نهج Q-learning لتقليل الصخور النفاية في تصميم المناجم السطحية بناءً على مبادئ الإنتاج الأنظف

لماذا تهم المناجم الأذكى

تعتمد المجتمعات الحديثة على المعادن، من النحاس في هواتفنا إلى الأسلاك في شبكات الطاقة. الحصول على هذه المعادن غالبًا ما يعني حفر حفر سطحية ضخمة وتحريك كميات هائلة من الصخور. ومعظم هذه الصخور تعتبر نفاية يجب نقلها ورميها ومراقبتها لعقود. تستكشف هذه الدراسة طريقة جديدة لتصميم المناجم السطحية تستخدم الذكاء الاصطناعي، وتحديدًا طريقة تُدعى Q-learning، لتقليل صخور النفاية وأضرارها البيئية مع الحفاظ على ربحية المناجم.

التكلفة الخفية لتحريك الجبال

في منجم نحاس سطحي نموذجي، يحدد المهندسون أولاً "الحد النهائي للحفرة"—الهيكل الخارجي للصخر الذي يستحق الإزالة خلال عمر المنجم. داخل هذا الهيكل يكمن الخام الذي يحتوي على المعدن القيم؛ وخارجه توجد صخور يكون استخراجها مكلفًا للغاية. تركز طرق التصميم التقليدية تقريبًا بالكامل على العائد المالي من بيع المعدن مخصومًا من تكاليف الحفر والتفجير والنقل والمعالجة المباشرة. وتتجاهل إلى حد كبير الفواتير البيئية طويلة الأمد للتعامل مع صخور النفاية، مثل تدهور الأراضي والتلوث وخطر استنزاف الأحماض من المناجم. نتيجة لذلك، قد تبدو الحفرة جذابة على الورق بينما تُقفل بهدوء بالتزامات هائلة مستقبلية لإصلاح الأضرار ومعالجة المياه.

تعليم وكيل رقمي للحفر

أعاد الباحثون صياغة تصميم الحفرة كمشكلة تعليمية بدلاً من حساب مرة واحدة. قسموا جسم الخام إلى آلاف الكتل الثلاثية الأبعاد، لكل منها إيرادها وتكلفة استخراجها وتكلفة معالجتها وتكلفة بيئية مقدرة بعناية لكل طن من الخام والنفاية. ثم يتدرّب "وكيل" حاسوبي على استخراج هذه الكتل خطوة بخطوة داخل محاكاة للمنجم. عندما يختار كتلًا تزيد القيمة الإجمالية مع احترام زوايا الجدران الآمنة، يحصل على مكافأة إيجابية؛ وعندما يخالف قواعد الانحدار أو يلاحق كتلًا تصبح غير مربحة بعد احتساب الأثر البيئي، يُعاقب. على مدى دورات تدريبية عديدة، يستخدم الوكيل Q-learning لاكتشاف نمط تعدين—سياسة—توفر توازنًا بين الربح وتقليل النفاية وتقليل الأعباء البيئية.

من نماذج لعب إلى حفرة نحاسية عملاقة

لاختبار الفكرة، طبّق الفريق إطار Q-learning أولًا على رواسب اختبارية صغيرة ثنائية وثلاثية الأبعاد. في هذه التجارب، حسّن الوكيل الرقمي استراتيجيته تدريجيًا: كانت أشكال الحفر المبكرة متعرجة وغير فعالة، لكن بعد آلاف خطوات التعلم أصبحت الحفر ناعمة وواقعية ومجدية اقتصاديًا. وكان التغيير الرئيسي أنه بمجرد إدخال التكاليف البيئية في قيمة كل كتلة، تحولت العديد من الكتل الحدية التي بدت جذابة سابقًا إلى خسائر صافية، فتعلم الوكيل تركها في الأرض. والأهم أن الحفر الناتجة استخرجت تقريبًا نفس كمية الخام لكن تطلّبت إزالة نفايات صخرية أقل.

التعدين الواقعي، الموازنون الواقعيون

جاء الدليل الحقيقي من تطبيق المنهج على منجم سرچشمه للنحاس في إيران، وهو من أكبر عمليات النحاس في البلاد. قورنت تصميمات Q-learning الجديدة بخوارزمية Lerchs–Grossmann المعتمدة صناعيًا، والتي تُحسّن من أجل العائد المالي فقط. أنتج التصميم التقليدي ربحًا أعلى بصورة طفيفة على الورق لكنه فعل ذلك بتجاهل التكاليف البيئية. مقابل ذلك، قلل تصميم Q-learning من صخور النفاية بملايين الأطنان مع استرداد كمية خام تكاد تكون نفسها. كما عمل بسرعة أكبر على نفس الحاسوب، مخفضًا زمن التحسين بنحو 20 في المئة. كانت النتيجة النهائية حفرة أصغر وأكثر تماسكًا ستؤثر على مساحة أرض أقل وتعرض مادة أقل قادرة على توليد جريان حمضي، دون التضحية بعائد مالي ذي معنى.

إعادة التفكير فيما يعنيه "الربح" فعلاً

لغير المتخصصين، الرسالة الأساسية هي أن طريقة تصميمنا للمناجم يمكن أن تغير بشكل كبير بصمتها على المدى الطويل، حتى لو بدت الأرباح قصيرة الأجل متشابهة. من خلال تعليم خوارزمية اعتبار الأضرار البيئية تكلفة حقيقية منذ خطوة التصميم الأولى، تُظهر الدراسة أنه من الممكن استخراج ما يقرب من نفس كمية المعدن بينما نحرك صخورًا أقل، ونترك ندبة أصغر، وعلى الأرجح ندفع أقل مقابل التنظيف لاحقًا. بعبارة أخرى، المنجم الأذكى ليس ذلك الذي يستخرج كل دولار اليوم، بل ذلك الذي يدرك أن فاتورة الطبيعة ستأتي في النهاية—ويخطط لذلك.

الاستشهاد: Badakhshan, N., Bakhtavar, E., Shahriar, K. et al. A Q-learning approach to waste rock reduction in open-pit mine design based on cleaner production principles. Sci Rep 16, 6447 (2026). https://doi.org/10.1038/s41598-026-35892-w

الكلمات المفتاحية: التعدين السطحي, صخور النفاية, التعلم المعزز, التعدين المستدام, تصميم المناجم