Throughout the life of a mining project, the accuracy in knowledge of rock mass properties is the most relevant aspect for planning and design stages, as it has a direct impact on safety and effectiveness during construction and production processes. In the last decade, the impact of digitalization in the mining industry, specifically the implementation of technologies based on data capture and processing, has provided a significant advancement in the use of information for process improvement. In this regard, rock drilling corresponds to a recurring operation at different stages of the mining process exploration, construction, and production from which valuable information on the mechanical behavior of the rock can be obtained.
The main objectives of this thesis focus on advancing the implementation of intelligent drilling systems, which include the processing of work signals with artificial intelligence techniques to generate models that represent the mechanical response of the rock. Specifically, new techniques for processing data obtained from drilling and additional calibration measurements are studied, implemented in different operational and geological contexts, and for different drilling/data acquisition technologies. The analysis focuses on recognizing the structural and strength characteristics of the rock, considering that these are the most relevant for the design of downstream processes such as explosive charging and material processing. Additionally, advancing the operational implementation of this technology is included as a relevant objective by proposing a framework, a data management structure, and processing and visualization tools.
This work includes a massive amount of data approximately 200,000 drilling records, 700 drilled boreholes, 8,000 drilled meters, 840 geochemical samples, and 300 endoscope records collected from measurements executed in four case studies. These data are captured within the framework of the objectives of three applied research projects funded by the European Union. The databases are processed with machine learning techniques to obtain rock type classification models that represent the geotechnical characteristic defined as the target to identify according to each operational context. One of the main limitations of this process corresponds to the data balance between different classes, which directly impacts the learning capacity of their characteristics by machine learning models. The application of data resampling techniques and hybrid classification models is proposed as a solution to this problem. The results obtained indicate high precision of the models in identifying geotechnical characteristics through key classification metrics, as well as the analysis of the working parameters of the drilling system that contribute most to the model. Due to their high reliability, these models are used as input information to design explosive loading and correlate it with blasting results such as fragmentation or processing results.
The conclusions indicate that, although the models are developed specifically according to the characteristics of each operation mainly geological context and available drilling technology the methodologies are generalizable within the construction and production stages of the projects. In this context, artificial intelligence techniques such as machine learning have proven effective for creating classification and regression models that enable rapid characterization of the geotechnical properties of rocks. The contribution of this work to the implementation of intelligent drilling technology in mining operations is key to driving its continuous application during the coming years, which is identified as the main challenge for the future.
RESUMEN
Durante la vida de un proyecto minero, la precisión en el conocimiento de las propiedades del macizo rocoso es el aspecto más relevante para las etapas de planificación y diseño, ya que presenta un impacto directo en la seguridad y efectividad durante los procesos de construcción y producción. En la última década, el impacto de la digitalización en la industria minera, en específico la implementación de tecnologías basadas en la captura y procesamiento de datos, ha proporcionado un avance significativo en el uso de la información para la mejora de procesos. En este aspecto, la perforación de la roca corresponde a una operación recurrente en diferentes etapas del proceso minero exploración, construcción y producción de la cual se puede obtener información valiosa del comportamiento mecánico de la roca.
Los objetivos principales de esta tesis se enfocan en avanzar en la implementación de sistemas de perforación inteligente, que incluyen el procesamiento de las señales de trabajo con técnicas de inteligencia artificial para generar modelos que representan la respuesta mecánica de la roca. De manera específica, se estudian nuevas técnicas de procesamiento de los datos obtenidos desde la perforación y medidas adicionales de calibración, implementadas en diferentes contextos operacionales, geológicos, y para diferentes tecnologías de perforación/adquisición de datos. El análisis se centra en reconocer las características estructurales y de resistencia de la roca al considerar que estas son las más relevantes para el diseño de los procesos aguas abajo como el carguío de explosivo y el procesamiento del material. Además, se incluye como objetivo relevante avanzar en la implementación operacional de esta tecnología proponiendo un marco de trabajo, una estructura de gestión de datos y herramientas de procesamiento y visualización.
Este trabajo incluye una cantidad masiva de datos aproximadamente 200,000 registros de perforación, 700 barrenos perforados, 8,000 metros perforados, 840 muestras geoquímicas y 300 registros de endoscopio recolectados desde medidas ejecutadas en diferentes casos de estudio. Estos datos son capturados en el marco de los objetivos de tres proyectos de investigación aplicada financiados por la Unión Europea. Las bases de datos son procesadas con técnicas de machine learning para obtener modelos de clasificación del tipo de roca, que representen la característica geotécnica definida como objetivo a identificar según cada contexto operativo. Una de las principales limitaciones de este proceso corresponde al balance de datos entre las diferentes clases, lo que impacta de manera directa la capacidad de aprendizaje de sus características por parte de los modelos de machine learning. La aplicación de técnicas de remuestreo de datos y modelos híbridos de clasificación se plantean como solución para esta problemática. Los resultados obtenidos indican alta precisión de los modelos en la identificación de las características geotécnicas a través de métricas claves de clasificación, así como también el análisis de los parámetros de trabajo del sistema de perforación que más contribuyen en el modelo. Debido a su alta confiabilidad, estos modelos son utilizados como información de entrada para realizar diseños de carguío de explosivos y correlacionarlo con resultados de la voladura como la fragmentación o resultados de procesamiento.
Las conclusiones indican que, a pesar de que los modelos son desarrollados de manera específica acorde a las características de cada operación principalmente contexto geológico y tecnología de perforación disponible, las metodologías son generalizables dentro de las etapas de construcción y producción de los proyectos. En este contexto, las técnicas de inteligencia artificial como machine learning han demostrado ser eficaces para crear modelos de clasificación y regresión que permiten una caracterización rápida de las propiedades geotécnicas de las rocas. La contribución de este trabajo a la implementación de la tecnología de perforación inteligente en operaciones mineras es clave para impulsar su aplicación de manera continua durante los próximos años, lo cual se identifica como el principal desafío a futuro.
Throughout the life of a mining project, the accuracy in knowledge of rock mass properties is the most relevant aspect for planning and design stages, as it has a direct impact on safety and effectiveness during construction and production processes. In the last decade, the impact of digitalization in the mining industry, specifically the implementation of technologies based on data capture and processing, has provided a significant advancement in the use of information for process improvement. In this regard, rock drilling corresponds to a recurring operation at different stages of the mining process exploration, construction, and production from which valuable information on the mechanical behavior of the rock can be obtained.
The main objectives of this thesis focus on advancing the implementation of intelligent drilling systems, which include the processing of work signals with artificial intelligence techniques to generate models that represent the mechanical response of the rock. Specifically, new techniques for processing data obtained from drilling and additional calibration measurements are studied, implemented in different operational and geological contexts, and for different drilling/data acquisition technologies. The analysis focuses on recognizing the structural and strength characteristics of the rock, considering that these are the most relevant for the design of downstream processes such as explosive charging and material processing. Additionally, advancing the operational implementation of this technology is included as a relevant objective by proposing a framework, a data management structure, and processing and visualization tools.
This work includes a massive amount of data approximately 200,000 drilling records, 700 drilled boreholes, 8,000 drilled meters, 840 geochemical samples, and 300 endoscope records collected from measurements executed in four case studies. These data are captured within the framework of the objectives of three applied research projects funded by the European Union. The databases are processed with machine learning techniques to obtain rock type classification models that represent the geotechnical characteristic defined as the target to identify according to each operational context. One of the main limitations of this process corresponds to the data balance between different classes, which directly impacts the learning capacity of their characteristics by machine learning models. The application of data resampling techniques and hybrid classification models is proposed as a solution to this problem. The results obtained indicate high precision of the models in identifying geotechnical characteristics through key classification metrics, as well as the analysis of the working parameters of the drilling system that contribute most to the model. Due to their high reliability, these models are used as input information to design explosive loading and correlate it with blasting results such as fragmentation or processing results.
The conclusions indicate that, although the models are developed specifically according to the characteristics of each operation mainly geological context and available drilling technology the methodologies are generalizable within the construction and production stages of the projects. In this context, artificial intelligence techniques such as machine learning have proven effective for creating classification and regression models that enable rapid characterization of the geotechnical properties of rocks. The contribution of this work to the implementation of intelligent drilling technology in mining operations is key to driving its continuous application during the coming years, which is identified as the main challenge for the future.
RESUMEN
Durante la vida de un proyecto minero, la precisión en el conocimiento de las propiedades del macizo rocoso es el aspecto más relevante para las etapas de planificación y diseño, ya que presenta un impacto directo en la seguridad y efectividad durante los procesos de construcción y producción. En la última década, el impacto de la digitalización en la industria minera, en específico la implementación de tecnologías basadas en la captura y procesamiento de datos, ha proporcionado un avance significativo en el uso de la información para la mejora de procesos. En este aspecto, la perforación de la roca corresponde a una operación recurrente en diferentes etapas del proceso minero exploración, construcción y producción de la cual se puede obtener información valiosa del comportamiento mecánico de la roca.
Los objetivos principales de esta tesis se enfocan en avanzar en la implementación de sistemas de perforación inteligente, que incluyen el procesamiento de las señales de trabajo con técnicas de inteligencia artificial para generar modelos que representan la respuesta mecánica de la roca. De manera específica, se estudian nuevas técnicas de procesamiento de los datos obtenidos desde la perforación y medidas adicionales de calibración, implementadas en diferentes contextos operacionales, geológicos, y para diferentes tecnologías de perforación/adquisición de datos. El análisis se centra en reconocer las características estructurales y de resistencia de la roca al considerar que estas son las más relevantes para el diseño de los procesos aguas abajo como el carguío de explosivo y el procesamiento del material. Además, se incluye como objetivo relevante avanzar en la implementación operacional de esta tecnología proponiendo un marco de trabajo, una estructura de gestión de datos y herramientas de procesamiento y visualización.
Este trabajo incluye una cantidad masiva de datos aproximadamente 200,000 registros de perforación, 700 barrenos perforados, 8,000 metros perforados, 840 muestras geoquímicas y 300 registros de endoscopio recolectados desde medidas ejecutadas en diferentes casos de estudio. Estos datos son capturados en el marco de los objetivos de tres proyectos de investigación aplicada financiados por la Unión Europea. Las bases de datos son procesadas con técnicas de machine learning para obtener modelos de clasificación del tipo de roca, que representen la característica geotécnica definida como objetivo a identificar según cada contexto operativo. Una de las principales limitaciones de este proceso corresponde al balance de datos entre las diferentes clases, lo que impacta de manera directa la capacidad de aprendizaje de sus características por parte de los modelos de machine learning. La aplicación de técnicas de remuestreo de datos y modelos híbridos de clasificación se plantean como solución para esta problemática. Los resultados obtenidos indican alta precisión de los modelos en la identificación de las características geotécnicas a través de métricas claves de clasificación, así como también el análisis de los parámetros de trabajo del sistema de perforación que más contribuyen en el modelo. Debido a su alta confiabilidad, estos modelos son utilizados como información de entrada para realizar diseños de carguío de explosivos y correlacionarlo con resultados de la voladura como la fragmentación o resultados de procesamiento.
Las conclusiones indican que, a pesar de que los modelos son desarrollados de manera específica acorde a las características de cada operación principalmente contexto geológico y tecnología de perforación disponible, las metodologías son generalizables dentro de las etapas de construcción y producción de los proyectos. En este contexto, las técnicas de inteligencia artificial como machine learning han demostrado ser eficaces para crear modelos de clasificación y regresión que permiten una caracterización rápida de las propiedades geotécnicas de las rocas. La contribución de este trabajo a la implementación de la tecnología de perforación inteligente en operaciones mineras es clave para impulsar su aplicación de manera continua durante los próximos años, lo cual se identifica como el principal desafío a futuro. Read More
Related posts:
Automatic Generation of Optimized Quantum Circuits for Real-world Machine Learning Applications
IA y machine learning: Modelos predictivos para optimizar la cadena de suministro
Obtención del perfil penetrométrico del suelo aplicando Machine Learning al registro de parámetros de perforación
Desarrollo de un gemelo digital para un sensor de mediciones medioambientales
Application of Machine Learning algorithms to drilling data for deep foundations and soil treatments
Generación de imágenes sintéticas para estimar la orientación del rostro