クリーン生産の原則に基づく露天掘り鉱山設計における廃石削減へのQ学習アプローチ

なぜスマートな鉱山が重要なのか

現代社会は金属に支えられています。携帯電話の銅から送電網の配線まで、それらを得るにはしばしば巨大な露天掘りを地表に刻み、膨大な量の岩石を移動させる必要があります。その大部分は廃石であり、何十年にもわたって運搬・廃棄・監視が必要になります。本研究は、人工知能、特にQ学習と呼ばれる手法を用いて、鉱山の採掘設計を見直し、廃石とその環境影響を削減しつつ鉱山の収益性を確保する新しい方法を探ります。

山を動かす見えないコスト

典型的な露天掘り銅鉱山では、技術者はまず「究極の坑郭（ultimate pit limit）」を定義します。これは採掘期間を通じて取り除く価値のある外殻です。その内側に鉱石があり、外側は採掘コストに見合わない岩石です。従来の設計法は、主に金属の販売収入から掘削・発破・運搬・加工といった直接費用を差し引いた経済性に着目しますが、廃石処理に伴う長期的な環境費用（土地劣化や汚染、酸性排水のリスクなど）はほとんど考慮されません。そのため、見かけ上は魅力的に見える坑丘でも、将来的な浄化や水処理の巨額の負債を抱え込むことがあります。

掘ることを学ぶデジタルエージェント

研究者らは坑丘設計を一度きりの計算ではなく学習問題として再定式化しました。鉱体を数千の三次元ブロックに分割し、各ブロックごとに収益、採掘コスト、処理コスト、そしてトン当たりの環境コストを慎重に見積もります。コンピュータの「エージェント」はシミュレートされた鉱山内でこれらのブロックを段階的に採掘する練習を行います。安全な壁勾配を守りつつ全体価値が増える選択をすると正の報酬を得て、勾配規則に違反したり環境影響を加味すると採算が合わなくなるブロックを追うと罰則を受けます。多くの学習サイクルを経て、エージェントはQ学習を用いて利益と廃石および環境負荷の低減とを両立する採掘方針（ポリシー）を発見します。

簡易モデルから巨大な銅坑へ

この考えを検証するため、チームはまず2次元および3次元の小規模なテスト鉱床にQ学習フレームワークを適用しました。これらの実験では、デジタルエージェントは徐々に戦略を改善しました。初期の坑丘形状はギザギザで非効率でしたが、何千もの学習ステップの後には滑らかで現実的、かつ経済的に妥当な形状になりました。重要な変化は、各ブロックの価値に環境コストを組み込んだことで、採算が合うように見えた多くの限界的なブロックが純損失に転じ、エージェントはそれらを地中に残すことを学んだ点です。結果として、採掘される鉱石量はほぼ同じままでありながら、廃石の除去量は少なくなりました。

現実の鉱業、現実のトレードオフ

実地での検証は、イラン最大級の銅鉱山の一つであるサルチェシュメ鉱山への適用から得られました。新しいQ学習ベースの設計は、純粋に経済的リターンを最適化する業界標準のLerchs–Grossmannアルゴリズムと比較されました。従来の設計は帳簿上ではやや高い利益を示しましたが、それは環境コストを見落としているためでした。一方でQ学習設計は、ほぼ同量の鉱石を回収しながら廃石を数百万トン単位で削減しました。さらに、同じコンピュータ上で実行した場合に最適化時間が約20％短くなり、結果として面積がやや小さく、土地の攪乱や酸性流出物を生む可能性のある露出物が減るようなより緊密な坑丘が得られ、意味のある収入を犠牲にすることはありませんでした。

「利益」の本当の意味を再考する

非専門家への主なメッセージは、鉱山の設計方法が短期的な利益が似ているように見えても、長期的な環境フットプリントを劇的に変えうるということです。設計の最初の段階から環境被害を実際のコストとして扱うようアルゴリズムに教えることで、この研究は、ほぼ同量の金属を採掘しつつ移動する岩石量を減らし、傷跡を小さくし、将来の浄化費用を減らせる可能性があることを示しました。言い換えれば、最も賢い鉱山とは今日の最後の一ドルを搾り取る鉱山ではなく、自然の請求書がいつか支払われることを認識し、それに備える鉱山です。

引用: 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

キーワード: 露天掘り, 廃石, 強化学習, 持続可能な鉱業, 鉱山設計