En Q-lärandeansats för minskning av dagbrutningsavfall i dagbrutningsdesign baserad på principer för renare produktion

Varför smartare gruvor spelar roll

Det moderna samhället är beroende av metaller, från kopparen i våra telefoner till ledningarna i elnäten. Att utvinna dessa metaller innebär ofta att man skär ut enorma dagbrott i marken och flyttar kolossala mängder berg. Det mesta av detta berg är avfall som måste transporteras, deponeras och övervakas i årtionden. Den här studien undersöker ett nytt sätt att utforma dagbrott som använder artificiell intelligens, specifikt en metod kallad Q-lärande, för att minska avfallsberg och dess miljöskador samtidigt som gruvorna förblir lönsamma.

Den dolda kostnaden i att flytta berg

I ett typiskt dagbrott för koppar definierar ingenjörer först det ultimata dagbrottets gräns—yttre skalet av berg som är värt att ta bort under gruvans livstid. Inuti det skalet finns malm som innehåller värdefulla metaller; utanför ligger berg som är för kostsamt att bryta. Traditionella designmetoder fokuserar nästan uteslutande på intäkter från metallen minus direkta kostnader för borrning, sprängning, transport och bearbetning. De ignorerar i stor utsträckning långsiktiga miljökostnader för hantering av avfallsberg, såsom markförstöring, föroreningar och risken för sur avrinning från gruvor. Som ett resultat kan ett dagbrott se attraktivt ut på papper men tyst låsa in stora framtida ansvar för sanering och vattenrening.

Att lära en digital agent att gräva

Forskarna omformulerade dagbrottsdesignen som ett inlärningsproblem snarare än en engångsberäkning. De delar malmkroppen i tusentals tredimensionella block, varje block med sina egna intäkter, brytkostnader, bearbetningskostnader och en noggrant uppskattad miljökostnad per ton för malm och avfall. En datoriserad ”agent” övar sedan på att bryta dessa block steg för steg i en simulerad gruva. När den väljer block som ökar det totala värdet samtidigt som säkra bergväggsvinklar respekteras får den en positiv belöning; när den bryter mot sluttningregler eller jagar block som blir olönsamma när miljöpåverkan räknas in blir den straffad. Under många träningscykler använder agenten Q-lärande för att upptäcka ett brytmönster—en policy—som balanserar vinst med mindre avfall och färre miljöbelastningar.

Från leksaksmodeller till ett jättelikt koppargruva

För att testa idén tillämpade teamet först Q-läranderamverket på små två- och tredimensionella testförekomster. I dessa experiment förbättrades den digitala agentens strategi gradvis: tidiga dagbrottsformer var taggiga och ineffektiva, men efter tusentals inlärningssteg blev dagbrotten släta, realistiska och ekonomiskt hållbara. Den avgörande förändringen var att när miljökostnader byggdes in i varje blocks värde blev många marginalblock som tidigare såg attraktiva till nettona förluster, så agenten lärde sig att lämna dem i marken. Viktigt är att de resulterande dagbrotten bröt nära samma mängd malm men krävde mindre avfallsborttagning.

Verklig gruvdrift, verkliga avvägningar

Det verkliga beviset kom från att tillämpa metoden på Sarcheshmeh-koppargruvan i Iran, en av landets största kopparverksamheter. Den nya Q-lärande-baserade designen jämfördes med branschstandarden Lerchs–Grossmann-algoritmen, som optimerar enbart för finansiell avkastning. Den traditionella designen gav något högre pappersmässig vinst men gjorde det genom att förbise miljökostnader. Q-lärande-designen, däremot, minskade avfallsberg med miljontals ton samtidigt som den återvann nästan exakt samma mängd malm. Den kördes också snabbare på samma dator och minskade optimeringstiden med cirka 20 procent. Slutresultatet var ett något mindre, mer kompakt dagbrott som skulle störa mindre mark och exponera mindre material som kan generera sur avrinning, utan att offra betydande intäkter.

Ompröva vad ”vinst” egentligen betyder

För icke-specialister är huvudbudskapet att hur vi utformar gruvor kan dramatiskt förändra deras långsiktiga fotavtryck, även om kortsiktiga vinster ser likartade ut. Genom att lära en algoritm att behandla miljöskada som en verklig kostnad redan från första designsteget visar studien att det är möjligt att bryta nästan lika mycket metall samtidigt som man flyttar mindre berg, lämnar ett mindre ärr och sannolikt betalar mindre för sanering senare. Med andra ord är den smartaste gruvan inte den som pressar ut varje sista dollar idag, utan den som inser att naturens räkning så småningom kommer och planerar därefter.

Citering: 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

Nyckelord: dagbrott, avfallsberg, förstärkningsinlärning, hållbart gruvdrift, gruvolycka