Een Q-learningbenadering voor vermindering van afvalgesteente in open-pit mijnontwerp gebaseerd op principes van schonere productie

Waarom Slimmere Mijnbouw Ertoe Doet

De moderne samenleving draait op metalen, van het koper in onze telefoons tot de bedrading in energienetten. Het winnen van die metalen betekent echter vaak het uitsnijden van enorme dagbouwgaten in de aarde en het verplaatsen van enorme hoeveelheden gesteente. Het merendeel daarvan is afval dat decennialang vervoerd, gestort en gemonitord moet worden. Deze studie onderzoekt een nieuwe manier om dagbouwmijnen te ontwerpen die kunstmatige intelligentie gebruikt, specifiek een methode genaamd Q-learning, om afvalgesteente en de bijbehorende milieuschade te verminderen, terwijl de winstgevendheid van de mijn behouden blijft.

De Verborgen Kosten van het Verplaatsen van Bergen

In een typische koperdagbouwmijn bepalen ingenieurs eerst de ultieme pitrand—de buitenste schil van gesteente die de moeite waard is om te verwijderen gedurende de levensduur van de mijn. Binnen die schil ligt ertslagen met waardevol metaal; erbuiten ligt gesteente dat te kostbaar is om te delven. Traditionele ontwerpmethoden richten zich vrijwel uitsluitend op de inkomsten uit de verkoop van metaal minus de directe kosten van boren, schieten, vervoeren en verwerken. Ze negeren grotendeels de langetermijnkosten voor de omgang met afvalgesteente, zoals landdegradatie, vervuiling en het risico op zure mijnlozingen. Daardoor kan een pit op papier aantrekkelijk lijken, terwijl die stilletjes enorme toekomstige verplichtingen voor opruiming en waterbehandeling vastlegt.

Een Digitaal Agent Leren Graven

De onderzoekers herschreven het pitontwerp als een leerprobleem in plaats van een eenmalige berekening. Ze delen het ertslijf op in duizenden driedimensionale blokken, elk met eigen opbrengst, mijnbouwkosten, verwerkingskosten en een zorgvuldig geschatte milieukost per ton ertsmateriaal en afval. Een computer"agent" oefent vervolgens met het delven van die blokken stap voor stap binnen een gesimuleerde mijn. Wanneer hij blokken kiest die de totale waarde verhogen en tegelijk veilige wandhoeken respecteren, krijgt hij een positieve beloning; wanneer hij hellingsregels overtreedt of blokken na verwerking van milieukosten onrendabel blijken, krijgt hij een straf. Gedurende vele trainingscycli gebruikt de agent Q-learning om een delvingspatroon—een beleid—te ontdekken dat winst in balans brengt met minder afval en minder milieubelasting.

Van Speelgoedmodellen naar een Gigantische Kopergroeve

Om het idee te testen, paste het team het Q-learningkader eerst toe op kleine twee- en driedimensionale testvoorraden. In deze experimenten verbeterde de digitale agent geleidelijk zijn strategie: vroege pitvormen waren gekarteld en inefficiënt, maar na duizenden leerstappen werden de pitranden vloeiender, realistischer en economisch gezond. De cruciale verandering was dat wanneer milieukosten in de waarde van elk blok werden ingebouwd, veel marginale blokken die eerst aantrekkelijk leken, nettoverliezen werden; de agent leerde ze in de grond te laten. Belangrijk is dat de resulterende piten bijna evenveel ertsmateriaal wonnen maar minder afvalgesteente vereisten om te verwijderen.

Mijnbouw in de Praktijk, Praktische Afwegingen

Het echte bewijs kwam uit de toepassing van de methode op de Sarcheshmeh-kopermijn in Iran, een van de grootste koperoperaties in het land. Het nieuwe Q-learning-gebaseerde ontwerp werd vergeleken met het industrieel gangbare Lerchs–Grossmann-algoritme, dat puur optimaliseert voor financieel rendement. Het traditionele ontwerp leverde op papier iets hogere winst, maar deed dat door milieukosten over het hoofd te zien. Het Q-learningontwerp daarentegen verminderde het afvalgesteente met miljoenen tonnen, terwijl het bijna precies dezelfde hoeveelheid erts terugwon. Het liep ook sneller op dezelfde computer en verkortte de optimalisatietijd met ongeveer 20 procent. Het eindresultaat was een iets kleinere, compacter pit die minder land zou verstoren en minder materiaal blootlegt dat zure afstroming kan veroorzaken, zonder noemenswaardige inkomsten op te geven.

Hernieuwd Begrijpen van Wat "Winst" Echt Betekent

Voor niet-specialisten is de belangrijkste boodschap dat de manier waarop we mijnen ontwerpen dramatisch hun langetermijnvoetafdruk kan veranderen, zelfs als de kortetermijnwinsten vergelijkbaar lijken. Door een algoritme vanaf de allereerste ontwerpfase milieuschade als echte kosten te laten beschouwen, toont de studie aan dat het mogelijk is bijna evenveel metaal te winnen terwijl er minder gesteente wordt verplaatst, een kleinere litteken achterblijft en waarschijnlijk minder betaald hoeft te worden voor opruiming later. Met andere woorden: de slimste mijn is niet degene die vandaag elke laatste dollar uitperst, maar degene die erkent dat de rekening van de natuur uiteindelijk binnenkomt—en er naar handelt.

Bronvermelding: 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

Trefwoorden: open-pit mijnbouw, afvalgesteente, versterkend leren, duurzame mijnbouw, mijnontwerp