Globalmente, as empresas de mineração atribuem extrema importância à produção de minérios e a métodos rentáveis para implementá-los, desde o momento em que o minério é escavado de minas a céu aberto até quando chega às plantas metalúrgicas para processamento. Ferramentas de aprendizado de máquina estão começando a assumir um papel central na maioria dos sistemas implementados em minas a céu aberto, ajudando a mitigar os desafios associados ao manejo de dados e alcançar as metas de produção desejadas. Os dados em tempo real dos equipamentos de mineração móveis que mostram o desempenho real são armazenados em bancos de dados. Os dados desses bancos de dados são então usados para treinar e testar o modelo híbrido desenvolvido. O presente trabalho utiliza um modelo híbrido XGBOOST-RF com otimização bayesiana (XBOREOPT) para prever a produção de minério na mina a céu aberto de Kansanshi. O modelo híbrido pode prever a produção de minério para a mina a céu aberto e apresentar os resultados de forma inteligente. Métricas foram utilizadas para avaliar o desempenho do modelo híbrido e garantir que fosse significativo, eficaz, relevante e preciso nas previsões. Os resultados deste estudo mostraram um coeficiente de determinação de 0,9999 para o modelo híbrido em comparação a 0,5382 e 0,3729 para regressão linear e regressor K Vizinhos, respectivamente, provando que o modelo XBOREOPT teve um desempenho melhor.
Mkokweza et al. (Qui,) estudaram essa questão.