खुली लौह खदान में उत्खनन, लोडिंग और ढुलाई का AI-निर्मित सांकेतिक दृश्य

खनन समाधान · Grade Control Copilot

हर बकेट, हर ट्रक-लोड के लिए
अधिक उपयुक्त गंतव्य

AI-नेटिव अयस्क ग्रेड प्रबंधन
कम अपमिश्रण, कम अयस्क हानि, स्थिर ग्रेड

खास बातें

खास बातें

ग्रेड मॉडल को स्थल से जोड़ें
हर कदम का स्पष्ट आधार

उत्खनक द्वारा खदान ट्रक की लोडिंग और सामग्री के स्रोत का AI-निर्मित सांकेतिक दृश्य

हर ट्रक-लोड का स्रोत खोजें
जानें अयस्क कहाँ से आया

मॉडल और ब्लास्ट क्षेत्र से बकेट व ट्रक फेरे तक
स्थल की गतिविधियों को अयस्क की सत्यापन योग्य शृंखला में जोड़ें

अयस्क प्रवाह ग्राफ जानें ↗
खदान में ट्रकों का मार्ग-विभाजन और मापन के अतिरिक्त मार्ग का AI-निर्मित सांकेतिक दृश्य

पहले विश्वास का स्तर समझें
फिर तय करें: मापन हो या नहीं, और कहाँ भेजें

ग्रेड की अनिश्चितता और मापन लागत से
स्पष्ट आधार वाली मार्ग-सिफारिशें

निर्णय कैसे बनता है ↗
अयस्क नमूनों और विश्लेषण का AI-निर्मित सांकेतिक दृश्य

हर सुधार को
वास्तविक आर्थिक हिसाब में जाँचें

विश्लेषण से पूर्वानुमान अंशांकित करें, उत्पादन रिकॉर्ड से निष्पादन मिलाएँ
लाभ और अतिरिक्त लागत साथ गिनें

मूल्य-सत्यापन चक्र जानें ↗

अयस्क प्रवाह कार्य-ग्राफ · OreFlow Graph

एक अयस्क ब्लॉक से
अंतिम नमूना विश्लेषण तक

मॉडल सामग्री के गुण बताता है और स्थल के रिकॉर्ड उसका वास्तविक गंतव्य। वस्तुओं, घटनाओं और परिणामों को जोड़ने से सिफारिशों का आधार खोजा जा सकता है।

उत्खनन क्षेत्र, उत्खनक, ढुलाई और संयंत्र प्रवेश के स्थानिक संबंध का AI-निर्मित सांकेतिक दृश्य
ब्लॉक मॉडलब्लास्ट क्षेत्रलोडिंगखदान ढुलाई ट्रकभंडारण / क्रशिंगविश्लेषण / मिलान
एक ट्रक-लोड, पूरी सत्यापन योग्य शृंखलास्थान और संबंध कार्यविधि का सांकेतिक प्रदर्शन हैं

मॉडल का संस्करण और विश्वास का स्तर सुरक्षित रखें

ब्लॉक का ग्रेड, अशुद्धियाँ और अनिश्चितता निर्णय का प्रारंभिक आधार हैं। ब्लास्टिंग, लोडिंग, ढुलाई, संयंत्र प्रवेश और विश्लेषण में सामग्री की पहचान दर्ज रहती है, जिससे अंतिम परिणाम को उसके स्रोत तक खोजा जा सकता है।

ड्रोन · स्थलाकृति का नियमित अद्यतन

स्थल बदले तो
उत्खनन का आधार भी अद्यतन हो

ब्लास्ट के बाद टूटे अयस्क के ढेर का आकार, खनन फलक की प्रगति और आयतन में बदलाव देखें, ताकि भूवैज्ञानिक मॉडल वास्तविक स्थान से फिर मेल खाए।

ब्लास्ट के बाद खदान और उसकी स्थलाकृति के ड्रोन सर्वेक्षण का AI-निर्मित सांकेतिक दृश्य
पहले मॉडल में स्थल की वर्तमान स्थिति दिखाएँलेयर कार्यविधि का प्रदर्शन हैं, वास्तविक सर्वेक्षण परिणाम नहीं

ड्रोन स्थानिक जानकारी अद्यतन करता है
भूविज्ञान और विश्लेषण ग्रेड निर्धारित करते हैं

नई सतह, मॉडल संस्करण और ब्लास्ट विस्थापन के प्रमाण को एक निर्देशांक प्रणाली में मिलाकर उत्खनन सीमा की पुनः जाँच करें। सामान्य हवाई चित्रण भूमिगत Fe ग्रेड सीधे नहीं मापता। ज्यामितीय बदलाव में भी संरेखण की सटीकता और त्रुटि की जाँच आवश्यक है।

उत्खनक और ट्रक · स्रोत का अनुमान

इस ट्रक-लोड का ग्रेड
हर बकेट की लोडिंग से शुरू होता है

उत्खनक की बकेट से खदान ट्रक में लौह अयस्क लोड करने का AI-निर्मित सांकेतिक दृश्य
इंटरैक्टिव कार्यविधि प्रदर्शन · उत्पादन डेटा नहीं

एक ही ट्रक का अयस्क
अलग-अलग ब्लॉक से आ सकता है

बकेट की स्थिति को ब्लॉक से जोड़ें और द्रव्यमान अनुपात से मिश्रित ग्रेड निकालें। क्षेत्र A से आने वाले लोड का अनुपात बदलकर देखें।

क्षेत्र A · Fe 62%क्षेत्र B · Fe 54%
58.8% Fe

एक ट्रक-लोड का अनुमानित औसत। स्रोत-मिलान की त्रुटि, भूवैज्ञानिक अनिश्चितता और मापन पैमाना भी शामिल करना होगा।

ट्रक-लोड का ग्रेड = Σ स्रोत का द्रव्यमान अंश × स्रोत का ग्रेड

सटीक बकेट-स्थिति हो तो हर बकेट तक खोजें
प्रमाण अपर्याप्त हों तो स्रोत अज्ञात रखें

लोडिंग समय, बकेट पथ, उत्खनन सीमा और तौल स्रोत की विश्वसनीयता तय करते हैं। बकेट-स्तरीय डेटा न हो तो सत्यापन योग्य खनन फलक या बैच के आधार पर रिकॉर्ड रखें; सटीक स्रोत का मनगढ़ंत अनुमान न बनाएँ।

अनिश्चितता को ध्यान में रखकर निर्णय

औसत ग्रेड समान
लेकिन विश्वास का स्तर अलग

केवल औसत पर्याप्त नहीं। मॉडल की अनिश्चितता बढ़ने पर लक्ष्य ग्रेड तक पहुँचने की संभाव्यता समझना अधिक महत्त्वपूर्ण है।

संभाव्यता मॉडल का प्रदर्शन · औसत Fe 58.3%लक्ष्य 57%5255586164Fe ग्रेड / %

Fe 57% तक पहुँचने की संभाव्यता

97.7%

स्पष्ट स्रोत और पर्याप्त प्रमाण से पूर्वानुमान वितरण संकुचित होता है। वास्तविक विश्लेषण से निरंतर अंशांकन फिर भी आवश्यक है।

ग्रेड, स्रोत और पैमाना
मिलकर विश्वास का स्तर तय करते हैं

सीमा और संभाव्यता विधि समझाने के लिए हैं। वास्तविक बाधाओं में अशुद्धियाँ, रिकवरी और प्रक्रिया की आवश्यकताएँ भी आती हैं।

देखें मॉडल अनिश्चितता कैसे दर्शाता है

ट्रक-लोड का औसत μ = Σ wᵦμᵦ; प्रसरण Var(g) = wᵀΣw + स्रोत-मिलान त्रुटि + पैमाने की त्रुटि। चित्र में औसत 58.3% और क्रमशः 0.65 व 1.8 प्रतिशत-अंक मानक विचलन वाले सामान्य वितरण हैं। उपयुक्त वितरण, सहसंबंध और पैरामीटर वास्तविक खदान डेटा से सत्यापित करें।

चुनिंदा मापन · EVSI

मापन वहाँ करें
जहाँ जानकारी सबसे मूल्यवान हो

क्या एक मापन से निर्णय बदलेगा? क्या उस बदलाव का मूल्य मापन, प्रतीक्षा और अतिरिक्त मार्ग की लागत से अधिक होगा?

मुख्य ढुलाई मार्ग और चुनिंदा मापन के अतिरिक्त मार्ग का AI-निर्मित सांकेतिक दृश्य
हर ट्रक को मापन के लिए मोड़ना आवश्यक नहींनिर्णय के मूल्य और स्थल की परिस्थिति के अनुसार मापन चुनें
ट्रक-लोड निर्णय का अनुकरण · चीनी युआन में गणना

अतिरिक्त मापन के बाद गंतव्य-सिफारिश अद्यतन करें

ट्रक-लोड के प्रमाणचुनिंदा अतिरिक्त मापनपुनः आकलन

यदि अतिरिक्त मापन से निर्णय में अपेक्षित सुधार का मूल्य CNY 900 है और मापन, प्रतीक्षा तथा अतिरिक्त मार्ग की लागत CNY 350 है, तो शुद्ध सूचना मूल्य CNY 550 होगा। इस उदाहरण में अतिरिक्त मापन उपयोगी हो सकता है।

EVSI = मापन के बाद अपेक्षित सर्वोत्तम मूल्य − वर्तमान सर्वोत्तम मूल्य − अतिरिक्त लागत। उदाहरण वास्तविक मापन लाभ नहीं दर्शाता। संवेदन विधि खनिज, कण आकार और नमूने की प्रतिनिधिकता के अनुकूल होनी चाहिए।

विशेषज्ञ मॉडल से गणना + कर्मियों की पुष्टि

ग्रेड, क्षमता और ढुलाई दूरी
मिलकर अगला गंतव्य तय करते हैं

सिफारिश उत्पादन बाधाएँ पूरी करे और स्थल पर लागू हो सके। AI प्रमाण व्यवस्थित करता है, विशेषज्ञ मॉडल गणना करता है और भूविज्ञान व डिस्पैच कर्मी पुष्टि करते हैं।

दूरस्थ डिस्पैच केंद्र से उत्खनन, लोडिंग और ढुलाई देखने का AI-निर्मित सांकेतिक दृश्य
सरल बाधाओं का प्रदर्शन · वास्तविक डिस्पैच नहीं

अनुशंसित गंतव्य

क्रशिंग स्टेशन

इस उदाहरण में ग्रेड संबंधी बाधाएँ पूरी हैं और क्रशर सामग्री ले सकता है। अतिरिक्त पुनः-हैंडलिंग घटाने के लिए अनुमोदित योजना से सीधे संयंत्र भेजने की सिफारिश है।

वर्तमान खदान ट्रकक्रशिंग स्टेशन
सिफारिश → भूविज्ञान / डिस्पैच पुष्टि → निष्पादन

इनपुट संस्करण, निर्णय का आधार, अनुमोदक और वास्तविक अनलोडिंग स्थान सुरक्षित रखें। इंटरफ़ेस से वापस लिखने और स्थल नियंत्रण का दायरा अलग से सत्यापित करें।

गुणवत्ता संबंधी बाधाएँ

Fe की न्यूनतम सीमा, SiO₂, Al₂O₃, P आदि की अधिकतम सीमाएँ और आवश्यकताएँ पूरी होने की संभाव्यता

उत्पादन संबंधी बाधाएँ

क्रशर की प्रसंस्करण क्षमता, भंडारण क्षमता, सामग्री की अनुकूलता और वर्तमान योजना

आर्थिक बाधाएँ

प्रति टन अयस्क मूल्य तथा मापन, अतिरिक्त मार्ग और पुनः-हैंडलिंग लागत साथ तुलना करें

विश्लेषण का मिलान · ROI Ledger

हर अनुकूलन
वास्तविक आर्थिक हिसाब में

वास्तविक विश्लेषण और उत्पादन रिकॉर्ड से ग्रेड, टनभार और गंतव्य मिलाएँ। बचा हुआ अयस्क, अलग की गई अतिरिक्त अपशिष्ट चट्टान और नई लागत एक ही आधार पर गिनें।

अयस्क नमूनों और विश्लेषण कार्यमेज का AI-निर्मित सांकेतिक दृश्य
पूर्वानुमान → निष्पादन → विश्लेषण → मिलान → अंशांकनपरिणाम अयस्क प्रवाह में स्रोत तक लौटते हैं और अगले सुधार को आधार देते हैं
मूल्य गणना का उदाहरण · ग्राहक का वास्तविक लाभ नहीं

इन धारणाओं के अंतर्गत शुद्ध मूल्य

¥21,000

100 टन × CNY 200 + 200 टन × CNY 80 − CNY 15,000

उदाहरण की धारणाएँ: अयस्क हानि घटने का शुद्ध मूल्य CNY 200 प्रति शुष्क टन और अपशिष्ट अलग करने की बचत CNY 80 प्रति शुष्क टन है। वास्तविक मूल्य खदान पुष्टि करे; एक ही लाभ दो बार न गिनें।

यह गणना-आधार का प्रदर्शन है, परियोजना लाभ का पूर्वानुमान नहीं। समान खनन क्षेत्र और शिफ्ट से आधाररेखा बनाएँ, तथा मूल्य, नमी, भंडार और अन्य तकनीकी सुधारों का प्रभाव हटाएँ।

कम अपमिश्रण

अयस्क प्रवाह में गई अपशिष्ट चट्टान का टनभार जाँचें और गलत वर्गीकरण का चरण खोजें

कम अयस्क हानि

अपशिष्ट डंप में गए अयस्क का टनभार जाँचें; परीक्षण-प्रतीक्षारत और अनिर्णीत सामग्री की स्थिति सुरक्षित रखें

स्थिर ग्रेड

संयंत्र-प्रवेश विश्लेषण और पूर्वानुमान वितरण मिलाकर पक्षपात व उतार-चढ़ाव घटने की जाँच करें

गणना और प्रमाण की सीमाएँ देखें

अपमिश्रण व अयस्क हानि के हर, सामग्री वर्गीकरण और अनिर्णीत भंडार के प्रबंधन पर पहले सहमति हो। द्रव्यमान संतुलन में आवक-जावक शुष्क टन और भंडार बदलाव मिलाएँ। प्रभाव को ऐतिहासिक पुनर्निर्माण, समान परिस्थितियों की तुलना और नियंत्रित पायलट से सत्यापित करें। शोध चित्रों के सुधार प्रतिशत Arbor के वास्तविक परिणाम नहीं बताए गए हैं।

एक उत्खनन क्षेत्र से शुरुआत

पहले एक चक्र
वास्तव में पूरा करें

मौजूदा भूवैज्ञानिक मॉडल, FMS, ड्रोन और विश्लेषण प्रणालियाँ जोड़ें। सत्यापन योग्य डेटा से शुरू कर सिफारिशों को वास्तविक उत्पादन में जाँचें।

चयनित क्षेत्र में ड्रोन और उत्पादन डेटा के संयुक्त सत्यापन का AI-निर्मित सांकेतिक दृश्य

01 · ऐतिहासिक पुनर्निर्माण

पहले पुराने रिकॉर्ड मिलाएँ

मॉडल, निर्देशांक, ट्रक फेरे और विश्लेषण मिलाकर क्षेत्र का सामग्री प्रवाह पुनर्निर्मित करें; स्रोत की कमी और गलत वर्गीकरण के संकेत खोजें।

02 · समानांतर सत्यापन

सिफारिशों की तुलना करें

सिफारिशें वर्तमान उत्पादन के समानांतर चलें, आदेश सीधे न बदलें। कब अंतर आया, क्यों और आगे क्या परिणाम रहे—दर्ज करें।

03 · नियंत्रित पायलट

प्रमाणों के आधार पर विस्तार

कर्मियों की पुष्टि के बाद सीमित पायलट चलाएँ; गुणवत्ता, लागत और इंटरफ़ेस सत्यापन के आधार पर तैनाती बढ़ाएँ।

Arbor · Grade Control Copilot

ग्रेड मॉडल बने
स्थल की कार्रवाई का आधार

ग्रेड प्रबंधन पर चर्चा करें ↗
समाधान का दायरा, डेटा स्रोत और क्रियान्वयन

यह पृष्ठ खुली खदान के ग्रेड प्रबंधन की अवधारणा और लक्षित कार्यविधि दिखाता है, वितरित सुविधाओं की सूची नहीं। संभाव्यता मॉडल, संवेदन विधि, डेटा विस्तार, प्रणाली अनुकूलता, अनुमति और वापस लिखने की क्षमता परियोजना आकलन व सत्यापन पर निर्भर हैं। AI दृश्य, लेयर और इंटरैक्शन केवल समझाने के लिए हैं, ग्राहक स्थल के रिकॉर्ड नहीं।

पद्धति उपयोगकर्ता द्वारा उपलब्ध Grade Control Copilot रणनीति अध्ययन और अयस्क प्रवाह कार्य-ग्राफ अध्ययन पर आधारित है। सिद्धांतों के संदर्भ: Maptek ग्रेड नियंत्रण、CSIRO खनिज संवेदनऔर Palantir ऑब्जेक्ट व एक्शन मॉडलिंग। संदर्भ का अर्थ साझेदारी, पूर्ण इंटरफ़ेस अनुकूलता या Arbor की पूर्व आपूर्ति नहीं है।