Modellering og optimalisering i mineralproduksjon

Gruveteknikk fungerer som et felles punkt som forbinder disipliner som bergteknikk, ingeniørgeologi og geoteknikk når vanlige operasjoner som støttedesign, tunnel- og skråningsstabilitetsanalyse, dimensjonering av underjordisk åpning, karakterisering av bergmasser, seismisk overvåking, grunnforsterkningsteknikker, innsynkningsprediksjon og -kontroll, sprengnings- og vibrasjonskontroll, evaluering og analyse av geoteknisk instrumentering og overvåking, og risikovurdering og farereduksjon vurderes. Ansvarlig gruvedrift, med tanke på FNs bærekraftsmål (UNSDG), får økt betydning på grunn av den økende økonomiske konkurransen, sosiale og miljømessige hensyn. Konvensjonelt er empiriske metoder mye brukt i disse områdene, og det kan hende at de ikke støtter ansvarlig gruvedrift på grunn av lokal avhengighet, iboende variasjon og høy usikkerhet i bergarters egenskaper. Derfor er det behov for avanserte og moderne beregningsverktøy for modellering og optimalisering av gruveteknikk, bergteknikk, ingeniørgeologi og geoteknisk drift for å sikre ansvarlig gruvedrift for bærekraftig utvikling. Dette emnet tar for seg disse utfordringene ved å introdusere avanserte beregningsverktøy som maskinlæringsteknikker (ML) som er avgjørende for modellering og optimalisering av operasjoner i gruveteknikk og deres relaterte disipliner som bergteknikk, ingeniørgeologi og geoteknikk. Ved å utvide omfanget sikrer emnet ansvarlig praksis som bidrar til bærekraftig utvikling samtidig som det er svært relevant for studenter fra ulike, men sammenkoblede felt. Innholdet vil bli tilpasset avhengig av studentens bakgrunn og arten av det valgte prosjektet. Det forventes at det valgte prosjektet er relatert til studentens ph.d.-avhandling og at studenten dermed har nok informasjon om emnet.

Læringsutbytte Kunnskap: Kunnskap om maskinlæringsapplikasjoner på tvers av disse sammenkoblede disiplinene. Detaljert forståelse av faktorene som påvirker den valgte operasjonen, inkludert samspillet mellom disse faktorene og deres innvirkning på resultatet. Bevissthet om bærekraftsmål (UNSDG) og hvordan de integreres med ingeniørløsninger innen gruvedrift og relaterte disipliner. Ferdigheter: Anvendelse av ML-algoritmer for prediktiv modellering og datautvinning i ulike ingeniørsammenhenger. Evne til å beskrive problemet og utvikle modell(er) for den aktuelle operasjonen ved hjelp av tilgjengelig programvare. Evne til å optimalisere den valgte operasjonen med tanke på spesifikke mål og begrensninger. Utvikle praktiske ferdigheter i bruk av både lisensiert og åpen kildekode beregningsprogramvare og ML-verktøy. Generell kompetanse: Forbedret kritisk tenkning for å identifisere de mest effektive parametrene for den valgte operasjonen. Kompetanse i å utføre modellering og optimalisering av operasjoner. Evne til å tilpasse og anvende kurskonsepter direkte på ph.d.-forskningsprosjekter på tvers av ulike disipliner.

Emnet vil starte med gruppediskusjoner og planleggingsøkter for det valgte prosjektarbeidet, etterfulgt av selvstudium av det valgte prosjekttemaet. Studentene vil delta i kollokvier, prosjektarbeid og praktiske timer. Analyse av virkelige anvendelser av ML og beregningsmodellering for å oppnå FNs bærekraftsmål (UNSDG) vil være integrert i læringsprosessen.