استخراج هوشمند: هوش مصنوعی چگونه می تواند برای صنعت معدن مفید باشد

با توجه به اینکه مجموع هزینه های عملیاتی شرکت های معدنی برتر در سراسر جهان به 15 میلیارد دلار می رسد، استخراج کارآمد مواد خام یکی از بزرگترین واژه های رایج در حال حاضر است. در حالی که غیر قابل انکار است که مشارکت انسان در بخش معدن غیر قابل جایگزین است، مک کینزی تخمین می زند که تا سال 2035، عصر استخراج هوشمند که از طریق استخراج خودکار با استفاده از تجزیه و تحلیل داده ها و فناوری های دیجیتال مانند هوش مصنوعی (AI) به دست می آید، سالانه برای تولیدکنندگان مواد خام معدنی بین 290 تا 390 میلیارد دلار صرفه جویی خواهد کرد.

هوش مصنوعی توانایی یک کامپیوتر دیجیتال یا ربات کنترل شده توسط کامپیوتر برای انجام وظایفی است که معمولاً با موجودات هوشمند مرتبط است، مانند یادگیری از تجربیات گذشته. سیستم های مجهز به هوش مصنوعی از الگوریتم های مختلفی برای سازماندهی و درک حجم وسیعی از داده ها با هدف تصمیم گیری بهینه استفاده می کنند. اما چگونه هوش مصنوعی می‌تواند از صنعت استخراج به سرعت در حال رشد حمایت کند و به سمت استخراج هوشمند سوق دهد؟ در بخش های بعدی چند مثال برای پاسخ به این سوال ارائه می شود.

نیازهای اکتشاف طلا

از نظر تاریخی، اکتشافات عمده طلا از هزینه های اکتشاف پیشی گرفته است. با این حال، در سال 2012، مخارج به 6.1 میلیارد دلار به اوج خود رسید و در مجموع چهار کانسار بین سال‌ های 2013 و 2015 کشف شد، در حالی که قبل از سال 2012، صنعت به طور متوسط 10 ذخایر در سال پیدا کرد.

اکتشافات آتی احتمالاً توده ‌های معدنی عمیق ‌تر و پیچیده ‌تر هستند که توسط بار اضافی و دیگر ساختارهای زمین ‌شناسی پنهان شده‌اند. یادگیری ماشینی نشان داده است که ابزاری امیدوار کننده در پردازش حجم عظیمی از داده ‌های جمع‌آوری ‌شده در طول اکتشاف است و کلید یافتن این ذخایر پیچیده‌ تر است. روشی که این کار را انجام می دهد به این صورت است:

   - استفاده از داده های آموزشی (نقشه هایی با رسوبات و ویژگی های شناخته شده)

   - داده ها تمیز، تبدیل، تفسیر و سپس برای آموزش ماشین ها به منظور پیش بینی اهداف مورد استفاده قرار می گیرند

   - اهداف با پتانسیل بالا برای کانی سازی یا استخراج شناسایی می شوند

Goldspot Discoveries Corp از هوش مصنوعی برای بهبود اکتشاف مواد معدنی با مصرف داده‌های مختلف استفاده می‌کند تا مکان‌های ذخیره طلا را کشف کند. این شرکت از طریق هوش مصنوعی، تجزیه و تحلیل پیشرفته و مدل سازی شبیه سازی، این پتانسیل را دارد که بیش از 11 میلیارد دلار ارزش اضافی به صنعت معدن اضافه کند.

اطمینان از حذف خطای بهره برداری از راه دور از طریق تجزیه و تحلیل داده ها

اگر هوش مصنوعی بتواند کاربر را برای درک بهتر محیط و زمینی که قرار است بهره برداری از آن شروع شود، پشتیبانی کند، قرار گرفتن کارگران معدن در خط مقدم با موقعیت های خطرناک کاهش می یابد. این ایده در صنعت نفت و گاز نیز مطرح شده است. با پشتیبانی از داده‌ های بزرگ، شرکت ‌ها می‌توانند در مقایسه با روش ‌های سنتی با تمام فرآیندهای اداری پیچیده و پرهزینه که قبل از اکتشاف میدانی انجام می ‌شوند، ۸۰ درصد در زمان یافتن معادن جدید صرفه‌جویی کنند. علاوه بر این، داده های به دست آمده را می توان در برنامه های احیای بعدی، که در آن بازسازی مجدد محیط طبیعی منطقه مورد نیاز است، استفاده کرد.

اما همیشه باید در نظر داشته باشیم که برای دستیابی به تجزیه و تحلیل داده ‌های اکتشافی ارزشمند، باید بر یکی از بزرگترین چالش ‌های یادگیری ماشینی در زمینه اکتشاف غلبه کنیم: دستیابی به مجموعه داده ‌های مرتبط و تمیز.

ارتباط و کمیت مجموعه داده ها را می توان از طریق بررسی های لرزه ای به دست آورد. به عنوان مثال، در یک بررسی لرزه ای خلیج مکزیک، بیش از 1.5 پتابایت داده جمع آوری شد و شرکت علوم زمین CGG چهار نسخه از داده ها را از کشتی های خود دریافت کرد. داده ها می توانند ساختاری، باینری یا بدون ساختار باشند. در حال حاضر، تنها 15٪ از این داده های موجود برای بینش و تجزیه و تحلیل استفاده می شود. الگوریتم های تمیز کردن پس از فرآیند می توانند نتایجی را با مجموعه داده های تمیز و ارزشمند ارائه دهند.

وسایل نقلیه معدنی خود مختار در داخل معدن که می توانند از راه دور اداره و مدیریت شوند

به طور منطقی، معیارهای ایمنی استخراج با استفاده از هوش مصنوعی به طور قابل توجهی بهبود می یابد. این یکی از دلایلی است که تقریباً 50 درصد از ناوگان کامیون های باربری ریوتینتو در حال حاضر به طور مستقل کار می کند. از سوی دیگر، در نظر گرفتن جنبه هایی مانند نیاز به سطح بالایی از امنیت سایبری مهم است.

تصور کنید برخی از تجهیزات معدنی بسیار گران قیمت مانند یک بیل مکانیکی مستقل هک شده است. می توان آن را به راحتی با برخورد با کوه به یک توده فلز تبدیل کرد. سطح بالای دانش الکترونیک پیچیده برای نگهداری این نوع وسایل نقلیه الزامی است. و مطمئناً، اتصال به اینترنت مورد نیاز است، زیرا جمع ‌آوری داده ‌ها برای یادگیری ماشینی، استخراج مستقل ضروری است، و اغلب اوقات، ماینینگ بسیار دور از دنیای مدنی و برق اتفاق می ‌افتد.

ردیابی پرسنل خود مختار چگونه می تواند ایمنی را در طول فرآیند استخراج افزایش دهد؟

حسگرهای پوشیدنی را تصور کنید که به طور مداوم بر رفتار کارگران نظارت می ‌کنند، داده ‌های بی ‌درنگ تولید می ‌کنند که سپس به‌ طور خودکار تجزیه و تحلیل می‌شوند تا روندهای رفتاری مشکل ‌ساز را شناسایی کرده و آموزش ‌های جبرانی بسیار متمرکز را در یک محیط مبتنی بر شبیه‌ ساز توصیه کنند. یا با پشتیبانی از دوربین هایی که در طول فرآیند استخراج فیلم می گیرند، به طور خودکار پرسنل سایت معدن را برای اهداف ایمنی، امنیت و تجزیه و تحلیل فرآیند نظارت می کنند. شبیه ‌سازی ThoroughTec سیستم‌ های ردیابی پرسنل را ارائه می‌ دهند که از شرکت ‌های استخراج برای بهینه‌ سازی مداخلات آموزشی که به بهترین نحو با نیازهای کارگر منطبق است، پشتیبانی می ‌کند.

استخراج خودمختار برای شناسایی از راه دور گریدهای مس با کمترین میزان خطای ممکن

این امکان وجود دارد که با استفاده از یادگیری ماشینی، تشخیص تصویر به میزان قابل توجهی افزایش یابد. با پشتیبانی از فناوری بینایی، نمونه‌ های سنگ و داده‌ های حفاری می ‌توانند به طور خودکار نوع کانی ‌های کشف ‌شده را با دقت بالایی تعیین کنند، برخلاف زمان و تلاشی که می‌توان به صورت دستی برای بررسی و برچسب‌گذاری نمونه‌ های سنگ ‌های مختلف صرف کرد. همانطور که Ionic Mechatronics اشاره می کند، "کسانی که از هوش مصنوعی سود می برند کسانی هستند که با فروشندگان سرمایه گذاری می کنند و اولین دسترسی را دارند."

شبکه های عصبی برای بهره وری کارآمد

مرتب سازی هوشمند در حال حاضر در صنعت معدن برای مواد معدنی و سنگ معدن اعمال می شود و الگوریتم های هوش مصنوعی با استفاده از حسگرهای رنگی و داده های اشعه ایکس در حال بهبود کیفیت و کمیت، به عنوان مثال، فرآیند بازیابی الماس هستند. شبکه ‌های عصبی عمیق، که از شبکه ‌هایی با مقادیر انبوه داده برای یادگیری استفاده می‌ کنند، می‌ توانند از طریق افزایش قابل ‌توجه تشخیص تصویر و گفتار، سنگ معدن با عیار بهتر و صرفه‌ جویی در هزینه‌ های بالقوه در صنعت معدن را فراهم کنند.

جنبه مهم دیگر این است که سرعت مدیریت داده‌ ای که این شبکه ‌های عصبی می ‌توانند ارائه کنند، امکان توسعه سیستم‌ های بلادرنگ را فراهم می‌ کند که می ‌توانند به سرعت مشکلات بالقوه یا حتی خطرات را در طول فرآیند استخراج شناسایی کنند. مدیریت داده ها از طریق شبکه های عصبی می تواند نه تنها هزینه های استخراج، بلکه سطح ایمنی را در طول فرآیند استخراج نیز بهبود بخشد.

آینده ماینینگ هوشمند است

کاربردهای هوش مصنوعی در صنعت معدن بی شمار است. با پیشرفت انقلاب سبز، نیاز به مواد خام مانند سیلیکون برای پانل های خورشیدی PV و لیتیوم برای باتری ها، به طور قابل توجهی افزایش یافته است. هوش مصنوعی استخراج مواد خام را از یک عملیات مردم‌ محور به یک عملیات فرآیند محور تغییر می‌دهد، که برای اطمینان از شرایط بهداشتی و ایمنی مناسب برای کارگران معدن، سطح بالایی از دقت، حذف خطا و فرآیند تصمیم ‌گیری سریع ‌تر حیاتی است.

با توجه به اینکه بخش معدن به عملیات بیشتر و مؤثرتر و کارآمدتر مانند استخراج مستقل نیاز دارد، صنعت نیاز به سرمایه گذاری در فناوری های مختلف هوش مصنوعی دارد. برخی از شرکت های معدنی مایل به سرمایه گذاری هستند در حالی که برخی دیگر هنوز آماده نیستند. اما در هر صورت، نیاز به استخراج هوشمند در حال حاضر وجود دارد.