بازیابی طلا در مدار کربن در لیچ حاصل برهمکنش غیرخطی کانیشناسی خوراک، خردایش، شیمی پالپ، انتقال جرم و وضعیت کربن فعال است. این مقاله چارچوبی مهندسی برای پیشبینی بازیابی ارائه میکند که از تعریف درست متغیر هدف و همزمانسازی دادهها آغاز میشود و با مدلسازی یادگیری ماشین، اعتبارسنجی زمانی، تفسیرپذیری و استقرار مدل در کارخانه ادامه مییابد.
بازیابی طلا در لیچینگ سیانیدی یک شاخص ساده آزمایشگاهی نیست، بلکه خروجی نهایی مجموعهای از پدیدههای وابسته به زمان است: آزادسازی طلا در خردایش، دسترسی محلول به سطوح واکنشپذیر، مصرف اکسیژن و سیانید، انحلال طلا، جذب کمپلکس طلا–سیانید روی کربن فعال و خروج احتمالی طلا از مدار در جامد یا محلول. در مدار کربن در لیچ یا CIL، این پدیدهها همزمان رخ میدهند و تغییر در خوراک ممکن است چند ساعت بعد در بازیابی نهایی مشاهده شود. به همین دلیل، پیشبینی بازیابی تنها با یک همبستگی مستقیم میان عیار خوراک و عیار باطله قابل اتکا نیست.
مطالعه جدید منتشرشده در Journal of African Earth Sciences با عنوان «پیشبینی بازیابی لیچینگ سیانیدی طلا در مدار کربن در لیچ یک معدن طلای غنا؛ تمرکز بر عملکرد پیشبینی روشهای یادگیری ماشین» مسئله را از منظر مقایسه توان پیشبینی مدلهای دادهمحور بررسی میکند [۱]. اهمیت صنعتی این رویکرد در آن است که مدل پیشبینی، در صورت طراحی و اعتبارسنجی صحیح، میتواند پیش از افت آشکار بازیابی به اپراتور هشدار دهد و امکان اصلاح کنترلشده دانهبندی، سیانید آزاد، اکسیژن محلول، pH، زمان ماند یا وضعیت کربن را فراهم کند. با این حال، ارزش مدل نه با پیچیدگی الگوریتم، بلکه با کیفیت داده، رعایت تأخیر فرایندی، جلوگیری از نشت اطلاعات و قابلیت تبدیل پیشبینی به اقدام عملیاتی سنجیده میشود.
چرا بازیابی سیانیدی طلا متغیری دشوار برای پیشبینی است؟
واکنش کلی انحلال طلا در محیط سیانیدی، که معمولاً با معادله الزنر نمایش داده میشود، به حضور سیانید و اکسیژن نیاز دارد. این نمایش شیمیایی برای درک پایه ضروری است، اما رفتار کارخانه را بهتنهایی توضیح نمیدهد. سرعت و مقدار انحلال به شکل حضور طلا، اندازه و توزیع ذرات، تخلخل کانی میزبان، پوششهای سطحی، کانیهای مصرفکننده سیانید، مواد کربندار و گونههای مزاحم وابسته است. طلای آزاد ریزدانه ممکن است بهسرعت حل شود، در حالی که طلای محبوس در سولفیدها حتی با افزایش سیانید نیز دسترسپذیر نخواهد شد [۲].
در کانسنگهای مسدار، بخشی از سیانید صرف تشکیل کمپلکسهای مس میشود. سولفیدهای واکنشپذیر میتوانند اکسیژن و سیانید را مصرف کنند و برخی کانیها یا مواد آلی نیز زمینه «پریگروبینگ» را ایجاد میکنند؛ یعنی طلای حلشده پیش از جذب کنترلشده روی کربن فعال، دوباره بر سطح مواد موجود در کانسنگ جذب میشود. از طرف دیگر، کاهش اکسیژن محلول، غلظت نامناسب جامد، اختلاط ضعیف، کوتاهمداری هیدرولیکی یا کربن فرسوده ممکن است بازیابی را بدون تغییر محسوس عیار خوراک کاهش دهد.
بنابراین رابطه میان ورودیها و بازیابی غالباً غیرخطی و شرطی است. برای مثال، افزایش دوز سیانید فقط تا جایی مفید است که سیانید محدودکننده واکنش باشد. اگر محدودیت اصلی آزادسازی ناکافی یا کمبود اکسیژن باشد، سیانید بیشتر میتواند هزینه و ریسک زیستمحیطی را افزایش دهد، بیآنکه بهبود متناظری در بازیابی ایجاد کند. مدلهای یادگیری ماشین برای بازنمایی چنین برهمکنشهایی مناسباند، اما نباید از آنها انتظار داشت محدودیتهای کانیشناختی را صرفاً با تنظیم متغیرهای عملیاتی حذف کنند.
تعریف متغیر هدف؛ نخستین تصمیم تعیینکننده
پیش از انتخاب الگوریتم باید مشخص شود منظور از بازیابی چیست. بازیابی متالورژیکی را میتوان از عیار خوراک و باطله یا از موازنه فلزی محاسبه کرد. رابطه ساده مبتنی بر عیار، در برابر خطای نمونهبرداری، رطوبت، تغییر تناژ و ناهمزمانی نمونهها حساس است. برای کاربرد صنعتی، متغیر هدف بهتر است از موازنه فلزی آشتیدادهشده به دست آید و همراه با برچسب کیفیت داده ذخیره شود.
افق پیشبینی نیز باید صریح باشد. مدل «برآورد بازیابی شیفت گذشته» با مدل «پیشبینی بازیابی چهار ساعت آینده» یک محصول واحد نیست. اولی بیشتر برای گزارشدهی و تحلیل علل مفید است؛ دومی میتواند نقش هشدار زودهنگام داشته باشد. اگر هدف، تصمیم عملیاتی پیشدستانه است، تنها متغیرهایی باید وارد مدل شوند که در لحظه صدور پیشبینی واقعاً در دسترس باشند. استفاده از عیار باطلهای که پس از پایان دوره اندازهگیری میشود، هرچند دقت ظاهری مدل را بالا میبرد، مصداق نشت اطلاعات است و مدل را در محیط واقعی بیاستفاده میکند.
معماری داده برای مدار CIL
دادههای مناسب را میتوان در پنج گروه سازماندهی کرد. گروه نخست مشخصات خوراک است: عیار طلا، سختی، درصد جامد، اندازه عبوری از الک هدف مانند P۸۰، میزان سولفید، مس، گوگرد، کربن آلی و شاخصهای کانیشناختی. گروه دوم شیمی پالپ را در بر میگیرد: pH، سیانید آزاد، اکسیژن محلول، پتانسیل اکسایش–کاهش، دما و در صورت دسترس بودن غلظت گونههای محلول مس و تیوسیانات.
گروه سوم شامل پارامترهای هیدرودینامیکی است: دبی خوراک، حجم فعال مخازن، درصد جامد، سرعت همزن، سطح مخازن و زمان ماند نظری یا مؤثر. گروه چهارم به مدار کربن مربوط میشود: غلظت کربن در هر مخزن، فعالیت کربن، نرخ انتقال، توزیع اندازه، بارگذاری طلا، افت کربن و وضعیت غربالها. گروه پنجم وضعیت تجهیزات و متغیرهای زمینهای مانند توقف پمپ، خرابی سنسور، تغییر کمپین استخراج، جابهجایی تیپ کانسنگ و زمان نمونهبرداری آزمایشگاه را ثبت میکند.
بزرگترین خطای پروژههای پیشبینی کارخانهای، اتصال مستقیم این دادهها بدون اصلاح مبنای زمانی است. مادهای که در ساعت معینی وارد آسیا میشود، بلافاصله در نمونه باطله ظاهر نمیشود. تأخیر باید با موازنه جرمی، زمان ماند مخازن، آزمون ردیاب و تحلیل همبستگی متقاطع تخمین زده شود. سپس ویژگیهای تأخیردار، میانگینهای متحرک و نرخ تغییر متغیرها ساخته شوند. برای نمونه، میانگین سیانید آزاد طی چند ساعت گذشته ممکن است از یک قرائت لحظهای برای توضیح انحلال طلا معنادارتر باشد.
پاکسازی داده بدون حذف واقعیت فرایند
داده صنعتی شامل مقادیر گمشده، خطای کالیبراسیون، ثابت ماندن غیرعادی سنسور، نقاط پرت و تغییر واحد اندازهگیری است. هر مقدار غیرعادی الزاماً خطا نیست؛ جهش واقعی در عیار یا افت اکسیژن میتواند همان رخدادی باشد که مدل باید یاد بگیرد. از این رو، حذف خودکار نقاط دورافتاده بر مبنای انحراف معیار ممکن است مهمترین رخدادهای عملیاتی را از مجموعه آموزش خارج کند.
رویکرد مناسب، تفکیک «خطای ابزار» از «وضعیت فرایندی نادر» است. محدودیتهای فیزیکی سنسور، سوابق تعمیرات، توازن جرم، مقایسه حسگرهای موازی و نرخ تغییر امکانپذیر برای هر متغیر باید در این تفکیک به کار رود. مقادیر جایگذاریشده نیز لازم است با یک پرچم داده همراه شوند تا مدل بداند مقدار مشاهدهشده واقعی نیست. دورههای راهاندازی، توقف، شستوشو یا خوراکدهی صفر بهتر است جداگانه برچسبگذاری شوند، زیرا سازوکار آنها با تولید پایدار تفاوت دارد.
انتخاب مدل؛ از خط مبنا تا الگوریتمهای غیرخطی
مدلسازی باید با یک خط مبنای ساده آغاز شود. میانگین تاریخی، آخرین مقدار مشاهدهشده و رگرسیون خطی منظمشده نشان میدهند چه میزان از تغییرات بدون الگوریتم پیچیده قابل پیشبینی است. اگر یک مدل پیشرفته نتواند در دادههای خارج از نمونه این خطوط مبنا را بهطور پایدار شکست دهد، استقرار آن توجیه مهندسی ندارد.
رگرسیون خطی و روشهای Ridge یا Lasso تفسیرپذیرند، اما در نمایش آستانهها و برهمکنشهای پیچیده محدودیت دارند. جنگل تصادفی میتواند روابط غیرخطی و تعامل متغیرها را بدون تعریف صریح معادله یاد بگیرد و نسبت به نویز مقاوم باشد [۳]. الگوریتمهای تقویت گرادیانی، از جمله XGBoost، برای دادههای جدولی کارخانهای گزینههای قدرتمندی هستند و با منظمسازی مناسب میتوانند ساختارهای پیچیده را مدل کنند [۴]. شبکههای عصبی نیز ظرفیت بالایی دارند، ولی برای مجموعهداده کوچک یا کمتنوع ممکن است بیشبرازش کنند و نگهداری آنها دشوارتر باشد.
نتیجه کاربردی مطالعه مدار CIL غنا را باید در همین چارچوب دید: مقایسه مدلها باید بر توان پیشبینی واقعی و نه صرفاً برازش دادههای آموزش متمرکز باشد [۱]. هیچ الگوریتمی برای همه کارخانهها برنده همیشگی نیست. مدل منتخب باید با تعداد نمونه، نرخ دادهبرداری، تنوع تیپهای کانسنگ، میزان داده گمشده و نیاز کارخانه به توضیحپذیری سازگار باشد.
اعتبارسنجی زمانی؛ مرز میان دقت واقعی و دقت ظاهری
تقسیم تصادفی دادهها در یک فرایند پیوسته میتواند اطلاعات تقریباً مشابه را همزمان در آموزش و آزمون قرار دهد. در نتیجه، شاخص دقت خوشبینانه خواهد شد. ارزیابی مناسب باید زمانمحور باشد: آموزش روی دوره قدیمیتر، اعتبارسنجی روی دوره بعدی و آزمون نهایی روی جدیدترین بازهای که مدل هرگز ندیده است. روش پنجره لغزان یا اعتبارسنجی رو به جلو برای سنجش پایداری مدل در فصلها، کمپینها و تیپهای مختلف کانسنگ مناسبتر است.
معیارهای ارزیابی باید چندبعدی باشند. خطای مطلق میانگین یا MAE برای بیان خطا در واحد درصد بازیابی قابل فهم است. RMSE به خطاهای بزرگ وزن بیشتری میدهد و ضریب تعیین، سهم تغییرات توضیحدادهشده را نشان میدهد؛ با این حال R² بالا بهتنهایی تضمینکننده ارزش عملیاتی نیست. لازم است توان مدل در تشخیص افت بازیابی، جهت خطا و پایداری در محدودههای کمعیار یا خوراک مقاوم نیز بررسی شود. برای تصمیمگیری، پیشبینی بازهای مفیدتر از یک عدد قطعی است؛ زیرا به اپراتور نشان میدهد عدمقطعیت مدل در چه زمانی افزایش یافته است.
تفسیرپذیری و کنترل قیود متالورژیکی
مدل صنعتی باید علاوه بر پاسخ «چه مقدار بازیابی محتمل است؟» به پرسش «چرا؟» نیز نزدیک شود. نمودارهای وابستگی جزئی و روش SHAP میتوانند سهم نسبی متغیرها را در پیشبینی هر بازه زمانی نشان دهند [۵]. برای مثال، مدل ممکن است افت بازیابی را به ترکیبی از افزایش P۸۰، کاهش اکسیژن محلول و افت زمان ماند نسبت دهد. این توضیح باید با دانش متالورژی و وضعیت واقعی تجهیزات تطبیق داده شود.
اهمیت آماری یک متغیر الزاماً به معنای رابطه علّی نیست. ممکن است دوز سیانید در داده تاریخی همزمان با خوراک دشوار افزایش یافته باشد؛ در این حالت مدل میتواند سیانید بیشتر را با بازیابی کمتر مرتبط بداند، بیآنکه سیانید علت افت باشد. بنابراین خروجی مدل نباید مستقیماً به فرمان کنترلی تبدیل شود. توصیه عملیاتی باید از لایهای عبور کند که حدود ایمنی، ظرفیت تجهیزات، الزامات زیستمحیطی و قیود شیمیایی را اعمال میکند.
از پیشبینی تا اقدام اقتصادی
ارزش واقعی مدل زمانی ایجاد میشود که خروجی آن به تصمیم قابل اجرا تبدیل شود. داشبورد مناسب میتواند بازیابی پیشبینیشده، بازه عدمقطعیت، روند متغیرهای کلیدی و عوامل اصلی افت را نمایش دهد. هشدار نیز نباید صرفاً با عبور یک نقطه از حد صادر شود؛ شرط ماندگاری، نرخ افت و سطح اطمینان مدل باید در منطق هشدار لحاظ شوند تا اپراتور با هشدارهای کاذب مواجه نشود.
برای هر هشدار میتوان یک ماتریس اقدام تعریف کرد. اگر افت پیشبینیشده با درشتشدن خوراک و افزایش توان آسیا همراه باشد، بررسی سیکلون و مدار خردایش اولویت دارد. اگر سیانید آزاد پایین، اکسیژن کافی و شاخص مصرف سیانید بالا باشد، احتمال حضور مصرفکنندههای سیانید یا تغییر تیپ خوراک باید بررسی شود. اگر طلای محلول در باطله افزایش یافته ولی انحلال مناسب است، فعالیت و غلظت کربن، انتقال کربن و سلامت غربالها اهمیت بیشتری پیدا میکند.
بهینهسازی صرف بازیابی نیز کافی نیست. تابع تصمیم باید درآمد طلای اضافی را در برابر هزینه سیانید، آهک، اکسیژن، انرژی، کربن و ریسک زیستمحیطی قرار دهد. بهبود جزئی بازیابی ممکن است در خوراک پرعیار ارزشمند باشد، اما همان اقدام در خوراک کمعیار هزینهای بیش از منفعت ایجاد کند. مدل پیشبینی زمانی به ابزار مدیریتی تبدیل میشود که به موازنه اقتصادی و محدودیتهای HSE متصل شود.
پایش فرسایش مدل و بازآموزی
رابطه میان متغیرهای ورودی و بازیابی ثابت نیست. پیشروی معدن به زون جدید، تغییر تأمینکننده مواد شیمیایی، تعویض آستر آسیا، اصلاح مدار کربن یا تغییر روش آزمایشگاهی میتواند توزیع دادهها را دگرگون کند. این پدیده با عنوان رانش داده یا رانش مفهوم شناخته میشود. پایش مدل باید شامل تغییر توزیع ورودیها، افزایش خطا، کاهش پوشش بازه اطمینان و رشد نمونههای خارج از دامنه آموزش باشد.
بازآموزی نیز نباید صرفاً تقویمی باشد. بهتر است با معیارهای مشخص انجام شود: عبور خطای دورهای از حد قابل قبول، ظهور تیپ جدید کانسنگ، تغییر اساسی مدار یا انباشت حجم کافی از داده معتبر. نسخه مدل، مجموعه داده، پارامترها و تاریخ استقرار باید ثبت شوند تا امکان ممیزی و بازگشت به نسخه قبلی وجود داشته باشد. تا زمانی که عملکرد مدل در شرایط واقعی اثبات نشده است، استفاده در حالت «مشاور اپراتور» ایمنتر از کنترل خودکار حلقهبسته خواهد بود.
نتیجهگیری
پیشبینی بازیابی طلا در مدار CIL مسئلهای مشترک میان متالورژی استخراجی، مهندسی داده و کنترل فرایند است. الگوریتم یادگیری ماشین تنها یکی از اجزای این سامانه است. تعریف دقیق بازیابی، آشتی موازنه فلزی، همزمانسازی دادهها با زمان ماند، ثبت کانیشناسی خوراک، جلوگیری از نشت اطلاعات و اعتبارسنجی زمانی، بیش از انتخاب یک الگوریتم پرطرفدار بر موفقیت پروژه اثر دارند.
مسیر اجرایی مناسب برای یک شرکت مهندسی معدن، از ساخت مدل خط مبنا و یک نمونه آزمایشی محدود آغاز میشود؛ سپس مدلهای غیرخطی روی داده زمانبندیشده مقایسه، خروجی آنها با روشهای تفسیرپذیر بررسی و در یک دوره سایه بدون دخالت مستقیم در کنترل کارخانه آزموده میشود. پس از اثبات پایداری، مدل میتواند به داشبورد هشدار و در مرحله بعد به بهینهساز مقید اقتصادی متصل شود. چنین سامانهای جایگزین متالورژیست نیست؛ بلکه زمان مشاهده انحراف را کوتاه میکند، روابط پنهان را آشکار میسازد و تصمیمگیری را از واکنش پس از افت بازیابی به مداخله پیشدستانه تغییر میدهد.
منابع
- Predicting gold cyanide leaching recovery in carbon-in-leach circuit for a gold mine in Ghana: A focus on predictive performance of machine learning techniques. Journal of African Earth Sciences, Elsevier, ۲۰۲۶.
- Marsden, J. O. & House, C. I. The Chemistry of Gold Extraction. Society for Mining, Metallurgy, and Exploration.
- Breiman, L. Random Forests. Machine Learning, ۴۵, ۵–۳۲.
- Chen, T. & Guestrin, C. XGBoost: A Scalable Tree Boosting System. Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.
- Lundberg, S. M. & Lee, S. I. A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems.