقط على الكريجنغ العادي، وفشل بعضها في التحقق المكاني. ويفيد تعلم الآلة عندما يضيف معلومات لا يستخدمها الكريجنغ، مثل بيانات الحفر أو الوصف الجيولوجي أو قراءات المستشعرات، أو عندما تُدمج مخرجاته مع الكريجنغ.
هل يمكن لبيانات القياس أثناء الحفر (MWD) أن تحل محل تحاليل ثقوب التفجير؟
لا. تُسجَّل بيانات MWD مثل سرعة الاختراق وعزم الدوران وضغط الهواء لكل ثقب، ويمكن ربطها بالرتبة، لكن هذه العلاقة غير مباشرة وتختلف من منطقة إلى أخرى في المنجم نفسه. وتبقى التحاليل هي المرجع لتدريب أي نموذج يستخدم MWD والتحقق منه وتصحيحه.
ما المقصود بفقدان الخام والتخفيف؟
فقدان الخام هو خام يُرسل إلى مكب النفايات لأنه صُنِّف نفاياتٍ، فلا يُستخلص معدنه أبدًا. والتخفيف هو نفايات تُرسل إلى مصنع المعالجة لأنها صُنِّفت خامًا، فتستهلك طاقة المصنع الإنتاجية والطاقة والكواشف وتخفض رتبة التغذية. ويسعى التحكم في الرتبة إلى تقليل الكلفة الإجمالية لهذين الخطأين.
كيف نعرف أن طريقة جديدة للتحكم في الرتبة تعمل؟
تُشغَّل بالتوازي مع الطريقة الحالية على التفجيرات نفسها، وتُقارن الأطنان التي كانت ستُصنَّف خطأً، ثم تُتابَع المطابقة مع مرور الوقت. فإذا كانت الطريقة الجديدة أفضل، يجب أن تضيق الفجوة بين ما يتنبأ به نموذج التحكم في الرتبة وما يستقبله المصنع. ولا تكفي مؤشرات دقة النموذج وحدها.



