CAS D'USAGE IA
Prédiction des teneurs minérales à partir des données de forage
Prédisez en temps réel les teneurs en minerai grâce au deep learning appliqué aux carottes de forage et aux données d'analyse.
De quoi il s'agit
Ce cas d'usage applique le deep learning et l'analytique prédictive aux images de carottes de forage et aux résultats d'analyse pour estimer en continu les teneurs minérales à travers le gisement. En remplaçant ou en complétant les workflows de laboratoire traditionnels, les mines peuvent réduire le délai d'estimation des teneurs de 50 à 70 %, permettant des décisions de tir plus rapides et une dilution moindre du minerai. Une meilleure maîtrise des teneurs génère généralement un gain de 3 à 8 % sur la qualité de l'alimentation du broyeur, se traduisant directement par des taux de récupération plus élevés et des coûts de traitement réduits. Le système s'intègre aux outils de planification forage-tir existants pour alimenter les modèles de teneurs en quasi temps réel.
Données nécessaires
Historical drill core imagery (preferably hyperspectral or high-resolution RGB), matched assay results, and georeferenced drill hole collar data across multiple ore zones.
Systèmes requis
- data warehouse
- erp
Pourquoi ça marche
- Engage senior geologists early to co-design the labelling and validation workflow, building trust in model outputs.
- Standardise core photography protocols (lighting, resolution, depth tagging) before training data collection begins.
- Start with a single well-characterised ore zone to demonstrate predictive accuracy before broader rollout.
- Integrate grade predictions directly into the blast-hole planning software so value is visible within normal workflows.
Comment ça rate
- Insufficient or inconsistent historical assay data makes training unreliable, producing poorly calibrated grade predictions.
- Core imagery quality varies across drilling crews or equipment, introducing noise that degrades model performance.
- Geologists distrust model outputs and revert to manual estimation, preventing operational integration.
- Model trained on one ore zone fails to generalise when applied to geologically distinct zones within the same deposit.
Quand NE PAS faire ça
Do not deploy this system if your mine lacks at least two years of spatially registered assay records paired with core imagery — the model will be too data-sparse to outperform simple kriging interpolation.
Fournisseurs à considérer
Sources
Ce cas d'usage fait partie d'un catalogue Data & IA construit à partir de 50+ programmes de transformation en entreprise. Lancez le diagnostic gratuit pour voir comment il se classe dans votre contexte.