收益：
- 能够利用人工智能在场景基础上构建最终的坑限、推回和生产顺序问题
- 能够在 AI 支持下分析剥离率、NPV 和倾斜角等参数之间的平衡
- 能够根据优化软件、岩土约束和安全要求验证人工智能建议的计划
一旦我们知道了矿石的位置和数量，就该解决最困难的问题了：我们将如何、以什么顺序以及在什么限度内挖掘它？一月计划；区块模型的任务是提出开挖计划，通过综合成本、金属价格、边坡安全和资金时间价值，安全地产生最高价值。在露天开采（地上逐步开挖）中，最终的矿坑边界、后推（逐渐扩大矿坑的中间边界）和生产顺序是决定性的；在地下，方法选择、面板/底脚设计和支撑（支撑开挖腔的支撑）是第一位的。这是一个比较多个选项的优化问题。 AI强于场景生成和参数分析；但最终的方案、坡度和安全决定权属于主管工程师。
基本概念
- 块模型：矿床的数值模型，分为小的矩形块，并为每个块分配了品位、密度和类型。
- NPV（净现值）：未来现金流量折现至现值的总和；比较计划的基本标准。
- 剥采比：达到一单位矿石所去除的废石量；决定经济和矿山限制。
- 最终坑极限：经济上停止挖掘的最后极限；它通常是通过 Lerchs-Grossmann 等算法找到的。
- 排序（调度）：哪一年将挖掘哪个区块；通过最大化 NPV 来平衡约束（容量、混合、坡度）。
人工智能有助于教授这些概念和设置场景；然而，最终的坑和序列是通过专门的优化软件（例如部门规划包）和岩土限制产生的。 AI 给出的 NPV 或剥离率数字只是一个估计值，除非使用您自己的区块模型和成本结构进行计算。
一步一步：将人工智能纳入规划流程
- 澄清输入。区块模型、成本（挖掘、运输、加工）、金属价格、折扣率、坡度角度、容量。 AI：提取缺失输入的列表。
- 定义场景。不同的金属价格，不同的截止日期，不同的产能。 AI：构建场景矩阵。
- 设立一个帐户。区块价值、剥离率、简单 NPV 计算的代码。 AI：生成脚本，解释单元和假设。
- 用优化软件验证。最终的熔炉和排序在专业软件中运行。 AI：帮助解释结果。
- 应用岩土工程和安全约束。坡度、台阶高度、安全护堤。 AI：生成清单；该决定由岩土工程师做出。
- 报告。决策会议的比较表。 AI：起草人。
提示：不要让AI“建议”斜角。坡度角度由岩土分析（岩体、不连续面、水）确定，并且对安全至关重要。这里使用人工智能只是为了比较场景经济学。
地下规划的差异
在地下，问题主要是方法选择（硐室趾、长壁、下/上层崩落等）、开口稳定性、支撑和通风。在这里，安全更为重要：天花板/墙壁的稳定性、倒塌风险、气体和通风。 AI方法可以生成对比表和成本场景；但方法和支持的决定取决于岩土和采矿设计工程师。诸如“高腿适合这张床”之类的人工智能推论只是一个引发讨论的假设。
三个迷你箱子
案例 1 — 剥离率场景。在一个露天煤矿中，该团队希望了解 3 个不同煤炭价格水平下的最终限制如何变化。他们让人工智能安装一个脚本来计算区块值和抓取率；他们根据自己的数据运行它。当价格下降20%时，他们看到经济极限缩小，总可开采储量从4.1Mt减少到3.3Mt。AI加速了演算；最终的边界和决定是由规划软件和工程师共同制定的。
案例 2 — NPV 假设不正确。实习生问AI“这个矿盈利吗”； AI给出了一个NPV的例子。实习生将其放入演示文稿中。然而，人工智能不知道折扣率、实际成本和生产概况；他给出的数字完全是假的。正确的做法是用自己的现金流量表计算NPV。教训：人工智能不需要被问“它能盈利吗？” AI问如何设置现金流账户，数字来自你。
情况 3 — 混合约束。在锻造厂中，工厂要求饲料中的二氧化硅含量低于一定限度。团队告诉AI编写一个脚本，计算来自不同块源的整理场景；他们认为，如果哪个地区在哪个月份混合，边界就会保持不变。规划工程师在软件中验证结果并相应调整生产顺序。 AI加速了约束场景运算；限制和决定是工程师的。
可复制的提示模板
缺乏输入检查“角色：你是露天矿规划助理。对于最终的矿坑边界和生产顺序，我需要什么输入？创建一个完整的清单：块模型区域、成本项目、经济参数、岩土约束、容量。用一句话写出为什么需要每一项。”
NPV 计算骨架 “在 Python 中设置一个简单的年度现金流和 NPV 计算。输入：年度矿石吨位、品位、金属价格、产量、单位成本、贴现率。预先解释所有假设。不要编造数字；我将提供输入。最后，逐年列出现金流和 NPV。添加一个选项，将价格更改 ±20% 以获得敏感性。”
场景比较“设置一个表格，比较以下场景的结果：[场景1：价格
岩土工程/安全约束检查“为露天矿计划草案制定岩土工程和安全检查表：坡度验证、台阶高度、安全栏、坡道坡度、排水、监控。为每个项目添加注释“谁做出此决定/需要进行哪些分析”。强调这个清单不能由人工智能决定，需要岩土工程师的批准。”
弱提示/强提示
弱提示：“给我这个矿井的最佳坑计划。”
强烈提示：“角色：您是规划助理。我将使用我自己的块模型、成本和岩土坡角。给我 (1) 缺失输入的列表，(2) 用于剥离率和块价值计算的代码框架，(3) 比较三种价格方案的表格结构。您确定最终的坑边界；请注意，这将由优化软件和岩土约束生成。”
对照表：决策和人工智能角色
决定
决定性的
人工智能角色
验证
最终坑限
经济学+岩土工程
场景/账户
规划软件
倾斜角
岩土分析
仅清单
岩土工程师
生产顺序
容量+净现值
算术助手
软件+工程师
混合
设施限制
场景账户
冶金+规划
地下法
设计+安全
对比图
采矿设计工程师
常见错误
- 让人工智能询问“是否有利可图/最好的计划是什么？” AI不知道你的成本和折扣数据；使用您自己的表格计算 NPV。
- 让人工智能建议倾斜角度。安全至关重要；仅由岩土分析确定。
- 专注于单一场景。价格和成本不确定；敏感性分析至关重要。
- 牺牲岩土工程对经济的限制。坡度越陡意味着生锈越少，但安全裕度是不容妥协的。
- 盲目接受优化输出。软件的好坏取决于您输入的质量；手动逻辑检查结果。
注意：当经济和安全在规划中发生冲突时，安全获胜。即使人工智能建议看起来经济上更好的陡坡，也不会低于岩土安全极限。
总之
一月计划；区块模型是一项集经济性、安全性和时间于一体的优化作业。 AI输入控制、剥离率和NPV计算骨架是场景比较和混合算法的有力辅助。然而，最终的坑边界是由优化软件确定的，坡度角度和地下方法是由岩土/设计工程师确定的。不要问AI“是否有利可图”或“最好的计划是什么”；从您自己的数据中生成数字，永远不要为了经济而牺牲安全性。
应用任务
使用“NPV 计算框架”模板以及您自己的（或样本）块模型和成本数据设置年度现金流和 NPV 计算；将价格改变 ±20% 并查看灵敏度。然后使用“场景比较”模板绘制这三个场景的图表。最后，使用“岩土/安全约束检查”模板为您的计划草案创建安全检查表，并注明每个项目的决策者。
清单
- [ ] 我没有向AI询问NPV，我是用自己的现金流量表计算的。
- [ ] 我通过岩土分析确定了坡度，没有人工智能建议。
- [ ] 我至少比较了三种情况（价格/截止/容量）。
- [ ] 我将岩土工程/安全约束置于经济之前。
- [ ] 我用规划软件制作了最终的炉界并通过了逻辑检查。
- [ ] 我将最终计划的批准留给了主管工程师。