ORIGINAL PAPER
Optimizing resource management under variable geological and mining conditions using a longwall advance model
1
Mineral and Energy Economy Research Institute, Polish Academy of Sciences, Kraków, Poland
2
Institute of Engineering Sciences, Faculty of Materials, Civil and Environmental Engineering, University of Bielsko-Biala, Bielsko-Biała, Poland
3
Silesian University of Technology, Gliwice, Poland
Submission date: 2025-10-31
Final revision date: 2025-11-14
Acceptance date: 2025-12-02
Publication date: 2025-12-16
Corresponding author
Dominik Galica
Mineral and Energy Economy Research Institute, Polish Academy of Sciences, Kraków, Poland
Mineral and Energy Economy Research Institute, Polish Academy of Sciences, Kraków, Poland
Gospodarka Surowcami Mineralnymi – Mineral Resources Management 2025;41(4):73-100
KEYWORDS
underground miningproduction planningresource managementlinear mixed models (LMM)geological modelling
TOPICS
ABSTRACT
Production planning in underground hard coal mines faces high uncertainty from geological variability. The longwall face advance is a key parameter determining production outcomes. This article models this advance rate based on local geological, hazard, technical, and organizational parameters. Instead of tonnage (a composite parameter), this research models the linear advance rate itself, representing the primary and most unpredictable component of excavation. This provides a utilitarian tool for decision-support systems and efficient deposit management.
The research used integrated 5-year data from three hard coal mines, acquired from digital deposit models, scheduling systems, and operational reports, and aggregated monthly. Following a selection from 71 variables, a final set of 26 independent variables and one dependent variable (longwall advance per shift with production) was chosen. Linear Mixed Models (LMMs) were applied to incorporate the hierarchical data structure (seams nested within mines).
The model demonstrates a good fit, explaining 64% of total variance (conditional R2c = 0.64), while fixed effects alone account for 43% (marginal R2m = 0.43). Results indicate organizational factors have a dominant impact. The random effects analysis revealed 33.2% of residual variance stems from immeasurable, systematic differences between mines, highlighting the crucial role of mine-specific management factors. By successfully quantifying these diverse factors within a stable LMM, this study provides a model with improved predictive accuracy, establishing an effective foundation for operational planning and resource management.
FUNDING
The Authors have no conflict of interest to declare. The publication was carried out as part of the GOSPOSTRATEG.IX-0016/22 project entitled “Dynamic management of demand, production, resource management and logistics of distribution of hard coal in an economy implementing a decarbonization energy mix”.
CONFLICT OF INTEREST
The Authors have no conflict of interest to declare.
METADATA IN OTHER LANGUAGES:
Polish
Optymalizacja procesu zarządzania zasobami w zmiennych warunkach geologiczno-górniczych z wykorzystaniem modelu postępu ściany wydobywczej
górnictwo podziemne, planowanie produkcji, zarządzanie zasobami, liniowe modele mieszane (LMM), modelowanie geologiczne
Planowanie produkcji w kopalniach węgla kamiennego obarczone jest dużą niepewnością wynikającą ze zmienności geologiczno-górniczej. Postęp ściany jest kluczowym parametrem determinującym wyniki produkcyjne. W artykule modelowano tempo postępu ściany w funkcji lokalnych uwarunkowań geologicznych, zagrożeń oraz parametrów technicznych i organizacyjnych.
Badania koncentrują się na modelowaniu postępu liniowego (podstawowego i najbardziej nieprzewidywalnego komponentu eksploatacji) zamiast tonażu (parametru złożonego). Dostarcza to narzędzia dla systemów wspomagania decyzji i efektywnej gospodarki złożem.
Badania oparto na zintegrowanych, 5-letnich danych z trzech kopalń węgla kamiennego. Dane pozyskano z cyfrowych modeli złóż, systemów harmonogramowania i raportów operacyjnych, agregując je miesięcznie. Po selekcji z 71 zmiennych wybrano 26 predyktorów i 1 zmienną zależną (postęp ściany na zmianę produkcyjną). Zastosowano Liniowe Modele Mieszane (LMM) w celu uwzględnienia hierarchicznej struktury danych (pokłady w kopalniach).
Opracowany model wykazuje dobre dopasowanie, wyjaśniając 64% całkowitej wariancji (warunkowe R2c = 0.64), przy czym efekty stałe odpowiadają za 43% (marginalne R2m = 0.43). Wyniki wskazują na dominujący wpływ czynników organizacyjnych. Analiza efektów losowych ujawniła, że 33.2% wariancji resztowej wynika z niemierzalnych, systematycznych różnic między kopalniami, co podkreśla kluczową rolę czynników zarządczych. Rezultatem niniejszej pracy jest stabilny model LMM, który poprzez integrację i kwantyfikację czynników geologicznych, operacyjnych oraz organizacyjnych (włącznie z efektami losowymi) oferuje zwiększoną zdolność prognostyczną. Model ten tworzy tym samym efektywną podstawę dla planowania operacyjnego i gospodarki zasobami.
REFERENCES (34)
1.
Aghababaei et al. 2019 – Aghababaei, S., Jalalifar, H. and Saeedi, G. 2019. Prediction of Face Advance Rate and Determination of the Operation Efficiency in Retreat Longwall Mining Panel Using Rock Engineering System. International Journal of Coal Science & Technology 6(3), DOI: 10.1007/s40789-019-0245-6.
2.
Bartoń, K. 2025. MuMIn: Multi-Model Inference. DOI: 10.32614/CRAN.package.MuMIn.
3.
Douglas et al. 2015 – Douglas, B., Mächler, M., Bolker, B. and Walker, S. 2015. Fitting Linear Mixed-Effects Models Using Lme4. Journal of Statistical Software 67(1), DOI: 10.18637/jss.v067.i01.
4.
Burtan, Z. 2016. The importance of associated natural hazards in the Upper Silesian Coal Basin (Znaczenie skojarzonych zagrożeń naturalnych w kopalniach Górnośląskiego Zagłębia Węglowego). Przegląd Górniczy 72(11), pp. 21–29 (in Polish).
5.
Chimunhu et al. 2024 – Chimunhu, Prosper, E. Topal, Mohammad Asad, Roohollah Shirani Faradonbeh, and Ajak Ajak. 2024. The Future of Underground Mine Planning in the Era of Machine Learning: Opportunities for Engineering Robustness and Flexibility. Mining Technology: Transactions of the Institutions of Mining and Metallurgy 133(6), DOI: 10.1177/25726668241281875.
6.
Ćwiek, B. 2011. Basic rules of safe behavior in mining excavations (Podstawowe zasady bezpiecznego zachowania w wyrobiskach górniczych). Katowice: Wyd. Górnicze Sp. z .o.o. (in Polish).
7.
Dyczko et al. 2020 – Dyczko, A., Malec, M. and Prostański, D. 2020. The Efficiency of Longwall Systems in the Case of Using Different Cutting Technologies in the LW Bogdanka. Acta Montanistica Slovaca 25(4), DOI: 10.46544/AMS.v25i4.06.
8.
Galica, D. 2023. Digital geological model of the deposit as a decision support tool in the operation of a hard coal mine (Cyfrowy model geologiczny złoża jako narzędzie wspomagania decyzji w działalności kopalni węgla kamiennego). Kraków: MEERI PAS (in Polish).
9.
Golda et al. 2024 – Golda, K., Paszek, L. and Kulpa, J. 2024. Geological and Technological Viewpoint on 3D Deposit Model – Examples of Use in Pniówek Coal Mine. E3S Web of Conferences 526, DOI: 10.1051/e3sconf/202452601007.
10.
Haidai et al. 2022 – Haidai, O., Ruskykh, V., Ulanova, N., Prykhodko, V., Cabana, E.C., Dychkovskyi, R., Howaniec, N. and Smolinski, A. 2022. Mine Field Preparation and Coal Mining in Western Donbas: Energy Security of Ukraine – A Case Study. Energies 15(13), DOI: 10.3390/en15134653.
11.
Jonek-Kowalska, I. and Turek, M. 2016. Determinants of Efficiency in Hard Coal Mines in Poland in the Current Market and Geological-Mining Conditions. Inżynieria Mineralna 1(2), DOI: 10.29227/IM-2016-02-09.
12.
Kalinin et al. 2019 – Kalinin, S.I., Route, G.N., Ignatov, Y.M. and Gagarin, A.A. 2019. Analysis of the Impact of Mining and Geological Conditions on the Performance of the Production Face for Digital Modeling of the Rock Strata. Vestnik of Kuzbass State Technical University 136(6), DOI: 10.26730/1999-4125-2019-6-44-50.
13.
Khorolskyi et al. 2019 – Khorolskyi, A., Hrinov, V., Mamaikin, O. and Demchenko, Y. 2019. Models and Methods to Make Decisions While Mining Production Scheduling. Mining of Mineral Deposits 13(4), DOI: 10.33271/mining13.04.053.
14.
Kopacz et al. 2019 – Kopacz, M., Kulpa, J., Galica, D., Dyczko, A. and Jarosz, J. 2019. Economic Valuation of Coal Deposits – The Value of Geological Information in the Resource Recognition Process. Resources Policy 63, DOI: 10.1016/j.resourpol.2019.101450.
15.
Kopacz et al. 2020 – Kopacz, M., Malinowski, L. Kaczmarzewski, S. and Kamiński, P. 2020. Optimizing Mining Production Plan as a Trade-off between Resources Utilization and Economic Targets in Underground Coal Mines. Gospodarka Surowcami Mineralnymi – Mineral Resources Management 36(4), DOI: 10.24425/gsm.2020.133948.
16.
Krawczyk, A. 2023. Mining Geomatics. ISPRS International Journal of Geo-Information 12(7), DOI: 10.3390/ijgi12070278.
17.
Magda, R. 2008. Data Management for the Mine Production Planning and Design. Gospodarka Surowcami Mineralnymi – Mineral Resources Management 36(4/2).
18.
Matthee et al. 2024 - Matthee, F.J.L., Marais, J.H. and van Laar, J.H. 2024. Enhanced Measurement and Verification Practices in Deep-Level Mines: The Current State. Mining 4(2), DOI: 10.3390/mining4020023.
19.
Meshkov et al. 2021 – Meshkov, А., Kazanin, O. and Sidorenko, A. 2021. Improving the Efficiency of the Technology and Organization of the Longwall Face Move during the Intensive Flat-Lying Coal Seams Mining at the Kuzbass Mines. Journal of Mining Institute 249), DOI: 10.31897/PMI.2021.3.3.
20.
Newman et al. 2010 – Newman, A.M., Rubio, E., Caro, R., Weintraub, A. and Eurek, K. 2010. A Review of Operations Research in Mine Planning. Interfaces 40(3), DOI: 10.1287/inte.1090.0492.
21.
Okol’nishnikov et al. 2021 – Okol’nishnikov, V.V., Ordin A.A. and Rudometov, S.V. 2021. Development of a Digital Model of Mining Face of Coal Mine. Optoelectronics, Instrumentation and Data Processing 57(6), DOI: 10.3103/S8756699021060108.
22.
Polak, R. 2014. Adaptation of key performance indicators of TPM strategy in underground coal mines (Adaptacja kluczowych miar efektywności strategii TPM w warunkach kopalni węgla kamiennego). Zeszyty Naukowe IGSMiE PAN 87, pp. 49–68.
23.
Polak, R. 2016. Performance measures report card as a tool for evaluate the work of longwall system (karta miar efektywności jako narzędzie oceny pracy kompleksu ścianowego). Przegląd Górniczy 72(5), pp. 79–85.
24.
R Core Team. 2024. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing. [Online:] https://www.R-project.org.
25.
Snopkowski et al. 2025 – Snopkowski, R., Sukiennik, M. and Napieraj, A. 2025. The Stochastic Nature of the Mining Production Process – Modeling of Processes in Deep Hard Coal Mines. Energies 18(20), DOI: 10.3390/en18205383.
26.
Sobczyk, E.J. 2022. Onerousness of hard coal mining resulting from geological and mining conditions (Uciążliwość eksploatacji złóż węgla kamiennego wynikająca z warunków geologicznych i górniczych). Kraków: MEERI PAS, DOI: 10.33223/onermin/0222.
27.
Sobczyk, E.J. and Kopacz, M. 2018. Assessing Geological and Mining Condition Nuisance and Its Impact on the Cost of Exploitation in Hard Coal Mines with the Use of a Multi-Criterion Method. Archives of Mining Sciences 63(3).
28.
Sobczyk et al. 2020 – Sobczyk, E.J., Sokołowski, A., Kopacz, M., Fijorek, K. and Denkowska, S. 2020. The Analysis of Dependence of the Level of Operational Costs and Production Outputs upon Geological and Mining Conditions in Selected Hard Coal Mines in Poland. Gospodarka Surowcami Mineralnymi – Mineral Resources Management 36(3), DOI: 10.24425/gsm.2020.133932.
29.
Sobczyk et al. 2024 – Sobczyk, E.J., Kulpa, J., Kopacz, M., Sałamaga, M. and Sobczyk, W. 2024. Sustainable management of hard coal resources implemented by identifying risk factors in the mining process. Gospodarka Surowcami Mineralnymi – Mineral Resources Management 40(3), DOI: 10.24425/gsm.2024.151526.
30.
Song et al. 2020 - Song, G., Wang, Z. and Ding, K. 2020. Evaluation of the Face Advance Rate on Ground Control in the Open Face Area Associated with Mining Operations in Western China. Journal of Geophysics and Engineering 17(2), DOI: 10.1093/jge/gxz124.
31.
Sosnowski, P. and Galica, D. 2024. Construction of the Geological Model of the “Knurów” Deposit and Its Application to the Exploitation Design. E3S Web of Conferences 526, DOI: 10.1051/e3sconf/202452601027.
32.
Szlązak, N. and Kubaczka, C. 2012. Impact of Coal Output Concentration on Methane Emission to Longwall Faces. Archives of Mining Sciences 57(1), DOI: 10.2478/v10267-012-0001-x.
33.
Vlasov et al. 2022 – Vlasov, S., Moldavanov, Y., Dychkovskyi, R., Cabana, E., Howaniec, N., Widera, K., Bąk, A. and Smoliński, A. 2022. A Generalized View of Longwall Emergency Stop Prevention (Ukraine). Processes 10(5), DOI: 10.3390/pr10050878.
34.
Yetkin et al. 2014 – Yetkin, M.E., Ozfirat, M.K. and Onargan, T. 2024. Examining the Optimum Panel Pillar Dimension in Longwall Mining Considering Stress Distribution. Scientific Reports 14, DOI: 10.1038/s41598-024-57579-w.
| eISSN: | 2299-2324 |
| ISSN: | 0860-0953 |
© 2006-2025 Journal hosting platform by Bentus
We process personal data collected when visiting the website. The function of obtaining information about users and their behavior is carried out by voluntarily entered information in forms and saving cookies in end devices. Data, including cookies, are used to provide services, improve the user experience and to analyze the traffic in accordance with the Privacy policy. Data are also collected and processed by Google Analytics tool (more).
You can change cookies settings in your browser. Restricted use of cookies in the browser configuration may affect some functionalities of the website.
You can change cookies settings in your browser. Restricted use of cookies in the browser configuration may affect some functionalities of the website.
