Autor: LI, Enming
Título: Assisting mine planning, operation and ore grading by using off-the-shelf machine learning techniques
Fecha: 2025
Materia: ---
Escuela: E.T.S.I. DE MINAS Y ENERGÍA
Departamento: INGENIERIA GEOLOGICA Y MINERA
Acceso electrónico: https://oa.upm.es/89579/
Director/a(s):
- Director/a: SANCHIDRIÁN BLANCO, José Angel
- Director/a: SEGARRA CATASÚS, Pablo
Resumen: By analysing case studies from mining regions worldwide, the thesis provides insights into how machine learning techniques can help in optimizing mining operations. Five main chapters are presented. The first problem addressed is the evaluation of the median fragment size from blasting. The prediction models involve 19 influential factors by two types of support vector regression (SVR) and five hyper-parameters tuning algorithms. By comparison, it could be found that the v-SVR model optimized by grey wolf optimization showed the best performance. The sensitivity analysis indicated that uniaxial compressive strength is the most influential factor in this case. In the next chapter, 1024 cases from published literature were used to develop the intelligent prediction models of the gas relative permeability. This chapter proposed five hybrid kernel extreme learning machine (KELM) techniques. The best testing performance was generated by butterfly optimization algorithm when swarm size is equal to 150. By mutual information, gas saturation was identified as the most influential factor, and when used as the sole input, optimized KELM still outperformed the empirical Corey-Brooks model. While the above two tasks used data collected from published literature, the following chapters include the data collection by field or laboratory experiments to which the author has actively contributed, on which different analysis of images are developed. For reducing the amount of sampling required and equipment consumption, two new techniques are proposed to evaluate the fluorite grade. 48 drilling chip samples were gathered from six boreholes. Images of borehole walls were captured using a televiewer with white and ultraviolet (UV) light. The cumulative distribution of pixel color intensities (red, green, blue) served as model inputs. A new outlier inspection method was proposed named `take one out and thus improved model performance. The best predictions were achieved using pixel intensities from the combination of white and UV light scans (R = 0.83, RMSE = 3.32%), using optimized SVR. Based on the success of the televiewer work, a more convenient and lower-cost way is proposed. 494 pellet samples made from drilling chips were photographed using a smartphone. To minimize the impact of environmental factors on image colors, ColorChecker were used for color correction. The average red and blue pixel intensities, along with color uncertainty and texture features, were analyzed using principal component analysis to develop five clustering models. Two clusters (C2 and C3) were qualitatively labeled as waste, while cluster C1 was identified as ore. The spectral clustering (SC) method achieved a waste recognition rate of 94.7% in cluster C3. Inspired by the fluorite grade work, a new automated photography approach is applied to recognize lithology by an endoscope. Images were automatically extracted from borehole wall videos. Image quality was determined using gray pixel intensity thresholds and no-reference quality metrics. Contrast-Limited Adaptive Histogram Equalization was applied to enhance image quality. A total of 7,583 images were selected. The optimized Light Gradient Boosting Machine model achieved the best classification performance, with 88.04% accuracy. Feature importance analysis highlighted color counting as the most influential parameter. This method offers a more flexible and cost-effective alternative for lithology identification. In conclusion, by means of various machine learning techniques, some complicated mining issues can be interpreted or simplified and thus offer insight for the mining design and a better control of the environmental impact. RESUMEN Mediante el análisis de estudios de caso en regiones mineras de todo el mundo, esta tesis ofrece perspectivas sobre cómo las técnicas de aprendizaje automático pueden ayudar a optimizar las operaciones mineras. Se presentan cinco capítulos principales. El primer problema abordado es la evaluación del tamaño medio de fragmentos tras las voladuras. Los modelos de predicción incluyen 19 factores influyentes mediante dos tipos de regresión por vectores de soporte (SVR) y cinco algoritmos de ajuste de hiperparámetros. Al comparar los resultados, se encontró que el modelo v-SVR optimizado mediante el algoritmo de optimización del lobo gris mostró el mejor rendimiento. El análisis de sensibilidad indicó que la resistencia a la compresión uniaxial es el factor más influyente en este caso. En el capítulo siguiente, se utilizaron 1024 casos extraídos de la literatura para desarrollar modelos de predicción inteligente de la permeabilidad relativa del gas. Se propusieron cinco técnicas híbridas de KELM (máquinas de aprendizaje extremo con núcleos), y el mejor rendimiento se logró con el algoritmo de optimización de mariposa cuando el tamaño del enjambre fue de 150. Mediante información mutua, se identificó la saturación de gas como el factor más influyente; incluso como única entrada, el modelo KELM optimizado superó al modelo empírico de Corey-Brooks. Mientras que las dos tareas anteriores usaron datos extraídos de literatura, los capítulos siguientes incluyen recolección de datos en campo o laboratorio, donde el autor participó activamente. Se desarrollaron análisis basados en imágenes. Para reducir el muestreo necesario y el uso de equipos, se proponen dos nuevas técnicas para evaluar la ley de fluorita. Se recolectaron 48 muestras de detritos de seis sondeos. Se capturaron imágenes de las paredes de los sondeos con un televiewer bajo luz blanca y ultravioleta (UV). La distribución acumulada de intensidades de color (rojo, verde, azul) sirvió como entrada. Se propuso un nuevo método para detectar valores atípicos, denominado take one out, que mejoró el rendimiento del modelo. Las mejores predicciones se lograron con intensidades de píxeles combinadas de luz blanca y UV (R = 0.83, RMSE = 3.32%), usando SVR optimizado. A partir del éxito con el televiewer, se propuso un método más económico y práctico. Se fotografiaron 494 muestras granuladas hechas con detritos de perforación, usando un teléfono móvil. Para minimizar el efecto ambiental en los colores, se usaron ColorChecker para corregir el color. Las intensidades promedio de píxeles rojos y azules, junto con la incertidumbre del color y características de textura, se analizaron mediante análisis de componentes principales para desarrollar cinco modelos de agrupamiento. Dos grupos (C2 y C3) fueron etiquetados como desecho, mientras que el grupo C1 se identificó como mineral. El método de agrupamiento espectral alcanzó una tasa de reconocimiento de desecho del 94.7% en C3. Inspirado en el trabajo de la ley de fluorita, se aplicó un nuevo enfoque fotográfico automatizado para reconocer litología mediante endoscopio. Se extrajeron automáticamente imágenes de videos de las paredes de los sondeos. La calidad de imagen se determinó mediante umbrales de intensidad en escala de grises y métricas sin referencia. Se usó la ecualización de histograma adaptativa limitada para mejorar la imagen. Se seleccionaron 7,583 imágenes para clasificación litológica. El modelo optimizado LightGBM logró una precisión del 88.04%. El análisis de importancia de características destacó el conteo de colores como el parámetro más influyente. Este método ofrece una alternativa flexible y rentable para identificar litologías. En conclusión, mediante diversas técnicas de aprendizaje automático, algunos problemas complejos en minería pueden interpretarse o simplificarse, aportando así ideas para el diseño minero y un mejor control del impacto ambiental.