Interpretowalny ensemble Convex Stacking z Guarded Calibration do przewidywania rozmiaru fragmentów skał w burzeniu odsłonięć kopalnianych

Dlaczego ma znaczenie właściwe kruszenie skał

Gdy kopalnie detonują masyw skalny, aby udostępnić rudę, ważne jest nie tylko to, że skała pęka — liczy się też sposób, w jaki pęka. Zbyt duże fragmenty utrudniają i podwyższają koszt kruszenia oraz transportu. Zbyt drobne powodują straty energii i mogą pogorszyć przetwarzanie. W artykule przedstawiono nową, opartą na danych metodę przewidywania typowego rozmiaru fragmentów po wybuchu, której celem jest pomoc kopalniom w dostrojeniu ładunków tak, by rozkruszona skała miała „optymalny” rozmiar, oszczędzając energię, czas i koszty.

Trudność przewidywania efektów wybuchu

Prognozowanie, jak skała się rozkruszy, jest trudne, ponieważ wiele czynników działa jednocześnie. Wpływ mają naturalne właściwości skały, rozstawienie otworów strzałowych, wysokość ławy, ilość materiału wybuchowego i sposób zatkania otworów. Tradycyjne wzory, rozwijane dekady temu, oddają tylko część tej złożoności i często wymagają ponownego dostrojenia dla każdej kopalni. Nowoczesne modele uczenia maszynowego radzą sobie z większą liczbą zmiennych i subtelniejszymi wzorcami, ale bywają „czarnymi skrzynkami” i mogą słabo działać przy małych zbiorach danych, co jest powszechne w praktyce górniczej.

Model mieszany, który postępuje ostrożnie

Autorzy proponują nową metodę ensemble nazwaną Convex Stacking with Guarded Calibration (CSGC). Zamiast polegać na jednym modelu predykcyjnym, CSGC łączy sześć różnych metod uczenia maszynowego, z których każda ma swoje zalety w wykrywaniu wzorców i tłumieniu szumu. Modele te są najpierw trenowane i testowane na starannie rotowanych podzbiorach danych, aby uczciwie ocenić ich wydajność. Najlepszym przydziela się nieujemne wagi sumujące się do jedności, co zapewnia, że ostateczna prognoza jest zrównoważonym połączeniem, a nie jest zdominowana przez niestabilny odstęp. Dodatkowy krok delikatnie przesuwa wynik mieszania w stronę najsilniejszego modelu, zmniejszając ryzyko przeuczenia na cechach danych treningowych.

Barierki ostrożności dla lepszych i uczciwszych prognoz

CSGC to nie tylko uśrednianie wyników modeli. Po zmieszaniu metoda sprawdza, czy nie występują systematyczne odchylenia między przewidywanymi a obserwowanymi rozmiarami fragmentów i stosuje prostą korektę. Następnie próbuje specjalnego wygładzenia, które wymusza bardziej uporządkowane zmiany prognoz w całym zakresie wartości. Kluczowe jest to, że dodatkowa kalibracja jest zachowywana tylko wtedy, gdy poprawia wyniki na danych odłożonych podczas treningu; jeśli nie pomaga, jest wyłączana. Ta „strażnicza” konstrukcja ma zapobiegać powszechnemu błędowi zaawansowanych modeli, gdzie zwiększona złożoność poprawia wyniki na danych historycznych, ale zawodzi na nowych wybuchach.

Co dane mówią o sterowaniu procesem wybuchu

Badanie wykorzystuje 91 zapisów wybuchów z ośmiu kopalni odkrywkowych w kilku krajach, obejmujących skały od miękkich do stosunkowo twardych. Do modelu wprowadzono siedem parametrów projektowych i właściwości skały, a jako wynik wykorzystano średni rozmiar fragmentów zmierzony na zdjęciach. Przy tym stosunkowo niewielkim, lecz zróżnicowanym zbiorze danych CSGC osiąga wyższą dokładność i niższy błąd niż którykolwiek testowany pojedynczy model, w tym silna metoda gradient boosting. Aby uczynić wyniki zrozumiałymi dla inżynierów, autorzy zastosowali dwa narzędzia wyjaśniające, które pokazują, jak każdy parametr wpływa na podbicie lub obniżenie prognozy. W próbkowanych warunkach za główne dźwignie kontrolujące rozmiar fragmentów uznano sztywność skały, stosunek długości zatkania (stemming) do rzutu (burden) oraz stosunek wysokości ławy do rzutu, podczas gdy niektóre stosunki rozstawu mają niewielki wpływ w rozważanych zakresach.

Jak sztywność skały i projekt współdziałają

Narzędzia interpretowalności ujawniają także, że wpływ sztywności skały nie jest prosty ani jednokierunkowy. W miękkich skałach model często wykrywa, że szczegóły projektu wybuchu — zwłaszcza sposób zatkania górnej części otworu — mogą przeważać nad naturalną skłonnością skały do drobnego kruszenia. W skałach średnio twardych sztywność ma tendencję do zmniejszania przewidywanego rozmiaru fragmentów, podczas gdy w skałach bardzo twardych znowu zwiększa przewidywany rozmiar, sprzyjając grubszych fragmentom, o ile nie zostanie to skompensowane starannymi wyborami geometrycznymi. Te zmienne wzorce sugerują, że nie istnieje jedyna „najlepsza” zasada projektowa; skuteczne kruszenie zależy od dopasowania rozstawu otworów i detali ładunku do mechanicznych cech masywu skalnego.

Co to oznacza dla codziennej praktyki górniczej

Dla czytelnika ogólnego kluczowa wiadomość jest taka, że inteligentniejsze prognozowanie może przekształcić strzały z rzemiosła w bardziej precyzyjną naukę. Poprzez łączenie wielu modeli i wbudowanie zabezpieczeń przed nadmierną pewnością siebie, CSGC oferuje sposób na bardziej wiarygodne przewidywanie średniego rozmiaru fragmentów skały z ograniczonych danych terenowych, jednocześnie pokazując inżynierom, które parametry są najistotniejsze i jak ze sobą współdziałają. Choć obecne badanie opiera się na umiarkowanej liczbie wybuchów i nie gwarantuje jeszcze sukcesu w całkowicie nowych kopalniach, pokazuje obiecującą drogę ku wspomaganemu danymi projektowaniu wybuchów, które może ograniczyć zużycie energii, zmniejszyć zużycie sprzętu i uczynić operacje górnicze bardziej wydajnymi i przewidywalnymi.

Cytowanie: Lin, C., Sun, X., Mai, J. et al. An interpretable Convex Stacking with Guarded Calibration ensemble approach for predicting rock fragmentation in mine blasting. Sci Rep 16, 10656 (2026). https://doi.org/10.1038/s41598-026-45479-0

Słowa kluczowe: rozrywanie skał, predykcja rozmiaru fragmentów, ensemble uczenie maszynowe, optymalizacja kopalni, interpretowalność modelu