KI-gestütztes DSS für Open-Pit-Mining: GPU-Optimierung bei Unsicherheit

In einer bahnbrechenden Weiterentwicklung des KI-gestützten Decision Support Systems (DSS) für die Planung von Tagebauen präsentiert die neueste Studie Part II des Projekts. Das System erweitert die in Part I vorgestellte Basis um ein vollständig Unsicherheits‑bewusstes Optimierungsframework, das die geologische Unbestimmtheit direkt in den Planungsprozess einbindet.

Zur Modellierung der geologischen Unsicherheit wird ein Variational Autoencoder (VAE) eingesetzt, der auf 50 000 räumlichen Qualitätsproben trainiert wurde. Der VAE erzeugt probabilistische, mehrszenarische Realisierungen des Erzgebirges, die die räumliche Kontinuität und Korrelation bewahren. Diese Szenarien werden anschließend in einem hybriden Metaheuristik‑Engine optimiert, die genetische Algorithmen (GA), Large‑Neighborhood‑Search (LNS), Simulated Annealing (SA) und ein reinforcement‑learning‑basiertes adaptives Kontrollsystem kombiniert.

Ein innovatives ε‑Constraint‑Relaxation‑Verfahren steuert die Populationsexploration: zunächst werden nahezu zulässige Zeitpläne entdeckt, danach wird die Strenge schrittweise erhöht, um schließlich die strengen Randbedingungen zu erfüllen. Dank GPU‑paralleler Auswertung können gleichzeitig 65 536 geologische Szenarien bewertet werden, was eine nahezu Echtzeit‑Analyse der Machbarkeit ermöglicht.

Die Ergebnisse zeigen einen Laufzeitgewinn von bis zu 1,2 Millionenfach gegenüber IBM CPLEX und einen deutlich höheren erwarteten NPV unter geologischer Unsicherheit. Damit bestätigt sich das DSS als skalierbare, unsicherheitsresistente Plattform für intelligente Tagebauplanung.