Open pit optimization in 3D using a new artificial neural network

• Autorzy: Sayadi A. R. , Fathianpour N. , Mousavi A. A.

Warianty tytułu

PL

Trójwymiarowa optymalizacja kopalni odkrywkowej przy wykorzystaniu sztucznych sieci neuronowych

• Języki publikacji: EN

Abstrakty

EN

Determination of the pit limits is a vital task in the designing process of a mine. While overestimation increases stripping ratio, underestimation can result in loss of economic ore. The available methods of pit limit optimization are mostly based on the programming approaches (linear and/ or dynamic) and graph theory. In the large scale mines with probably varying wall slopes especially in 3D states performance of these approaches may be unsatisfactory. In this paper, a new 3D pit optimization algorithm has been developed and applied in an economic classified block model. In the first step economic block model of the Esfordi phosphate mine (Iran) was prepared. In the second step, the block model was divided into positive and negative regions with the help of a well trained feed-forward back-propagation neural network. For this, 3D blocks coordinates were considered as the neural network inputs whereas the blocks net economic values were set to be the model output. Finally, the optimum pit limit was determined on the classified block model considering constraints of wall slopes and impurities. This process was set to run in the MATLAB software. The results obtained have been compared to that from the modified Lerchs-Grossman's algorithm. The results are the same but in the presence of some kinds of ore impurity constraints the proposed algorithm generates a pit with more profit.

PL

Określenie zasięgu odkrywki jest kluczowym problemem na etapie projektowania kopalni. Przeszacowanie zasięgu prowadzi do zrywania gruntu na zbyt wielkim obszarze, zaś w wyniku niedoszacowania utracić można cenne rudy. Dostępne metody optymalizacji zasięgu odkrywki opierają się głównie na zasadach programowania liniowego i dynamicznego oraz wykorzystują teorie grafów. Dla kopalni o wielkich rozmiarach i o zmiennym nachyleniu zbocza wyniki uzyskiwane przy użyciu technik trójwymiarowych mogą okazać się niewystarczające. W pracy zaprezentowano nowy algorytm do trójwymiarowej optymalizacji zasięgu odkrywki. Algorytm ten został opracowany i następnie zastosowany w postaci modelu blokowego uwzględniającego zyskowność. W pierwszym kroku opracowano model blokowy z uwzględnieniem kwestii ekonomicznych dla kopalni fosfatów w Esfordi (Iran). W kroku drugim model został podzielony na obszary pozytywne i negatywne przy pomocy odpowiednio wyuczonej sieci neuronowej metodą wstecznej propagacji błędów (feed-forward back-propagation). Jako dane wejściowe do sieci wykorzystano współrzędne bloków w 3D a wartości finansowe (zyski) netto dla poszczególnych to dane wyjściowe. W końcowym stadium określono optymalny zasięg odkrywki na podstawie modelu blokowego z uwzględnieniem więzów w postaci nachylenia zbocza oraz obecności zanieczyszczeń rudy. Program działa w systemie MATLAB. Uzyskane wyniki porównano z wynikami uzyskanymi przy wykorzystaniu zmodyfikowanego algorytmu Lercha- Crossmana. Wyniki są takie same za wyjątkiem sytuacji wystąpienia zanieczyszczeń rudy, kiedy to proponowany algorytm generuje wynik zakładający wyższe zyski kopalni.

Słowa kluczowe

EN

open pit optimization; neural network; block classification; ore impurities

PL

optymalizacja odkrywki; sieć neuronowa; klasyfikacja blokowa; zanieczyszczenia rudy

• Wydawca: Instytut Mechaniki Górotworu PAN
• Czasopismo: Archives of Mining Sciences
• Rocznik: 2011
• Tom: Vol. 56, no 3
• Strony: 389--403
• Opis fizyczny: Bibliogr. 29 poz., rys., tab., wykr.

Twórcy

autor

Sayadi A. R.

autor

Fathianpour N.

autor

Mousavi A. A.

• Faculty of Eng., Tarbiat Modares University, Tehran, Iran,

Bibliografia

• Achireko P.K., Frimpong S., 1996. Open pit optimization using artificial neural networks on conditionally simulated blocks. In: Proceedings of APCOM'96, Penn State University, State College, 137-144.
• Achireko PK., 1998. Application of modified conditional simulation and artificial neural networks to open pit optimization. Ph.D. Dissertation, Technical University of Nova Scotia, Canada, 179 pp.
• Akbari A.D., Osanloo M., Shirazi M.A., 2009. Minable reserve estimation while determining ultimate pit limit (UPL) under price uncertainty by Real Option Approach (ROA). Arch. Min. Sci., Vol. 54, No. 2, p. 321-339.
• Askarinasab H., 2006. Intelligent 3D interactive open pit planning and optimization. Ph.D. Dissertation, Department of Civil and Enviromental Engineering, Edmonton, Alberta, Canada, 167 pp.
• Bongarcon F., Guibal D., 1983. Parameterization of optimal designs of an open pit beginning of a new Phase of research. AIME Transaction 274, 1801-1805.
• Demuth H., Beal M., Hagan M., 1996. Neural network toolbox 5 user's guide. Natick, MA, The Math Work, 849 pp.
• Denby B., Schofi eld D., 1993. Genetic algorithms: A new approach to pit optimization. In: Proceedings of 24rd APCOM, 126-133.
• Du K., Swamy M.N.S., 2006. Neural networks in a soft computing framework. Springer-Verlag London Limited, 609 pp.
• Fathianpour N., Mousavi A., 2008. Optimization of Esfordi mine production plan by integer linear programming in order to decrease Chlorine amount. In Proceedings of 2rd Iranian Mining Engineering Conference, Tehran.
• Frimpong S., Achireko P.K., 1997. The MCS/MFNN algorithm for open pit optimization. International Journal of Surface Mining, Reclamation and Environment, Vol. 11, 45-52.
• Frimpong S., Achireko P.K., 1998a. Conditional LAS stochastic simulation of regionalized variables in random fields. Computational Geosciences, Vol. 2, 37-45.
• Frimpong S., Whiting J.M., Szymanski J., 1998b. Stochastic- optimization annealing of an intelligent open pit mine design. Mineral Resource Engineering, Vol. 7, 15-27.
• Frimpong S., Asa E., Szymanski J., 2002a. Intelligent modeling: Advances in open pit mine design and optimization research. International Journal of Surface Mining Reclamation and Environment 2002, Vol. 16, 134-143.
• Frimpong S., Szymanski J., Narsing A., 2002b. A computational intelligent algorithm for surface mine layouts optimization. SIMULATION Journal, Vol. 78, 600-611.
• Giannini LM., 1990. Optimum design of open pit mines. Ph.D. Dissertation, Curtin University of Technology, 166 pp.
• Hustrulid W., Kuchta M., 1998. Open pit mine planning and design. 2nd Edition, Taylor and Francis Group, 836 pp.
• Hu Y.H., Hwang J.N., 2002. Handbook of neural network signal processing. CRC Press, 384 pp.
• Lerchs, H. and Grossmann, I.F., 1965. Optimum design of open pit mines. Canad. Inst. Mining Bull. 58, 47-54.
• Maimon O., Rokach L., 2005. Decomposition methodology for knowledge discovery and data mining: Theory and Applications. Series in Machine Perception and Artificial Intelligence, World Scientific Publishing, 61, 323 pp.
• Mitiche A., Lebidoff M., 2001. Pattern classifi cation by a condensed neural network. Neural Networks, Vol. 14, 575-580.
• Nikravesh M., Aminzadeh F., 2003. Soft computing for intelligent reservoir characterization and modeling development in petroleum science. Elsivier Science, Vol. 51, 19-38.
• Poulton M.M., 2001. Computational neural networks for geophysical data processing. Pergamon Flexible Learning, 352 pp.
• Shenggui Z., Starfi eld A.M., 1985. Dynamic programming with colour graphics smoothing for open-pit design on a personal computer. International Journal of Mining Engineering, Vol. 3, 27-34.
• Tolwinski B., Underwood R., 1992. An algorithm to estimate the optimal evolution of an open pit mine. In: Proceedings of 23rd APCOM, 461-471.
• Underwood R., Tolwinski B.A., 1998. A mathematical programming viewpoint for solving the ultimate pit problem. European Journal of Operational Research, Vol. 107, 96-107.
• Wright A., 1990. Open pit mine design model: introduction with Fortran 77 programs. Zellerfeld, 187 pp.
• Wright A., 1999. MOVING CONE II - A simple algorithm for optimum pit limits design. In: Proceedings of the 28rd APCOM, 367-374.
• Zhao Y., Kim Y.C., 1992. A New Optimum Pit Limit Design Algorithm. In: Proceedings of 23rd APCOM, 423-434.
• Zhang GP., 2007. Neural Networks for Data Mining. Springer US, 433 pp.