Szkoła Eksploatacji Podziemnej

Z punktu widzenia rozwoju przedsiębiorstwa górniczego kluczowym aspektem jest określenie rzeczywistej ilości uzyskanego urobku I odniesienie go do planu wydobycia. Wymagania z tym związane muszą znaleźć swoje odzwierciedlenie w poprawnie zaplanowanych robotach strzałowych i postępie przodków w kopalni . Choć dane o wykonanych odwiertach są dziś gromadzone w postaci analogowej – przybierając formę papierowych raportów operatorów maszyn wiercących - to mogą one być niekompletne i zawodne.

Aby usprawnić czynności nadzoru i planowanie postępu robót górniczych w zakładach górniczych wykorzystujących roboty strzałowe kluczowym jest dokonanie skutecznej akwizycji danych dotyczących procesu wiercenia a następnie przeprowadzenie analiz pozwalających na określenie m.in ilości i jakości wykonanych odwiertów

Część parku maszynowego posiada już istniejące systemy akwizycji, jednak ilość gromadzonych danych i/oraz znacząca zmienność cech procesu powoduje, że trudno jest jednoznacznie określić i wyodrębnić poszczególne cykle wiercenia, ich ilość oraz jakość wykonania.

Dzięki dokonującego się w ostatnich czasach rozwojowi w dziedzinie BigData, powstaniu się coraz skuteczniejszych algorytmów sztucznej inteligencji i uczenia maszynowego możliwe jest coraz dokładniejsze raportowanie dotyczące wyżej wymienionych wskaźników jakości i wydajności procesu. W tym celu proponuje się wykorzystanie wielkości fizycznych opisujących pracę maszyny m.in ciśnienie posuwu wiertła [MPa], postępu wiercenia [m] czy obrotów silnika. W prezentacji zostaną przedstawione wyniki wstępnych analiz, dobre praktyki pracy z dużymi zbiorami danych oraz potencjał dziedziny Machine Learning i AI do rozwiązania opisanych problemów w przyszłości w przyszłości.