סיווג עפרות משולב באמצעות אלגוריתמים של למידת מכונה עצמאיים והיברידיים

למצוא סלעים עשירים עם מחשבים חכמים

מכרות זהב חיים או מתים על שאלה פשוטה: אילו סלעים שווים לגרירה למטחנה, ואילו הם רק פסולת? ברבים מהמצבורות הזהב מופיע באופן פסקתי, ומשתנה במהירות על פני כמה מטרים בלבד. מאמר זה מציג כיצד מערך של כלי בינה מלאכותית מודרניים יכול להזין רמזים כימיים עדינים מתוך ליבות קידוח כדי למיין סלעים לעפרה, חומר דליל ופסולת באמינות גבוהה יותר משיטות מסורתיות.

למה מצבורות זהב כל כך קשות לפענוח

במכרה הסארי-גונאיי זהב–פולימטלית במערב איראן, הזהב מצוי בעורקים צרים ולא סדירים בתוך תערובת מורכבת של סלעים וולקניים וסדימנטריים. שברים, קרעים ושינויים במינרליזציה גורמים לתכולת הזהב להקפיץ בחדות מעשירה לריקה במרחקים קצרים. גישות גאולוגיות וסטטיסטיות קלאסיות מתקשות בסדר כזה; הן לעיתים מניחות שינויים חלקים ומשתמשות רק במספר מצומצם של משתנים. ואולם בכל ליבת קידוח טמונים פרטים נוספים: כמויות זעירות של יסודות כגון ארסן, אנטימון או ביסמוט שנודדים עם נוזלי ההעשרה. האתגר הוא להפוך את המדידות הרבות והרועשות האלה להחלטות ברורות על סוג הסלע.

להפוך יסודות עקבה לנתוני אימון

המחברים אספו 190 דגימות ליבה משמונה חוריי קידוח, כשכל דגימה מייצגת מרווח של מטר אחד. עבור כל דגימה מדדו 19 יסודות עקבה באמצעות ניתוח פלזמה מקורר (ICP), ולאחר מכן סיווגו כל דגימה לאחד משלושת המחלקות על בסיס תכולת הזהב: עפרה (יותר מ-1 גרם לטון), עפרה דלילה (0.5–1 ג/ט), או פסולת (פחות מ-0.5 ג/ט). בערך שני שלישים מהדגימות בכל מחלקה שימשו לאימון המודלים, והשליש הנותר הועבר לבחינה של עד כמה המודלים מסוגלים לזהות נתונים שלא נראו קודם. החלוקה הזהירה הזו עזרה להימנע ממלכוד שכיח של התאמה-יתר, שבו אלגוריתם שינן את מערך האימון אך נכשל בעולם האמיתי.

שמונה "דעות" שונות ממידול מכונה

כדי לקרוא את החתימות הכימיות, החוקרים פרסו שמונה סוגי מודלים של למידת מכונה, החל מרשתות נוירונים ומערכות לוגיקה מטושטשת ועד מספר שיטות הנעת חיזוק (boosting) שמשלבות עצי החלטה פשוטים רבים. כל מודל למד כיצד דפוסים ב-19 היסודות העקבה מקבילים לשלוש מחלקות הסלע. הצוות כיוון באופן אוטומטי הגדרות מפתח לכל אלגוריתם, ובחן אלפי וריאציות כדי למקסם שלושה מדדי ביצוע: דיוק כולל (כמה פעמים הסיווג היה נכון), דיוק חיזוי (כמה נקי כל מחלקה חזויה הייתה), וזכירה (כמה דגימות עפרה או פסולת אמיתיות אותרו בהצלחה). בין השיטות הבודדות, גישת עץ החלטה בוסטרית בשם AdaBoost נתנה את האיזון הטוב ביותר, וסיווגה נכונה כמעט 90% מהדגימות במערך הבדיקה וגרמה למספר הטעויות הנמוך ביותר בין עפרה, דלילה ופסולת.

לבנות ועדת מודלים

במקום להסתפק במבצע היחיד הטוב ביותר, המחברים בדקו האם שילוב כל שמונת ה"דעות" יכול להניב תוצאה עוד יותר טובה. הם בנו מכונה וועדה: מודל סופי שלוקח את התוצרי שמונת האלגוריתמים העצמאיים ומרכיב ממוצע משוקלל. כדי להחליט כמה לסמוך על כל חבר, השתמשו בשתי אסטרטגיות אופטימיזציה בהשראת תהליכים טבעיים—אלגוריתמים גנטיים ואנילינג מדומה (simulated annealing). אלה מחפשים בין קומבינציות משקלים רבות כדי למצוא את השילוב שמביא את הדיוק הגבוה ביותר בבדיקה. בתצורות הוועדה הטובות ביותר, ל-AdaBoost ולמערכת היברידית נוירו-מטושטשת היו המשקלים הגדולים ביותר, בעוד שמודלים חלשים יותר תרמו תיקונים קטנים יותר.

החלטות חדות יותר למכרה

שתי גרסאות הוועדה השיגו ביצועים משופרים משמעותית על פני המודלים הבודדים. בעוד הדיוק הממוצע של כל מודל עצמאי עמד על כ-88%, הוועדה המיועלת הגיעה לכ-94% דיוק, דיוק חיזוי וזכירה על מערך הבדיקה העצמאי—שיפור של 7.28%. הדגימות שסווגו בטעות צומצמו כמעט בחצי בהשוואה ל-AdaBoost לבדו. עבור מכרה פועל, השיפור הזה מתורגם ישירות לפחות מטרים עשירים שמושלכים כפסולת ופחות סלע ריק שנשלח למטחנה. במלים פשוטות, המחקר מראה ששילוב של גישות למידת מכונה מרובות, בהנחיית אלגוריתמים לאופטימיזציה, יכול להפוך עקבות כימיות עדינות להחלטות מוצקות בקנה מידה מכרתי לגבי היכן נמצא הזהב האמיתי.

ציטוט: 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

מילות מפתח: סיווג עפרות זהב, גאוכימיה של יסודות עקבה, למידת מכונה בענף הכרייה, דגמי אנבמה, ניתוח ליבות קידוח