راهکار هوش مصنوعی کانادایی به مکان یابی مناطق جدید دارای طلا در معدن قزاقستان کمک می کند

هوش مصنوعی Stratum مستقر در تورنتو اعلام کرد که با استفاده از سیستم هوش مصنوعی اختصاصی SATS قادر به شناسایی مناطق جدید دارای طلا در مجتمع آکسو در قزاقستان است.

آکسو متعلق به JSC AK Altynalmas، یک شرکت تابعه Gouden Reserves B.V، با دفتر مرکزی در هلند و سنگاپور است. این معدن روباز دارای ظرفیت خروجی 5 میلیون تن در سال با 1.28 گرم در تن است. با جفت کردن مدل های Altynalmas با هوش مصنوعی Stratum، یک برنامه حفاری 2500 متری در خارج از گودال اصلی انجام شد. هنگامی که کار به نتیجه رسید، معدنچی ذخایر 43000 اونس طلا را تأیید کرد.

این شرکت کانادایی در بیانیه ای رسانه ای گفت: "نرخ ضربه برنامه حفاریSATS ، 83 درصد بود که در صنعت معدن بسیار نادر است و نمونه ها نشان دهنده افزایش 30 درصدی در میانگین عیار هستند.". علاوه بر این، در مقایسه با برنامه‌های قبلی در معدن، این برنامه بازدیدهای سنگ معدن با عیار بالای 10 گرم در تن را تقریباً دو برابر کرد.

به گفته Stratum، سیستم SATS با تأیید 40 درصد مواد بیشتر با همان تعداد متر، هزینه حفاری را کاهش داد.Altynalmas  یکی از هفت معدنچی در سراسر جهان است که Stratum با آنها کار می کند. به دلیل محرمانه بودن قراردادهای خود با مشتریان، Stratum تاکنون تنها توانسته است نتایج محدودی را به اطلاع عموم برساند.

در ماه نوامبر، Stratum کار خود را در یکی از عملیات ‌های McEwen Mining Inc در کانادا اعلام کرد که نشان می ‌دهد سیستم SATS آن در پیش ‌بینی ارزش واقعی طلای استخراج ‌شده از زمین حدود 75 درصد دقیق‌ تر از مدل‌ سازی قبلی معدنچی است. Stratum انتظار دارد نتایج بیشتری را در اواخر سال جاری اعلام کند.

این سیستم چگونه کار می کند؟

همانطور که شبکه عصبی Stratum مستقر شده، به داده های حفاری برای پیش بینی یک منطقه دسترسی پیدا می کند. در طول این فرآیند یادگیری، داده های تولید تاریخی را می توان برای درک بهتر نحوه رسوب زمین شناسی ادغام کرد.

فرض اصلی این است که با توجه به داده ‌های حفاری ورودی، می ‌توان عیار طلا را پیش ‌بینی کرد تا به بهترین وجه با پیش ‌بینی فردی و توزیع مجموعه داده مطابقت داشته باشد. توزیع مجموعه داده ‌ها به ‌طور ضعیف شبیه یک نمایی در حال فروپاشی به نظر می‌ رسد.

ورودی مدل، نمونه ‌های حفاری اطراف یک نقطه x، y، و z خاص است که مدل سعی در پیش ‌بینی آن دارد. این نقاط در یک شبکه سه بعدی کنار هم قرار می گیرند تا به طور کلی شبیه یک تصویر سه بعدی متشکل از پیکسل های متمایز با تراکم 0.2 تا 5 درصد باشند. نشان داده شده است که این کار برای رمزگذاری مسطح مفید است زیرا به مدل اجازه می دهد تا الگوهای محلی را قبل از انجام پیش بینی نهایی جمع کند.

در این فرآیند، تکنیک ‌های افزایش، بسیار مهم و نقطه ثابت نوآوری هستند. برخی از تکنیک‌ ها شامل بهره ‌برداری از تقارن، نمونه‌ برداری، نمونه ‌برداری منفی، تکنیک‌ های مختلف رمزگذاری (برای تشخیص داده ‌ای با درجه صفر در صورت لزوم)، نویز داده ‌های ورودی و غیره می باشد. ساختار شبکه عصبی واقعی تا حدودی به فراپارامترهای مربوط به زمین شناسی معدن و در دسترس بودن داده ها وابسته است.

این شرکت اعلام کرد که محلول آن با شناسایی فلزات مضر مانند سلنیوم، جیوه و آرسنیک می ‌تواند آلودگی را تا 45 درصد کاهش دهد تا اطمینان حاصل شود که آنها در زمین باقی می ‌مانند یا شناسایی و جداسازی می ‌شوند تا در آب یا هوا نفوذ نکنند.