达索系统Whittle 露天矿优化高级技巧：价值模式与调度算法...

寂静回声

当勘探和采矿公司需要评估财务可行性和矿床的最佳采矿战略时，他们会求助于行业领先的战略性矿业规划解决方案 – GEOVIA Whittle™。 公司依赖 Whittle 通过考虑实际矿区约束将盈利最大化来帮助他们决定投资战略，并提供稳健的采矿规划。 Whittle 提供可靠的结果，并且可在整个生产阶段的范围、可行性、矿区生命规划和正在进行中的矿业规划重新评估中使用。 由于单矿井优化不足以挖掘操作中的所有经济潜能，Whittle 将提供矿区优化，从而使项目价值的显著增长超过且高于矿井优化。 凭借其 64 位平台，Whittle 可以处理设计用于优化和运行大模型的大数据集。 为了协助处理这些越变越大的数据集，除了 Lerchs-Grossmann 之外，Whittle 还包括了伪流算法，其出名的矿井外形生成速度即使是应付大型数据集也游刃有余。



在露天矿山的长周期运营中，净现值（NPV）提升 1% 往往意味着数千万甚至上亿美元的现金流结余。这种增益并非来自运气的眷顾，而是源于对地质不确定性与工程约束之间极其精细的数学博弈。
据统计，采用Whittle算法的露天矿项目，其净现值（NPV）平均提升12-18%，而传统经验法优化的矿山NPV增长仅为3-5%。更惊人的是，在复杂多金属矿床（如铜-金共生矿）中，Whittle的动态价值模式能将金属回收率与剥采比的平衡优化提升至92%的理论极限——而人工调度往往止步于78%。



这些数据背后，是一套将地质不确定性、经济波动、和工程约束融为一体的数学框架。今天，我们要拆解的正是这套框架的核心：如何将矿石的“价值”转化为算法能理解的“数字”，再通过调度算法将其转化为现金流。
本文是《GEOVIA CONNECT 25X 实战系列：从地质建模到智能矿山的全流程优化》系列中的一篇，本篇将站在露天矿优化的顶层视角，与达索系统资深矿业优化专家Cory CASE一同解析Whittle算法的高级应用——特别是其价值模式（Value Mode）、现金流建模，以及调度算法如何与地质-采矿-经济三位一体的约束条件交互。


Cory CASE拥有20余年露天矿优化经验，曾主导过智利Escondida铜矿和澳大利亚BHP铁矿的Whittle算法升级项目。在本文中，他针对全球工程师在 Whittle 应用中最常遇到的五个核心技术瓶颈，提供了堪称“手术刀式”的深度解析。
从环境底层的 Java 架构解耦，到价值模式下的自定义经济模型构建，再到 Milawa 调度算法的非线性博弈，我们将跟随 Cory 的视角，完成一次从底层逻辑到顶层战略的技术进阶。

从 Whittle 2022 Refresh 3 版本起，我们完成了一次底层的“脱壳”行动——将 Whittle 与过去捆绑的 Java 运行环境进行了彻底解耦。这意味着软件现在直接挂载在您宿主机系统的 Java 环境上。这一架构演进是为了让企业 IT 部门能更灵活地部署安全补丁，但也对我们工程师的环境配置能力提出了更高要求。


如果您的 Whittle 在启动时抛出晦涩的 Java 报错，或者提示后台计算引擎连接失败，本质上是Java虚拟机（VM）与我们的核心算法模块之间失去了握手信号。
根据我们的严苛测试，我强烈建议大家抛弃通用的 Java 环境，转而采用IBM Semeru运行环境。为什么要选它？因为它的内核是高性能的OpenJ9 VM。对于像 Whittle 这样需要频繁进行大规模内存寻址和非线性迭代的工业软件，J9虚拟机在内存足迹管理和算力调度上的表现远超常规版本。
在安装这个基于J9架构的环境时，有一个极其关键的细节：您必须在安装向导中手动勾选“写入注册表键值”。这不仅仅是一个配置动作，它是为 Whittle 的主程序建立一条通往底层Wren计算引擎的高带宽通路。


很多时候，即便您安装了环境，如果注册表这个“导航仪”没配好，软件依然会处于“失明”状态，无法调用后台的 64 位计算核心。请记住，我们追求的是系统级的稳健性，而不仅仅是把程序运行起来。只有确保了J9 VM这一层底座的绝对扎实，后续我们讨论的价值模式注入和 Milawa 调度算法，才能在高性能计算（HPC）模式下全速运转。
在传统的 Whittle 工作流中，标准的逻辑是导入带有品位元素的块体模型，然后在软件内部输入价格和各项成本，由 Whittle 计算每个块体的价值并据此生成最优坑壳。然而，随着工业 4.0 的深入，越来越多的专家级用户倾向于在GMP软件（如 Surpac）中构建极其复杂的净冶炼收入（NSR，Net Smelter Return）模型或自定义价值模型。他们希望跳过 Whittle 的原生计算，直接将预设的经济价值注入优化引擎。这就是我们要讨论的“价值模式（Value Mode）”，一种允许工程师绕过系统预设公式、实现算法定制的高级入口。


进入价值模式的第一步，是在块体模型导入阶段进行精确的属性映射。你需要至少定义品位元素、岩石类型和密度，但这只是基础。核心动作是将外部计算好的“块体价值”映射为系统认可的唯一属性。这里存在一个关键的数值陷阱：Whittle 在处理该属性时不会再次乘以吨位，它默认该数值已经是聚合后的最终经济价值。这意味着你导入的数据必须在物理维度和经济维度上保持高度的一致性，任何单位换算的偏差都可能在后续的优化迭代中被无限放大。
在设置境界优化模块时，你会遇到一个让许多教科书都感到尴尬的技术细节——参考采矿成本。虽然部分文档宣称此处可以设为零，但在数值计算的底层逻辑中，这会导致某些算子出现奇异性错误。我们的最佳实践是输入一个极小的正数，比如 0.00001。这个万分之一美分的成本在宏观经济评价中几乎可以忽略不计，但它却能为算法提供必要的数值梯度，确保优化过程在数学上的收敛。这正是工程师思维与纯数学理论的碰撞点：我们通过微小的扰动来换取整个系统的稳定性。
在价值模式下，矿石选择方法必须同步切换为对应的选项。此时，Whittle 的功能发生了一个微妙的转变：它不再扮演会计师的角色去计算利润，而是变成了一个纯粹的物流与时间调度器。你可以将加工成本设为零，甚至可以设置一个名义上的回收率来追踪黄金或铜的金属回收量，但这不会改变块体的基础价值。在这种模式下，系统只能生成台阶相位（Bench Phases）而非传统的嵌套坑壳（Nested Pits）。这种计算方式会从模型顶部逐台阶向下扫描，寻找最优切割面，其逻辑更趋近于真实物理环境中的剥离时序。



为什么要费力去构建这种价值模式？本质上是为了处理那些非线性的、极度复杂的加工逻辑。当你的选厂涉及多种矿石类型的混合、复杂的药剂消耗函数或者动态的运输成本补偿时，Whittle 自带的线性公式可能显得过于单薄。
通过价值模式，你可以在外部利用 Python 或 C编写更精密的经济动力学模型，然后将计算结果像“黑盒”一样喂给 Whittle。这种“外脑”式的工作流，让 Whittle 的优化能力得以在非线性经济环境中进行无损延伸，真正实现了软件作为决策支持系统的核心价值。

当我们在 Whittle 的加工选项卡中面临“截止品位模式（Cutoff）”与“现金流模式（Cash Flow）”的选择时，我们实际上是在进行一场关于优先级的战略决策。这不仅是数学公式的选择，更是矿山经营哲学的取舍。在“截止品位”模式下，Whittle 遵循的是一种线性优先逻辑。系统会检查列表中的第一个加工路径，如果该路径盈利，则直接分配；如果不盈利，才会依次向下检索。这种模式适用于那些有明确加工偏好的项目，例如优先保证磨矿设施的满负荷运转，哪怕堆浸路径在短期内可能提供更高的单位产值。


相比之下，“现金流模式”则显得更加“唯利是图”且具备全局视野。它会自动计算所有可行加工路径的潜在收益，并强制选择那个能产生最大瞬时现金流的选项。如果某种矿石送往堆浸场的利润高于送往选厂，系统会毫不犹豫地改变物流走向。对于追求极速资金回笼或处于高利息环境下的项目，这种模式能显著提升初期的投资回报率。但在这种极度优化的背后，工程师需要警惕它可能对选厂长期负载稳定性带来的冲击，因为算法往往会对短期高收益产生过度的路径依赖。
两者在数学边界的处理上也存在本质差异。现金流模式采用的是硬性截止逻辑（Hard Cutoff），即块体必须同时满足所有品位元素的阈值要求，否则会被无情地判定为废石。这类似于一种逻辑与（AND）的关系。而截止品位模式则引入了“品位等效曲线”的概念，这在多金属矿山中尤为关键。在这种模式下，即使黄金品位略低于单一截止标准，但如果其伴生的铜或银贡献了足够的价值，该块体依然会被判定为可加工矿石。这种曲线式的判定边界，更真实地模拟了矿石价值的连续性，避免了因教条化的数值门槛而造成的资源流失。
理解这种等效曲线的物理意义，就像是在理解热力学中的相图。你不再是看一个孤立的点，而是看这个点在多维坐标系中的能量势能。在截止品位模式下，你可以灵活勾选哪些元素参与等效曲线的构建，哪些元素作为纯粹的副产品。这种灵活性赋予了矿山计划工程师一种类似于“调音师”的能力，通过微调不同金属的权重，在复杂的矿石结构中寻找到那条最宽阔的盈利通道。这正是 Whittle 作为顶级优化软件的魅力所在：它不仅给出了答案，还给了你重新定义问题的权力。


在矿山生命周期的战略调度中，Milawa 算法始终是一个充满神秘感的核心，也是我们技术支持中被问及频率最高的话题。用户经常会疑惑：为什么我不能永远追求最高的 NPV？为什么要提供“Milawa NPV”和“Milawa 平衡（Balanced）”两种截然不同的策略？从纯数学的角度看，NPV 最大化是终极目标，但在真实的物理世界中，矿山是一个受限于机械负载、能源消耗和物流通量的复杂系统。一个在数学上完美的 NPV 高峰，如果超出了采矿设备或选厂的额定通量，它就是一个无法实现的幻觉。
Milawa NPV 模式就像一个疯狂的赛车手，为了赢得比赛，它会不顾一切地压榨系统性能。它会为了获取下一年的高品位矿石而进行过度剥离，哪怕这意味着堆场会瞬间爆满或者矿石流极度不稳定。这种模式下，你的采矿极限往往会被顶到上限，而选厂则可能因为矿石供给不足而频繁怠速。对于很多矿山而言，选厂的停工成本是极其高昂的，那种“有矿就磨，没矿就歇”的模式在现代矿业中几乎是不可接受的，因为这会破坏热力学稳态并增加设备故障率。
这时，Milawa Balanced（平衡模式）的价值就凸显出来了。它的底层逻辑是在确保选厂满负荷运转的前提下，再去寻求 NPV 的最大化。这是一种带约束的非线性优化，类似于在高速公路上保持匀速行驶的同时，寻找油耗最低的挡位。它会优先平滑每年的矿石处理量，通过调整开采时序和推回（Pushback）的步调，确保没有任何一年会出现产能的巨大缺口。这种策略虽然在账面上可能比单纯的 NPV 模式少了几百万美元，但它换来的是极高的执行可靠性和极低的运营风险。

为了更透彻地理解这一点，我们需要对比一下“固定超前量（Fixed Lead）”与“可变超前量（Variable Lead）”。固定超前量是基准算法，它死板地规定了相邻推回之间必须保持多少台阶的深度差。而 Milawa 算法则聪明得多，它允许在一个范围内动态调整超前量。它会进行大量的前瞻性模拟：如何提前剥离废石？如何将高品位块体通过时间轴提前？它通过这种动态的废石管理策略，实现了对矿石品位的“削峰填谷”。这种对时间维度的深层操控，正是 Milawa 作为专利算法的技术壁垒所在。
近年来，关于在 Whittle 中整合地下开采分析的需求呈现爆发式增长。但这里存在一个普遍的误区，我必须明确指出：Whittle 并不是一个专业的地下矿山调度软件。它提供的地下开采选项，本质上是一个关于“边界判定”的功能，而非详细的开拓设计。系统标记的所谓“地下块体”，在最终的露天坑壳报告中会被视为废石或不可见。它的核心使命是回答一个问题：对于深部的疑问矿体，是将其作为露天坑壳的一部分进行剥离更划算，还是留给未来的地下工程更具经济优势？
我们将这种分析模型拆解为三个区域：黑色区域是绝对的露天矿石，橙色区域是确定的地下水平，而绿色的中间地带则是博弈的战场。 Whittle 的地下处理逻辑是基于“优势度（Advantageous）”的比较。它假设你已经有了一个初步的地下开采计划和成本预估，然后它会计算每个块体在露天模式下的价值（需扣除巨额的废石剥离成本）与在地下模式下的残余价值。如果一个块体在地下模式下依然能维持正收益，那么它对露天坑延伸的“拉动力”就会减弱，从而导致一个更小、更集约的露天最终坑壳。

在实际操作中，设置地下加工路径需要一些特殊的技巧。由于 Whittle 只有一个采矿成本输入框，而地下的采矿成本通常远高于露天（需要考虑基础设施、通风、支护和复杂的出矿系统），我们通常将地下采矿成本直接合并进加工成本中。这会导致地下路径的成本数值看起来非常夸张，但这正是真实的物理反映。同时，地下路径不会受到露天采矿成本调整因子（MCAF）的影响，因此建议为这部分矿体创建独立的岩石类型，以便进行更精准的控制。
这种分析的终点是生成一个红色的“最优坑壳边界”，它标志着露天与地下的经济分界线。这个界限不是固定不变的，它随着金属价格的波动和技术手段的进步而动态迁移。通过在 Whittle 中运行这种模拟，工程师可以提前十年甚至二十年预见到露天转地下的关键时间节点。这不仅是设计层面的优化，更是资产配置层面的战略预判。我们通过对比两者的边际收益，确保每一吨矿石都在其最适合的物理空间内被挖掘出最大的价值
演讲的最后，我想谈谈所有资深工程师最关心的课题：我该如何相信 Whittle 算出的结果？当模型输出了一个极其诱人的 NPV 时，它是真实的工程解，还是因为某个 MCAF 公式写错而导致的数值假象？在 GEOVIA，我们始终倡导“未验证，不交付”的准则。为此，我们引入了“块体价值计算（Block Value Calculation）”节点。这不仅是一个计算工具，它更像是软件的“调试器（Debugger）”，允许你像剥洋葱一样，层层拆解任意一个块体的价值来源。

通过这个节点，你可以指定任意的块体索引（IJK 坐标），系统会输出一份极其详尽的审计报告。这份报告会列出从初始品位、吨位、稀释率、回收率，到每一项价格换算和成本扣除的完整数学路径。如果你对某个复杂的回收率公式或者自定义的 MCAF 表达式存疑，这里就是最权威的对账单。你可以清楚地看到 Whittle 是如何处理每一个小块（Parcel）的，以及它是如何在最后一步通过减去采矿成本来得出最终块体价值的。
除了数据审计，3D 可视化器也是不可或缺的物理检查手段。我个人的习惯是，在运行完优化后，先进入 3D 界面观察高品位块体的分布与坑壳形态的逻辑关系。利用鼠标悬停功能，你可以实时查看每个块体在计算过程中实际应用的 MCAF 数值。如果你发现一个位于深部的高边坡块体，其 MCAF 依然显示为 1，而你分明设置了深度补偿函数，那么你就立刻抓到了一个逻辑漏洞。这种视觉与数值的双重校验，是确保优化结果具备工程可实现性的最后一道防线。
总而言之，Whittle 的优化过程不是一个简单的“点击并等待”的过程，而是一次持续的、循环的科学探索。从底层的 Java 环境确保计算的稳定性，到利用价值模式打破预设公式的桎梏，再到通过 Milawa 算法在时空维度上寻找 NPV 的平衡点，每一个环节都在考验工程师对矿山物理本质的理解。我希望今天的分享能帮助大家在面对复杂的优化任务时，不再是被动地接受软件给出的数字，而是能够主动地去驾驭算法，构建出真正稳健、高效的智能矿山蓝图。
作为《GEOVIA CONNECT 25X》系列的核心篇章之一，Cory Case 对 Whittle 的深度解构让我们看到，露天矿优化的本质是在受限的物理空间内，通过算法博弈来实现资本效率的最大化。从复杂的 Java 环境配置到多维度的 Milawa 调度，每一个技术点都是通往智能矿山的关键阶梯。理解了这些高级技巧，工程师就拥有了在海量不确定性中锁定确定性收益的能力。