تصنيف الخام المتكامل باستخدام خوارزميات التعلم الآلي المستقلة والمهجّنة

العثور على الصخور الغنية باستخدام حواسب ذكية

تعتمد مناجم الذهب على سؤال بسيط: أي الصخور تستحق النقل إلى الكسارة، وأيها مجرد نفايات؟ في كثير من المستودعات يكون الذهب متقطعاً، ويتغير بسرعة على مسافات قليلة فقط. تُظهر هذه الدراسة كيف يمكن لمجموعة من أدوات الذكاء الاصطناعي الحديثة أن تفرز من خلال أدلة كيميائية دقيقة في أنوية الحفر لتمييز الصخور إلى خام، ومواد منخفضة الدرجة، ونفايات بدقة أكبر بكثير من الطرق التقليدية.

لماذا قراءة رواسب الذهب صعبة جداً

في منجم ساري‑غوناي للذهب متعدد المعادن غرب إيران، يحدث الذهب في عروق ضيقة وغير منتظمة داخل مزيج معقد من الصخور البركانية والرواسب. تجعل الفوالق والشقوق وتغير التمعدن محتويات الذهب تقفز فجأة من غنية إلى عقيمة على مسافات قصيرة. تكافح الأساليب الجيولوجية والإحصائية التقليدية لمجابهة هذا الاضطراب؛ إذ تفترض غالباً تغيّرات سلسة وتستخدم عدداً قليلاً من المتغيرات فقط. ومع ذلك تحتوي كل عينة نواة على ثروة من المعلومات الإضافية: كميات ضئيلة من عناصر مثل الزرنيخ، والأنتيمون، أو البزموت التي تنتقل مع السوائل الحاملة للذهب. التحدي هو تحويل هذه القياسات العديدة والمضطربة إلى قرارات واضحة حول نوع الصخر.

تحويل العناصر النزرة إلى بيانات تدريب

جمع الباحثون 190 عينة نواة من ثمانية ثقوب حفر، كل واحدة تمثل فترة مترية. لكل عينة قاسوا 19 عنصراً نزرياً باستخدام تحليل البلازما المسرّعة الحثية (ICP)، ثم صنفوا كل عينة إلى أحد الفئات الثلاث بناءً على محتواها من الذهب: خام (أكثر من 1 غرام لكل طن)، خام منخفض الدرجة (0.5–1 غ/طن)، أو نفاية (أقل من 0.5 غ/طن). استخدموا نحو ثلثي العينات في كل فئة لتدريب النماذج، وخصصوا الثلث الباقي لاختبار مدى قدرة تلك النماذج على التعرف على بيانات غير مرئية. ساعد هذا التقسيم الدقيق على تجنّب المأزق الشائع للإفراط في التكيّف، حيث تحفظ الخوارزمية بيانات التدريب وتفشل في العالم الحقيقي.

ثماني «آراء» مختلفة من التعلم الآلي

لقراءة البصمات الكيميائية، نشر الباحثون ثمانية أنواع من نماذج التعلم الآلي، تتراوح من الشبكات العصبية وأنظمة المنطق الضبابي إلى عدة طرق تعزيز تمزج كثيراً من أشجار القرار البسيطة. تعلم كل نموذج كيف تمثل الأنماط في العناصر النزرة الـ19 الفئات الثلاث للصخور. قام الفريق بضبط الإعدادات الرئيسية لكل خوارزمية تلقائياً، مختبراً آلاف التباينات لتعظيم ثلاثة مقاييس أداء: الدقة العامة (مدى صحة الفئة)، والنقاوة/الدقة (مدى صفاء كل فئة متوقعة)، والاستدعاء (كمية عينات الخام أو النفاية الحقيقية التي تم العثور عليها). من بين الطرق الفردية، أعطت نهج شجرة القرار المعززة المسماة AdaBoost أفضل توازن، حيث صنفت بشكل صحيح ما يقرب من 90٪ من عينات الاختبار وارتكبت أقل الأخطاء عبر خام، وخام منخفض الدرجة، ونفاية.

بناء لجنة من النماذج

بدلاً من التوقف عند الأفضل منفرداً، تساءل المؤلفون عما إذا كان دمج جميع «الآراء» الثمانية قد يحقق أداءً أفضل. بنوا آلة لجنة: نموذج نهائي يأخذ مخرجات الخوارزميات المستقلة الثمانية ويكوّن متوسطاً مرهوناً بالأوزان. لتحديد مقدار الثقة الممنوحة لكل عضو، استخدموا استراتيجيتين تحسين مستوحتين من العمليات الطبيعية—الخوارزميات الجينية والمحاكاة الحرارية. تبحث هاتان الطريقتان عبر كثير من تراكيب الأوزان الممكنة لإيجاد المزيج الذي يعطي أعلى دقة اختبار. في أفضل تكوينات اللجنة، حملت AdaBoost ونظام هجين عصبي‑ضبابي أكبر الأوزان، بينما أسهمت النماذج الأضعف بتصحيحات أصغر.

قرارات أكثر حدة للمَنْجَم

تفوقت نسختا اللجنة على النماذج الفردية بشكل كبير. بينما كانت الدقة المتوسطة للنماذج المستقلة حوالي 88٪، وصلت اللجنة المحسّنة إلى نحو 94٪ في الدقة والنقاوة والاستدعاء على مجموعة الاختبار المستقلة—تحسّن بنسبة 7.28٪. قُطعت العينات المصنفة خطأً بما يقارب النصف مقارنةً بـ AdaBoost وحده. بالنسبة لمنجم يعمل، يترجم هذا التحسّن مباشرة إلى عدد أقل من الأمتار الغنية التي تُرمى كنفايات وكمية أقل من الصخور العقيمة المرسلة إلى الكسارة. ببساطة، تُظهِر الدراسة أن مزج نهجات تعلم آلي متعددة، موجهة بخوارزميات تحسين، يمكن أن يحول آثاراً كيميائية طفيفة إلى قرارات موثوقة على مقياس المنجم حول مكان وجود الذهب الحقيقي.

الاستشهاد: Gholami Vijouyeh, A., Kadkhodaie, A., Siahcheshm, K. et al. Integrated ore classification using stand-alone and hybridised machine learning algorithms. Sci Rep 16, 14625 (2026). https://doi.org/10.1038/s41598-026-42248-x

الكلمات المفتاحية: تصنيف خام الذهب, جيوكيمياء العناصر النزرة, التعلم الآلي في التعدين, نماذج التجميع, تحليل نواة الحفر