综述：基于AI的采矿作业数字孪生技术：综述 Shouki A. Ebad Aws I. Abueid Marwa Amara Rabie Ahmed

《Technologies》：AI-Driven Digital Twins in Mining Operations: A Comprehensive Review Shouki A. Ebad, Aws I. Abueid, Marwa Amara and Rabie Ahmed

　　摘要：由于新技术的应用，采矿行业正在经历一场重大的数字化转型，这些新技术旨在使工作更安全、更高效、更环保。以人工智能（AI）为驱动的数字孪生（AI-DT）正是这些新技术之一。它们结合了实时数据收集和智能分析，使得决策能够以预测性、适应性和自主性的方式进行。本文对2015年至2025年间发表的关于AI-DT在采矿作业中应用的文献进行了全面系统的回顾（SLR）。根据PRISMA方法，选出了68篇主要研究，并从多个角度进行了分析，包括出版趋势、人口统计分析、研究方法、数据来源、采矿领域以及所使用的人工智能技术。研究结果表明，学术界对AI-DT的兴趣日益增加，其中机器学习和深度学习方法应用的频率显著提升，同时倾向于使用真实世界的数据来提高模型准确性。大多数应用关注物理资产、加工厂和操作系统，而地下环境仍尚未得到充分理解。此外，文献还指出了数据集成、可扩展性、互操作性方面的一些主要问题，并指出目前缺乏大规模的工业验证。基于这些发现，本文指出了需要进一步研究的重要领域，并提出了推进AI-DT在采矿中发展和应用的方法。总之，本研究为研究人员和从业者提供了如何利用AI-DT使采矿作业更高效、更具韧性和可持续性的明确路径。

1. 引言
从地球中提取有价值的矿物和原材料（如金属、工业矿物和能源资源）被称为采矿[1]。这是一个基础性行业，通过提供制造业、基础设施和尖端技术所需的材料来支撑现代经济。近年来，全球向可再生能源系统的转变使得采矿变得更加重要，因为这些系统依赖于铜、镍和锂等关键矿物[2]。引入先进的计算工具以提高生产效率、安全性和可持续性，正在推动采矿行业的快速数字化转型[3]。过去，采矿作业是通过专家启发式方法和静态仿真模型来规划和监控提取过程的[4]。然而，当代采矿环境中的复杂性、不可预测性和实时动态使得这些传统方法难以应对。作为更大范围的“采矿4.0”范式的一部分，数字孪生（DT）技术成为促进信息物理融合的重要工具。它通过来自传感器、物联网（IoT）基础设施和远程监控系统的实时数据流，提供物理资产的同步虚拟表示，持续反映其状态、行为和性能[5]。数字孪生是对物理对象的实时虚拟再现，通过持续的信息流保持与物理实体的同步[6]。因此，它创建了一个结合数字系统和物理系统的闭环架构，实现实时监控、预测分析和决策支持。换句话说，数字孪生通过同步地质模型和IoT设备的实时数据，建立了连续的反馈循环。这使领导者能够迅速调整策略以应对变化的条件、机器状况或市场变化。在没有真实世界风险的情况下准确模拟高风险情况（如评估矿坡稳定性或通风效果）是一个重大优势[7]。与传统仿真相比，数字孪生强调了实际领域和虚拟领域之间的双向连接，不仅便于观察，还便于预测、优化和复杂任务的自主控制[8]。因此，它们对于涉及多种活动的采矿系统（如运输、加工、环境管理以及地质勘探和提取）尤为重要。将人工智能（AI）融入其中进一步增强了数字孪生的能力，使其具备学习、推理和自适应决策功能。我们将这种以AI为驱动的数字孪生称为“AI-DT”。机器学习（ML）、进化计算（EC）、深度学习（DL）、强化学习以及通常称为人工神经网络（ANN）等AI技术使数字孪生能够处理大量多模态数据、检测模式、预测设备故障并在不确定性下优化操作参数[5,9]。例如，结合数据驱动模型和物理知识的混合AI驱动数字孪生已被证明可以改善恶劣工业环境（包括矿山设备如磨机、输送机和通风系统）中的预测性维护和能源效率[4]。尽管取得了这些进展，许多采矿过程仍严重依赖人工干预，AI-DT在采矿中的应用仍处于早期阶段，现有研究主要集中在孤立的应用上，而不是统一的框架中[10]。最近的综述强调了将AI与数字孪生系统集成所带来的变革潜力，同时也指出了数据集成、模型可扩展性和复杂采矿环境中系统互操作性等重大挑战[3,5,10]。此外，文献证据表明，不同工程领域对数字孪生技术的采用存在显著不平衡。例如，Nobahar等人的一项研究[10]指出，制造业和建筑业占据了数字孪生研究的约66%，而采矿行业仅占4%。这种差异凸显了采矿领域中数字孪生应用的相对不成熟性，突显了需要更多针对性研究工作的迫切需求。因此，本研究旨在通过提供结构化的概述和路线图，帮助利用AI驱动的数字孪生实现更加弹性、高效和可持续的采矿作业。

2. 背景
2.1. 采矿行业与工程
采矿在现代社会中发挥着基础性作用，因为它为基础设施、制造业和能源生产提供了所需的原材料[1]。例如，铁矿石对于钢铁生产至关重要，而煤炭则是许多国家的关键能源来源。采矿价值链包括几个主要阶段[11]：首先是通过地质调查、遥感和数据分析来识别潜在的矿藏；其次是开发阶段，包括矿山规划、可行性研究和基础设施建设；接下来是提取阶段，涉及钻孔、爆破、装载和运输等作业，无论是在地表还是地下矿山；提取后的材料经过加工（矿物处理），通过破碎、研磨和浮选等工艺将有价值的矿物与废物分离；最后是精炼阶段，将处理后的材料进一步提纯为高质量、可进入市场的产品。这些阶段构成了一个需要持续协调和优化的相互关联的系统[1,10,11]。采矿作业可以划分为几个相互关联的领域，这些领域对于AI驱动的数字孪生应用尤为相关。首先是物理资产，包括挖掘机、运输卡车、破碎机和输送机等重型设备，它们对于物料提取和运输至关重要；其次是加工厂，这里通过各种物理和化学过程转化原始矿石；第三是地下环境，包括地质构造、矿体和地下条件，这些因素具有不确定性，需要持续监控和建模；最后是操作系统，涉及整个采矿生命周期中的规划、调度和物流流程。这些领域反映了采矿系统的复杂性和综合性，其中设备、工艺、地质数据和运营决策相互作用，产生大量异构数据[8,10,12]。图1展示了这些采矿领域之间的功能重叠。

2.2. AI-DT架构
AI-DT系统的架构采用了分层设计，以确保符合质量要求。从软件系统的角度来看，这种分层结构支持逐步和渐进式的开发，允许随着每一层的实现逐步引入新功能[15]。这种架构风格提高了灵活性、可维护性和可移植性。系统被划分为层次结构，每一层都包含相关的功能。上层依赖于下层提供的服务，而基础层提供在整个系统中使用的核心能力[15]。图2展示了简化的AI-DT架构及其主要功能。虽然AI-DT保留了传统数字孪生的基本物理和数字层，但它通过专门的AI子层扩展了中间数据和服务层。由于空间限制，这些子层（负责模型训练、持续学习和数据交换）在这里被表示为一个统一的层。这种增强结构使AI-DT能够处理超出传统孪生范围的复杂、动态和数据密集型任务。在图2所示的统一AI子层中，逻辑关系表现为一个顺序流程：数据保证层首先验证传入的传感器数据，然后将其传递给预测层进行状态预测，最终这些信息输入优化层，生成调整钻机或运输卡车等物理实体所需的控制策略[2]。

3. 现有综述
已有许多研究人员对此主题进行了综述。Don等人[3]回顾了过去二十年发表的与采矿行业相关的数字孪生应用文献，包括研究趋势、机遇和挑战；Rojas等人[4]分析了AI驱动的采矿应用预测监控的最新进展；Ali等人[5]探讨了采矿生命周期中的技术创新，以了解如何应用采矿4.0技术来构建更安全、更可持续的采矿行业；Yusupbekov等人[7]研究了数字孪生技术如何帮助提高采矿行业的优化和效率；Nobahar等人[10]提出了完全集成的数字孪生采矿系统，这将显著提高采矿效率和可持续性；Yang等人[16]分析了建筑领域中常用的数字孪生架构，并总结了实现AI、ML、CPS、IoT和AR等技术的常用方法；Madahana等人[17]概述了采矿作业中数字孪生系统的现状。总之，采矿行业中AI驱动的数字孪生集成仍然是一个研究不足的领域。现有综述往往忽略了特定的AI技术和算法[3,7,10,17]，或者依赖于有限的电子数据库[4]；还有一些研究将范围限制在特定的工程应用（如建筑[16]或维护[4]），或者广泛讨论了技术创新而不专门关注数字孪生[5,16]。很少有研究分析了发表趋势和地点分布。为了克服这些局限性，本研究采用PRISMA协议进行了全面的文献回顾。我们的目标是综合、分类和分析采矿行业中基于AI/ML的数字孪生的现有研究，包括对常用AI技术和算法的概述。

4. 材料与方法
系统文献回顾（SLR）为识别、评估、综合和解释与特定主题或研究问题相关的高质量研究提供了结构化和严谨的方法[18]。它在发现研究空白和指导未来研究方向方面发挥着至关重要的作用。在这项研究中，系统评价（SLR）是按照PRISMA（系统评价和荟萃分析的优先报告项目）指南[19]进行的。整个过程包括四个主要阶段：识别、筛选、资格评估和入选。相关研究最初是在2025年12月至2026年1月期间从电子数据库中收集的。在筛选阶段，研究人员检查了标题、摘要和关键词以剔除无关记录。随后，在资格评估阶段对全文论文进行了评估。最终，符合入选标准的文章被选中用于分析其中的AI-DT（人工智能-数字孪生）组件。这项评价工作由四名学术研究人员团队共同完成。其中一名成员设计了评价方案，其他作者对该方案进行了严格评审，所有团队成员都参与了评价过程的每个阶段。

4.1. 研究问题（RQs）的定义和搜索方案
为了明确本研究的范围，提出了五个主要的研究问题（RQs）。这些问题及其背后的动机在表1中呈现。我们使用术语“数字孪生”、“虚拟孪生”、“采矿”、“矿物加工”、“AI”和“机器学习”，并通过布尔运算符“AND”和“OR”、星号以及括号来制定搜索策略，以 refined 结果。表1列出了RQs及其依据。

4.2. 数据源识别
所定义的搜索策略在所有选定的数据库中系统地应用。这些搜索查询帮助识别出专注于采矿领域AI-DT应用的相关研究。在进行正式评价之前，先进行了初步搜索，以确定最合适和可靠的数据来源。选择这些数据库是因为它们在工程和技术领域具有广泛的高质量出版物覆盖范围。因此，本研究包括了五大主要数据库：IEEE、MDPI、Springer、Wiley和ScienceDirect。这些特定的数据库因其在该领域内的权威地位而被选中，特别是在采矿工程、资源开发和计算机科学交叉领域的权威性。IEEE和ScienceDirect提供了大量的技术工程研究文献，而MDPI和Springer则能够广泛反映数字化和可持续采矿实践的最新进展。

4.3. 质量评估
质量评估遵循[17]推荐的方法进行，以确保所选研究提供了足够的数据以便进行可信的提取。我们使用了一份包含四个条目的问卷来评估每篇论文的描述性细节和方法论的严谨性。该工具是根据文献综合后为我们的研究目的专门开发的。评估研究质量时使用了四个加权标准（如表2所示），每个标准都赋予了一个二元值（1表示满足，0表示不满足）。通过将这些值相加，得出总分为0到4分。最终分析仅包括了得分最低为2分的研究。对于任何分歧，通过基于共识的讨论或在必要时咨询公正的专家来解决。

4.4. 文章选择流程
评价过程遵循迭代和渐进的原则。首先是迭代地逐一检查每个数据库，然后再进行下一步。这个过程是渐进的，因为评价工作逐渐扩展，从最初的一小部分研究发展成为一个全面的数据集。文章的选择主要基于对标题、摘要和关键词的评估。只考虑了2015年至2025年初的英文出版物；这一时间范围涵盖了从2015年开始并持续至今的AI和数字孪生技术在采矿领域的快速发展[9,10]。排除标准包括与研究主题无关的文章、未经同行评审的资料、重复条目以及非研究成果（如论文或报告）。在初步筛选后仍存在不确定性的情况下，会审查全文文章。包括每个阶段的入选和排除过程在图3中进行了说明。从最初的881条记录中，最终确定了68篇作为主要研究。表3按研究编号组织了每次迭代的具体细节，以便于参考。

4.5. 数据提取
如图3所示，信息提取是使用标准化表格进行的（见表4）。该表格是根据研究目标和搜索标准设计的，以确保在所有选定研究中数据收集的一致性。它捕获了关键信息，如研究标题、作者、出版来源、年份、来源国家、研究目标、方法论（包括验证方法、数据集类型、采矿领域和AI技术）、确定的挑战、建议的研究方向以及报告的结果。这种结构化的提取过程确保了对选定文献的全面和系统分析。

5. 结果与讨论
分析首先探讨了AI-DT领域的研究趋势，涵盖了信息技术和采矿相关应用两个方面。图4展示了所包含研究的年代分布和出版来源。我们的分析显示，关于这个主题的实证研究数量呈现出持续上升的趋势。趋势线表明，随着时间的推移，相关出版物的增长率呈上升态势，凸显了近年来在采矿行业中整合AI-DT的重要性的增加。

5.1. 分布分析：发表途径和来源（RQ 1）
为了回答RQ 1，本研究分析了AI-DT研究领域内的出版物种类和文档类型。分析集中在表2中列出的五个数据库中的研究。这些出版物分为三类：期刊文章、会议论文和研讨会发言。如表5所示，期刊文章占主导地位，共有54篇（n = 54，79.4%），而会议论文和研讨会论文分别是13篇（n = 13，19.1%）和1篇（n = 1，1.5%）。这种主导地位可能是因为AI-DT研究通常需要严格的验证要求和详细的报告机制，使得期刊更适合这类研究。随着该领域的成熟，预计将会有更多专注于采矿领域AI应用的专门会议和研讨会。此外，IEEE和Springer合计占了选定研究的62%（n = 42），表明了它们在这个领域中的重要影响力。相比之下，Wiley的贡献最小；这可能反映了其在健康、生命科学和社会科学等跨学科领域的广泛关注（https://www.wiley.com/en-gb/research/；访问日期：2026年4月20日），而AI-DT所需的技术工程整合更多集中在专业的技术数据库中。表5显示，Springer是矿物加工领域AI-DT出版物的主要发表平台，其次是国内电气与电子工程师协会（IEEE）。

表6列出了发表该领域论文的主要期刊。这些期刊是多次出现的出版途径，代表了数据集中出现频率最高的出版物。Scientific Reports以九篇论文领先，其次是The International Journal of Advanced Manufacturing Technology和Applied Sciences，分别有五篇和三篇论文。Energies、Discover Internet of Things、Results in Engineering和Minerals Engineering各有两篇论文。

5.2. 人口统计趋势（RQ 2）
为了确定矿物工程领域内AI-DT研究最活跃的国家，分析了作者的隶属机构数据。这项分析通过识别研究贡献的地理分布来回答RQ2。无论后续隶属机构如何变化，都以第一作者的国籍作为研究来源的代理指标。这种方法在文献计量学研究中被广泛采用，因为第一作者通常被视为主要贡献者，他们的隶属机构反映了研究的地点。尽管存在其他方法，但这种方法确保了与先前研究的一致性，并减少了多作者合作可能带来的偏见[89,90]。图5展示了我们考虑的研究的隶属国家分布。结果显示，中国是最常被提及的国家，占研究总数的51.5%以上。其次是德国，占比8.8%，美国、俄罗斯和芬兰各占4.4%。摩洛哥和英国的研究人员各占2.9%。其余文章分布在多个国家，每个国家只有一篇论文（1.5%）。图5表明，研究活动高度集中在中国，占总隶属机构的50%以上。这一发现得到了先前研究的证实[3]。这种不平衡凸显了当前知识体系中存在的地理差异。此外，结果强调了需要更多的国际参与来推动采矿领域内的AI-DT研究。文献中代表性不足或完全没有代表的矿产丰富国家（如印度尼西亚和刚果民主共和国[91,92]），以及像沙特阿拉伯这样的新兴国家（采矿作为Vision 2030计划的一部分正在迅速发展[93]），都需要更多的研究关注。这些地区的更多贡献将提供更多样化的操作环境，并提升AI-DT解决方案的通用性。

5.3. 基于实证策略和数据集的分析（RQ 3.1 和 RQ 3.2）
由于本评价关注实证研究，因此只纳入了提供结果验证的研究。表7（RQ 3.1）详细展示了研究策略的分布，结果显示实验方法是使用最普遍的方法，有23篇研究采用了这种方法（33.8%）。其次是案例研究，占19篇（27.9%）。虽然模拟研究有15篇（22.1%），但有一小部分文献（10.3%）依赖于纯概念性或基于框架的理论验证。其余研究（5.9%）采用了混合方法，结合了模拟研究或案例研究来验证他们的发现。实验和案例研究的普遍性（两者合计约占62%）反映了行业在采用AI-DT方面的谨慎态度；鉴于采矿领域的高资本风险，来自受控试验或现场特定实施的实证证据对于证明投资回报（ROI）至关重要。然而，许多提出的方法仍局限于基于模拟的研究（例如[22,32,34,37]），缺乏在恶劣环境条件下的大规模工业验证。

图6显示了研究人员采用的数据集主要来源（RQ3.2）。该图清楚地显示了对实际数据的偏好。确定了四个不同的类别：感官数据、模拟数据、混合数据和无数据。感官数据最为常见，占研究总数的41.2%（n = 28），其次是混合数据，占30.9%（n = 21）。虽然单独的模拟数据占17.6%（n = 12），但“无数据”类别的比例最低，仅为10.3%（n = 7）。这种对感官数据和混合数据的高度依赖（总计超过70%）表明，行业正朝着高保真的数字孪生方向发展，这些数字孪生更重视实时操作准确性，而不是纯粹的理论建模。

表8展示了评估文献中确定的目标领域（RQ 3.3）。虽然主要数据集包含68篇论文，但实际上涉及的领域总数为71个。这种差异是由于有三项特定的研究[20,59,77]涉及多个领域。具体来说，参考文献[20]涵盖了处理厂和物理资产，参考文献[59]涵盖了处理厂和运营系统，参考文献[77]同时涵盖了物理资产和运营系统。表8显示，在矿物加工领域，“表面级”数字孪生（Surface-Level DTs）占主导地位。物理资产（35.2%）、处理厂（28.2%）和运营系统（28.2%）占当前文献的91%以上。这种集中现象的原因有两个：一是数据可获取性，因为重型机械和工厂已经配备了物联网设备，为AI集成提供了便利；二是即时的投资回报，预测性维护和提高回收率带来的明显财务收益激励了采用。

表9展示了主要研究中使用的AI技术（RQ 3.4）。虽然主要数据集包含68篇论文，但实际上使用的技术频率达到73。这归因于五项研究[46,69,70,74,79]采用了结合机器学习（ML）和协同优化（EC）的混合方法。在这些研究中，这些论文都被计入相应类别。因此，67例机器学习应用也包含在这五篇混合论文中。表9表明，研究人员在采矿作业中应用的AI技术包括机器学习。机器学习作为一个专门的AI领域，使算法能够直接从数据中识别模式并做出决策[9]。基于此，深度学习（DL）作为机器学习（ML）的一个子领域，通过多层次、分层的框架处理信息，以提升其对复杂环境的理解和分析能力[9]。虽然上述一些论文在提出的数字孪生技术中以非常笼统的方式使用了ML/DL，尤其是在基于概念框架的论文中（如表7所示），但有几篇论文明确指出神经网络（NNs）是最适合当前问题的技术。神经网络（或称为ANN）是受到人类大脑架构启发的AI技术。这些机器学习模型由分层的“神经元”组成，它们通过调整内部权重和偏置来识别数据中的模式，从而将输入转化为准确的输出[9]。在采矿领域，神经网络可以被看作是一个复杂的“数字大脑”，用于预测和优化那些难以处理的工业过程[20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,65,66,67,68,69,70,71,72,73,74,75,76,77,78,79,80,81,82,83,84,85,86,87]。与传统数学建模方法不同，神经网络依赖于历史传感器数据（如矿石硬度、化学成分和湿度水平）来学习这些变量如何影响最终产量。由于采矿数据通常具有“噪声”且非线性（即一个变量的微小变化可能导致另一个变量的巨大、不可预测的变化[9]），而人类操作员无法同时监控50个变量，但神经网络可以找到提高效率的“最佳点”，使工厂保持最佳运行状态。因此，在许多关于AI-DT的采矿文献中都可以找到神经网络的应用实例[20,27,28,37,38]。这种技术在采矿中的应用具有很高的预测能力，包括故障检测（如钻机）、气流预测（如通风系统）和能源优化（如矿石处理）。此外，它还支持自适应系统（如自学习孪生系统）[28]。

然而，神经网络也存在一些缺点。例如，它们计算成本较高，需要耗费大量时间和精力进行模型设计，并且需要大量的训练数据集[37]。在采矿应用中，神经网络的一个另一个缺点是在气流预测方面容易发生过拟合现象[38]。总体而言，由于上述限制以及噪声和数据稀缺等传统问题，传统的纯神经网络正在变得不那么具有竞争力[69]；因此，需要转向混合神经网络作为实用的工业解决方案[64,69,74,86]。为了解决数据稀缺带来的挑战，一些研究人员开发了将神经网络与模糊逻辑（FL）结合的混合架构。在这些框架中，模糊规则充当合成数据引擎的角色，生成训练神经网络所需的增强样本[94]。还有人建议使用离线训练方法来开发数字孪生模型，并将所得见解整合到基于云的决策系统中[28]。在自主制造的背景下，ML/DL驱动的数字孪生技术被专门用来识别系统故障[95]。

模糊逻辑（FL）是这些研究中经常使用的一种AI分支。根据[96,97]的研究，FL特别适用于数字孪生技术，因为它可以建模流体的、现实世界的变量而不仅仅是二进制状态。此外，它还能将复杂的人类知识转化为易于理解的语言规则，使系统更加直观和适应性强。尽管如此，在这项SLR研究中只有一项研究选择了模糊逻辑与神经网络（Bi-LSTM）相结合的方法[64]。作者利用模糊逻辑来克服不确定性和模糊性的限制。不过，该研究明确指出，“渐进程度是一个模糊的概念”，而人类判断具有主观性（即模糊逻辑方法提供了结构化的评估）。关于进化计算（EC），有五项研究将其与机器学习结合使用（如表9所示）。这些研究中使用了优化算法，包括蝗虫搜索[69]、粒子群优化（PSO）[46,70,79]、沙蚕群算法[46]或遗传算法[74]。这与实践中的应用方式一致。与模糊逻辑类似，进化计算在采矿和矿物加工中的AI-DT应用中也不单独使用；其原因可能是它缺乏预测能力和实时效率。因此，进化计算几乎总是与机器学习（尤其是神经网络）结合使用，以便对系统模型进行优化。这项SLR中的大多数研究都隐含地遵循图7所示的流程。

尽管取得了进展，但在采矿领域的AI-DT仍然存在几个关键挑战。图8总结了在利用AI-DT过程中遇到的十个最频繁的挑战[4]，按出现频率排序：数据集成与异构性、实时数据处理与同步、数据质量与可用性有限/较差、建模复杂性与准确性、互操作性与系统集成、计算复杂性与可扩展性、传感器与基础设施的限制、恶劣/不稳定的采矿环境、预测性维护与故障检测以及缺乏标准化[8]。表10详细介绍了这些挑战，包括每个问题的描述以及相关指标（如出现该问题的研究数量、频率和相对百分比）。为了清晰和简洁起见，最关键的挑战被分为四个主要类别：数据管理、建模与AI、基础设施与环境以及运营标准[10]。

在采矿作业中实施AI驱动的数字孪生涉及到一系列复杂的技术和环境障碍，从基础的数据管理问题开始（挑战1、2和3）。由于来自异构操作环境的标准化数据集的缺失，以及不同传感器技术和不兼容的数据格式导致的互操作性问题，算法的通用性和严格验证受到了阻碍[98]。由于许多矿场采用不均匀的数据采集方式，为AI/ML模型创建高质量训练集非常困难[98]。采矿环境的物理条件（如灰尘和振动）进一步加剧了这一挑战；在脏乱、高振动的环境中维护数据完整性会导致清洁和预处理的复杂性增加，传感器损坏或读数错误往往会导致模型性能下降和可靠真实标签的缺乏[99,100]。除了数据质量外，这些高级架构的计算需求（挑战6）经常与偏远或地下站点有限的边缘计算能力发生冲突[101]。虽然某些研究使用了较低复杂度的模型（如随机森林或SVM）来减少延迟，但这些模型通常缺乏在变化负载条件下捕捉细微模式的能力[102,103]。基于云的解决方案很少是万能的，因为在深层地下或孤立地点，稳定的连接性难以保证，需要在模型复杂性和硬件限制之间找到微妙的平衡[99,104]。此外，缺乏针对这些恶劣环境的标准化、公开可用的数据集（挑战10）继续阻碍了行业内的可重复性和大规模基准测试[105,106]。即使模型成功部署，其“黑箱”特性仍然对现场技术人员构成障碍；没有可解释的AI方法来提供可解释性，就很难实现预测性维护（挑战9）与自动化行动决策之间的衔接[100]。最后，部署大规模传感器网络的高成本（挑战7）以及强大的数字孪生平台对于中小型运营商来说仍然是一个重大障碍，这使得开发可扩展的、联盟化的方法成为未来行业的重要但尚未解决的挑战[107]。

此外，还确定了几个其他挑战，但由于篇幅限制和出现频率较低（少于五项研究），它们未被纳入主要表格。这些挑战包括四个论文讨论的主题：网络安全、隐私和信任[25,44,75,76]；模拟与现实的差距[22,55,58,69]；复杂系统协调[30,40,50,77]；以及能源优化[26,37,82,84]；还有三个论文提到的主题，如AI模型的局限性[74,81,87]、资源限制[25,36,83]和劳动力技能差距[20,31,83]。

这项综述指出了当前文献中的几个关键空白，这些空白需要进一步研究以增强AI驱动的数字孪生在采矿作业中的实施和有效性。根据分析的结果，提出了四个研究方向[5]：关注成本的预测性维护和故障诊断：许多研究（n = 16，23.5%）强调了在AI-DT应用中解决预测性维护和故障诊断的经济方面的必要性[20,24,27,41,46,52,54,55,57,58,62,65,69,70,72,79]。未来的研究不仅应关注提高故障预测和诊断模型的准确性，还应评估其成本效益。关键领域包括AI驱动的维护策略、状态监测以及在经济限制下的维护调度优化。数据集成与互操作性：许多研究强调了与企业系统的数据集成和互操作性[15,22.1%][20,25,28,29,41,42,43,51,53,56,60,62,71,73,78]。这一研究方向旨在实现异构数据源（包括物联网设备、传感器和传统系统）的无缝集成。未来的工作应致力于开发强大的互操作性框架和统一平台，以支持实时数据交换和整个采矿价值链中的数据治理。可扩展性与高性能架构：多项研究（n = 12，17.6%）认为可扩展性和计算性能是关键挑战[24,25,26,43,47,49,53,57,65,70,76,84]。这一领域的研究应专注于设计能够处理大规模、高速度数据集的可扩展AI-DT架构，同时保持计算效率。这包括利用分布式计算、边缘-云集成和高性能计算框架来支持实时和大规模部署。开发标准化的质量指标：显然需要通过开发标准化指标来系统地评估采矿作业中AI-DT的质量，这些指标能够量化多个方面的性能。这些指标既包括技术属性（如模型准确性、系统可靠性、计算效率），也包括与矿物加工相关的结果（如过程优化、回收率）。然而，由于数字孪生技术的复杂性，设计和实施这些指标仍然具有挑战性，因为它涉及多种技术的整合和跨学科知识的应用。该领域的核心技术包括建模、大数据分析、机器学习和仿真。

总之，这些研究方向为推进采矿作业中AI-DT的发展和部署提供了结构化的路线图，解决了文献中发现的技术和实际问题。

正如前面提到的，系统性的文献综述相比传统的综述具有多个优势，包括更高的透明度、更广泛的研究覆盖范围和更少的偏见。然而，这种方法也带来了一些实际挑战。在这项研究中，我们遇到了一些限制，这影响了研究的全面性。首先，尽管我们尽了最大努力确保覆盖所有相关研究，但该综述可能仍未包含学术界或工业界的每一项现有研究。为了尽量减少这一风险并确保样本的代表性，我们的搜索策略集中在五个以高质量、同行评审内容著称的文献数据库上。其次，搜索字符串中遗漏某些关键词（如“深度学习”）可能会缩小搜索结果的范围。第三，选择或排除研究的标准可能受到研究者主观观点的影响（偏见）。虽然这项研究提供了全面的概述，但目前分析的描述性 nature 为未来的研究提供了机会。从描述性总结转向统计推断或更高级的建模技术将显著提高分析的严谨性。例如，实施预测建模来预测年度出版趋势可以提供更可靠的全球研究成果轨迹。此外，显然需要在采矿产业发达或新兴的国家（如印度尼西亚、刚果和沙特阿拉伯）进行本地化研究，而这些国家在这项数据集中没有得到充分体现。为了支持这些未来的研究工作，所有用于本综述的数据集和方法模板均可根据要求提供，以便于复制和比较分析。

本文对采矿行业中AI驱动的数字孪生（AI-DT）应用进行了全面综述。通过系统性的文献综述方法，分析了2015年至2025年间发表的68项研究。研究结果表明：(1) 在这一研究领域中，期刊论文的数量远远超过会议论文和研讨会论文，其中《科学报告》（Scientific Reports）是最常见的发表平台。(2) 中国在研究产出方面是最大的贡献者。(3) 最常见的实证研究方法是实验，其次是案例研究；最常用的数据集是感官数据，其次是感官数据与模拟数据的混合数据。(4) 当前的大部分文献集中在三个采矿领域：实物资产、加工厂和运营系统。与传统智能方法（如进化计算和模糊逻辑）相比，机器学习（ML）方法在这一研究领域产生了更为显著的影响，其中神经网络是最常用的ML技术。(5) 人工智能在采矿领域面临的十大挑战包括：数据集成与异质性、实时数据处理与同步、数据质量与可用性有限/较差、建模复杂性与准确性、互操作性与系统集成、计算复杂性与可扩展性、传感器与基础设施的限制、恶劣/不确定的采矿环境、预测性维护与故障检测以及缺乏标准化。(6) 四个关键的研究方向是：考虑成本的预测性维护与故障诊断、数据集成与互操作性、可扩展性与高性能架构，以及标准化质量指标的制定。这项研究的结果为矿业公司、人工智能从业人员、监管机构及其他利益相关者提供了宝贵的见解，帮助他们了解当前人工智能在采矿领域的应用能力。人工智能在采矿领域的应用标志着采矿工程的根本性变革——数据不再是一种副产品，而是实现实时安全和环境优化的核心资产。未来，这些系统的集成有望在恶劣环境中降低运营风险，并通过更精确的资源管理显著减少开采过程中的碳足迹。此外，研究结果通过指明关键挑战和需要进一步研究的领域，为未来的研究奠定了坚实的基础。同时，研究也讨论了自身的局限性，并展望了在该快速发展的领域内推进研究的潜在方向。