AI prövas från malmblandning till gruvavfall
Sex bidrag i ett temanummer av tidskriften Minerals visar hur maskininlärning används för bland annat malmblandning, mineralidentifiering, malning, flotation och lakning. Samtidigt återkommer samma hinder genom hela processkedjan: begränsade data, svårmätta variabler och brist på validering i verklig drift.
Maskininlärning används allt oftare inom gruvdrift, mineralprocessning och extraktiv metallurgi. Processerna är ofta komplexa och svåra att beskriva med enbart traditionella modeller, samtidigt som variationerna i malmens sammansättning påverkar flera efterföljande processteg.
I ett temanummer av den öppet tillgängliga tidskriften Minerals samlas fem forskningsartiklar och en litteraturöversikt. Temanumrets redaktörer Javier Ruiz-del-Solar, Humberto Estay och Pia Lois-Morales sammanfattar bidragen i en introducerande artikel som ger en bild av några aktuella tillämpningar och de problem som forskningen försöker lösa.
Sex exempel från processkedjan
Det första bidraget är en litteraturöversikt över databaserade metoder för malmblandning. En jämnare sammansättning på materialet som matas in i anrikningsverket kan göra efterföljande processer stabilare, men forskarna pekar på bristande datakvalitet och svårigheter att överföra modeller mellan olika anläggningar.
Ett annat bidrag behandlar automatisk identifiering av mineral i mikroskopbilder. En biologiskt inspirerad djupinlärningsmodell nådde högre träffsäkerhet än den jämförda grundmodellen, särskilt när bilderna hade låg upplösning eller innehöll störningar.
I ett tredje arbete användes driftdata från en chilensk koppargruva för att bygga en bayesisk nätverksmodell för en semiautogen kvarn, en så kallad SAG-kvarn. Modellen ska framför allt göra det lättare att förstå hur olika driftvariabler påverkar produktion och effektbehov under osäkra förhållanden.
De övriga bidragen behandlar utformning av flotationsprocesser, uppskattning av svårmätta variabler vid kopparlakning samt prognoser för hållfastheten hos cementerad återfyllnad som innehåller anrikningssand.
Proceskunskap behöver byggas in
En återkommande slutsats är att modellerna inte kan förlita sig enbart på stora datamängder. Industriella processdata är ofta ofullständiga eller ojämnt insamlade, och viktiga förhållanden inne i kvarnar, lakningshögar och annan utrustning kan inte alltid mätas direkt.
Flera av studierna kombinerar därför maskininlärning med fysikaliska modeller, statistiska metoder eller operatörernas processkunskap. Författarna lyfter också fram virtuella sensorer, det vill säga modeller som uppskattar variabler som inte kan mätas kontinuerligt med fysiska givare.
Modellerna behöver dessutom vara begripliga för dem som ska använda resultaten. En träffsäker prognos har begränsat värde om processoperatören inte kan förstå vilka variabler som påverkar utfallet eller vilka åtgärder modellen motiverar.
Verklig drift återstår att visa
Artiklarna visar tillsammans en stor bredd av möjliga tillämpningar, men ger inte belägg för att samtliga metoder är färdiga för industriell användning. Redaktörerna efterlyser därför bättre sensorer, mer enhetliga datamodeller och tekniska lösningar som kan integreras med befintliga styrsystem. Framför allt behövs fler försök som visar mätbara förbättringar i fullskalig drift. Den slutsatsen är minst lika viktig som enskilda modellresultat. Maskininlärningens potential avgörs med andra ord inte bara av algoritmernas träffsäkerhet, utan av tillgången till tillförlitliga processdata och möjligheten att omsätta resultaten i den dagliga produktionen.
Referens: Javier Ruiz-del-Solar, Humberto Estay och Pia Lois-Morales, ”Application of Machine Learning in Mining, Mineral Processing and Extractive Metallurgy”, Minerals, volym 16, nummer 7, artikel 719, 2026. Läs artikeln