استفاده از هوش مصنوعی برای پردازش و اکتشاف مواد معدنی

هوش مصنوعی (AI) به تدریج وارد صنعت معدن می شود. از مدیریت گردش کار گرفته تا پیش بینی ذخایر معدنی، هوش مصنوعی استخراج مقرون به صرفه و کارآمد مواد معدنی را فراهم می کند.

هوش مصنوعی (AI) چیست؟

هوش مصنوعی (AI) به توانایی ماشین برای تصمیم گیری و انجام اقدامات بر اساس تجزیه و تحلیل داده ها و روندها اشاره دارد. هدف این رشته توسعه سیستم ‌هایی است که می ‌توانند مشابه انسان‌ ها یاد بگیرند و استدلال کنند، از تجربه برای حل مشکلات و مقایسه داده‌ ها و انجام وظایف منطقی استفاده کنند.

هوش مصنوعی چگونه در معدن برای پردازش مواد معدنی و اکتشاف گنجانده شده است؟

فناوری ‌های هوش مصنوعی و تجزیه و تحلیل داده‌ ها در اکتشاف معدنی می ‌توانند به سرعت و ایمن مناطقی با پتانسیل کانی ‌زایی بالا را شناسایی کرده و در هزینه‌ ها و زمان اکتشاف صرفه ‌جویی کنند.

الگوریتم‌ های هوش مصنوعی با پشتیبانی از داده ‌های اشعه ایکس و حسگرهای رنگی در حال حاضر در صنعت معدن برای بهبود کمیت و کیفیت فرآیند اکتشاف مواد معدنی استفاده می‌ شوند. شبکه‌ های عصبی عمیق، زیرمجموعه ‌ای از هوش مصنوعی، می ‌توانند کیفیت سنگ معدن را بهبود بخشند و هزینه ‌های استخراج را با افزایش قابل ‌توجهی تشخیص تصویر و گفتار کاهش دهند.

با کمک فناوری بینایی تقویت ‌شده با هوش مصنوعی، داده ‌های حفاری و نمونه‌ های سنگ می ‌توانند به طور خودکار نوع کانی ‌ها را با دقت زیادی شناسایی کنند و در زمان و تلاش نسبت به تجزیه و تحلیل دستی و برچسب ‌گذاری نمونه ‌های سنگ ‌های مختلف صرفه‌جویی کنند.

هوش مصنوعی توسط مشاغل معدن الماس برای دسته بندی و دفع زباله های معدنی استفاده می شود. این روش در درجه اول کمیت و کیفیت فرآیند بازیابی الماس را افزایش می دهد. الگوریتم ‌ها داده‌ های حسگر و اشعه ایکس را با هم ترکیب می‌ کنند که منجر به بازیابی حداقل 96 درصد وزن تمام الماس‌ های بیشتر از 1 میلی‌متر می‌ شود.

توزیع مواد معدنی در سنگ معدن یکنواخت نیست. در نتیجه، آنها به ذرات کوچکتر و یکنواخت کاهش می یابند. حسگرهای مجهز به الگوریتم‌ های هوش مصنوعی اطمینان می‌ دهند که اندازه سنگ‌ هایی که وارد آسیاب می‌ شوند و روی تسمه نقاله حرکت می ‌کنند، آنقدر بزرگ نیست که باعث خرابی شود.

چالش های فرآوری مواد معدنی و اکتشاف در معدن

ذخایر معدنی نزدیک به سطح در سرتاسر جهان در حال کاهش است و شرکت های معدنی مجبورند بیش از هر زمان دیگری پول خرج کنند تا به ذخایر نازک فزاینده دسترسی پیدا کنند.

منابع معدنی کشف شده اخیراً از کیفیت پایین تری برخوردار بوده و استخراج را دشوارتر می کند. در استخراج منابع معدنی از نظر اقتصادی و موثر مشکل افزایش یافته است. افزایش حجم داده ها به چالشی برای صنایع معدن تبدیل می شود. تنها 10 درصد از داده ها را می توان برای مدیریت تغییرپذیری و بهینه سازی عملیات استفاده کرد زیرا داده ها با زنجیره ارزش مرتبط نیستند.

فرآوری و اکتشاف مواد معدنی انتشار کربن قابل توجهی را به محیط زیست اضافه می کند. تاکید فزاینده ای بر استخراج اخلاقی برای کاهش اثرات محیطی و مواد در کل زنجیره فرآیند وجود دارد.

استفاده از هوش مصنوعی در صنایع معدنی محدود به زمان اجرای آن است. به همین دلیل فوراً سودی برای سهامداران ایجاد نمی کند. عدم درک و پیاده سازی سیستم های هوش مصنوعی با پلتفرم های مختلف نیز چالش های مهمی را به همراه دارد.

هوش مصنوعی چه مزایایی را ارائه می دهد؟

شرکت های معدنی اکنون در حال یافتن مواد معدنی مقرون به صرفه در اعماق زیاد هستند. از سوی دیگر، حفاری از ذخایر سنگ معدن کوچکتر، به دلیل محدودیت های شیوه های سنتی، می تواند چالش برانگیز و زمان بر باشد. هوش مصنوعی می‌تواند به ساخت مدل ‌های دقیق ‌تر برای پیش‌ بینی نوع مواد معدنی و مکان ‌یابی ذخایر با غلظت بالا کمک کند، بنابراین در زمان و هزینه صرفه‌ جویی می‌ کند.

در طول اکتشاف معدن، تصمیم گیری سریعتر برای اطمینان از ایمنی کارگران خط مقدم معدن مورد نیاز است. هوش مصنوعی می ‌تواند مشکلات فرآیند را کشف کند و با استفاده از داده ‌های با کیفیت و تجزیه و تحلیل بلادرنگ از حوادث و صدمات جلوگیری کند. عملیات استخراج به مقدار قابل توجهی از پردازش داده ها نیاز دارد که هنوز به صورت دستی انجام می شود. توانایی هوش مصنوعی در ارائه نتایج سریع با جمع ‌آوری و ارزیابی داده‌ ها در محل، این پتانسیل را دارد که جریان کار را تا حد زیادی ساده ‌سازی کند و در عین حال خطاها را کاهش دهد.

در مقایسه با رویکردهای سنتی، شرکت ها می توانند با استفاده از هوش مصنوعی و داده های بزرگ برای شناسایی معادن جدید تا 80 درصد صرفه جویی کنند. علاوه بر این، داده‌ های به ‌دست‌ آمده را می ‌توان در طرح‌ های بازسازی بعدی که اکولوژی طبیعی منطقه را دوباره برقرار می ‌کند، استفاده کرد.

پیشرفت های اخیر

IBM در حال توسعه مدل ‌سازی مبتنی بر داده برای تخمین کانی ‌سازی طلا در یک معدن است. با استفاده از داده های جمع آوری شده از سایت معدن، مدل تخمینی از غلظت طلای منطقه را محاسبه می کند. تلاش های تجزیه و تحلیل زیرسطحی IBM در استخراج، هزینه های حفاری را به حداقل می رساند، پیش بینی ها را با داده های اندک افزایش می دهد و بینش های زمین شناسی را سرعت می بخشد.

Goldspot Discoveries Inc در تلاش برای بهبود اکتشاف مواد معدنی با استفاده از هوش مصنوعی است. این محققان با استفاده از اطلاعات زمین شناسی، توپوگرافی و کانی شناسی جمع آوری شده از تنها 4 درصد از کل سطح منطقه، 86 درصد از منابع طلای کمربند طلای Abitibi را با موفقیت پیش بینی کرده اند.

الگوریتم ‌های اکتشاف معدن مبتنی بر هوش مصنوعی توسط یک استارتاپ استرالیایی Earth AI در حال توسعه هستند. این استارتاپ از تکنیک های هوش مصنوعی برای یافتن ذخایر معدنی در سایت های ساختمانی گرین فیلد استفاده می کند. هواپیماهای بدون سرنشین داده ‌های ژئوفیزیکی را به دست می ‌آورند که حفاری مستقل را قادر می‌ سازد، هزینه ‌های اکتشاف و حفاری را کاهش می ‌دهد.

چشم انداز آینده

از آنجایی که مقدار کانه های معدنی جدید کاهش یافته است، شرکت های معدنی به دنبال تکنیک های کارآمدتر و مبتکرانه تر برای پردازش انواع داده ها در هر مرحله از صنعت خود بوده اند. هوش مصنوعی در حال حاضر به عنوان ابزاری برای استخراج مقرون به صرفه و کارآمد منابع معدنی شناخته شده است.

انتظار می رود تا سال 2035 صنعت معدن از دوران جدیدی از استخراج هوشمند بهره مند شود. هوش مصنوعی برای دستیابی به ارتفاعات جدید در معدن استفاده خواهد شد و سالانه بین 290 تا 390 میلیارد دلار برای تولیدکنندگان مواد خام معدنی صرفه جویی خواهد شد.