Umeå universitets logga

Efficient production planning in underground mining requires accurate estimation of operational performance. This thesis investigated whether Machine Learning models could be used to predict loading cycle time in LKAB’s underground iron ore mine in Kiruna using historical operational data.

Several regression-based and ensemble learning models were evaluated, including Ridge regression, LASSO, Random Forest and XGBoost. The modeling workflow included data extraction, feature engineering, filtering of operational interruptions and chronological validation. Additional experiments were conducted to evaluate temporal robustness, generalization across mining areas and aggregation of predictions to daily planning metrics.

The results showed that filtering extreme cycle times significantly improved predictive performance, where a seven-minute time cap produced the best results. Among the evaluated models, XGBoost achieved the strongest overall predictive accuracy at event level. However, the study also demonstrated that prediction of individual loading cycles remained challenging due to substantial operational variability.

When event-level predictions were aggregated to daily operational metrics, predictive performance improved substantially, particularly for total daily loading workload. This suggests that Machine Learning models may provide greater practical value for aggregated operational forecasting and production planning than for precise prediction of individual loading events.

Feature importance analysis and segment-based exploration further indicated that loading performance was influenced by spatial, temporal and operational factors such as transport distance, previous operational conditions, shift and mining level.

Overall, the results demonstrate that Machine Learning methods can complement existing production planning practices by providing data-driven operational insights and planning-relevant workload estimates in underground mining systems.

Effektiv produktionsplanering inom underjordsgruvor kräver noggrann skattning av operativ effektivitet. Denna studie undersökte om maskininlärningsmodeller kan användas för att prediktera lastcykeltid i LKAB:s underjordsgruva i Kiruna baserat på historisk operativ data.

Flera regressions- och ensemblebaserade modeller utvärderades, däribland Ridge-regression, LASSO, Random Forest och XGBoost. Modelleringsprocessen omfattade dataextrahering, feature engineering, filtrering av avbrott samt kronologisk validering. Ytterligare experiment genomfördes för att analysera modellernas robusthet över tid, generalisering mellan olika gruvområden samt aggregering av prediktioner till dagliga planeringsmått.

Resultaten visade att filtrering av extrema cykeltider förbättrade modellernas prestanda avsevärt där en övre tidsgräns på sju minuter gav bäst resultat. Bland de utvärderade modellerna uppvisade XGBoost högst prediktionsförmåga på händelsenivå. Samtidigt visade studien att prediktion av individuella lastcykler fortsatt är ett komplext problem med stor operativ variation.

När prediktionerna aggregerades till daglig nivå förbättrades resultaten avsevärt, särskilt för total daglig lastningsarbetsbelastning. Detta indikerar att maskininlärningsmodeller kan ha större praktiskt värde för aggregerad operativ prognostisering och produktionsplanering än för exakt prediktion av enskilda lastcykler.

Analys av feature importance och segmentbaserade analyser visade dessutom att lastprestanda påverkades av operativa faktorer såsom transportavstånd, tidigare operativa förhållanden, skift och gruvnivå.

Sammanfattningsvis visar resultaten att maskininlärningsmetoder kan fungera som ett komplement till befintliga planeringsmetoder genom att bidra med datadrivna operativa insikter och planeringsrelevanta prognoser inom underjordsgruvor.