Глобальный менеджер по развитию бизнеса
ALS Mine Site Services
Бритт — геофизик с более чем 15-летним опытом работы в горнодобывающей промышленности и разведке полезных ископаемых, специализирующийся на знаниях о рудных телах, прикладной геохимии, спектроскопии и машинном обучении. Работая в сфере оборудования, программного обеспечения и консалтинга, включая должности в Corescan, ioGAS, Leapfrog, GoldSpot Discoveries и ioGlobal, она привносит всесторонний взгляд на разработку и внедрение технологий для выявления и определения факторов стоимости по всему рудному телу и их влияния на всю цепочку создания стоимости в горнодобывающей промышленности.
Ее опыт охватывает различные месторождения полезных ископаемых, юрисдикции и сырьевые товары, что позволяет ей критически оценивать появляющиеся инновации. Благодаря сильному сочетанию технической проницательности и бизнес-инсайта Бритт преуспевает в оценке технологий и проектов, эффективно привлекая заинтересованные стороны для разработки эффективных решений. Она увлечена преобразованием данных в практическую информацию.
Расширение знаний о рудном теле с помощью машинного обучения для повышения эффективности переработки полезных ископаемых
Знание рудного тела является важнейшей основой для поддержки цепочки создания стоимости в горнодобывающей промышленности. В ALS Global наши интегрированные команды Mine Site Services и Geoanalytics специализируются на решениях машинного обучения для геологических наук, используя передовые технологии для предоставления быстрых, высокоточных данных, которые способствуют принятию обоснованных решений.
Наш инновационный подход объединяет два ключевых достижения: a) быстрое испытание твердости (например, тест HIT) и b) предиктивную минералогию на основе геохимических данных. Развертывая быстрые, эффективные методы испытания твердости на месте, мы значительно расширяем количество точек данных, доступных для анализа. Это повышенное пространственное разрешение улучшает понимание изменчивости материалов, позволяя инженерам и геологам разрабатывать более точные геотехнические модели для характеристики рудного тела.
В дополнение к этому наши модели машинного обучения прогнозируют минералогические составы непосредственно из геохимических наборов данных, предоставляя своевременные данные, которые информируют о стратегиях обработки. Интегрируя эти данные в геологические модели, мы позволяем горнодобывающим предприятиям достигать повышенной производительности, снижения потребления энергии и оптимизации стратегий взрывных работ. Такой подход, основанный на данных, способствует принятию упреждающих решений, повышая эффективность последующей обработки и открывая новые возможности для оптимизации операций.
