Faglig innhold

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

Etter fullført emne skal studenten ha avansert kunnskap om ansvarlig gruvedrift, beregningsmodeller og bruk av maskinlæring for optimalisering av operasjoner innen gruvedrift og tilknyttede fagområder.

Kompetanse

Etter fullført emne skal studenten kunne:

• Analysere hvordan ulike operasjonsparametere påvirker ytelse, bærekraft og risiko i gruvedrift og geoteknikk.
• Integrere maskinlæringsteknikker og beregningsverktøy i beslutningsprosesser for ansvarlig gruvedrift i tråd med FNs bærekraftsmål.
• Reflektere kritisk over begrensningene ved empiriske metoder og fordelene ved avanserte modelleringsmetoder for bærekraftig utvikling.

Kunnskaper og ferdigheter

Etter fullført emne skal studenten kunne:

• Beskrive anvendelser av maskinlæring innen gruvedrift, bergteknikk og geoteknikk.
• Forklare sentrale faktorer som påvirker valgte operasjoner og deres samspill.
• Utvikle prediktive modeller ved bruk av maskinlæringsalgoritmer for ingeniørapplikasjoner.
• Anvende optimaliseringsteknikker for å forbedre operasjonell effektivitet under gitte begrensninger.
• Bruke lisensierte og åpne beregningsverktøy for modellering og optimalisering.
• Tilpasse og anvende emnets konsepter direkte i ph.d.-forskningsprosjekter.

Læringsformer og aktiviteter

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.

Spesielle vilkår

Anbefalte forkunnskaper

Det forventes at det valgte prosjektet er relatert til studentens doktorgradsavhandling.

Forkunnskapskrav

Emnet krever opptak til ph.d.-programmet Ingeniørvitenskap, eller godkjenning fra emneansvarlig. Studenten må ha mastergrad i gruveteknikk eller relaterte disipliner. Studenten skal ha en bred idé om det valgte prosjektemnet og avhengige og uavhengige variabler. Godkjenningen vil bli gitt av emneansvarlig.

Kursmateriell

Oppgis ved semesterstart.

Studiepoengreduksjon