علت این امر آن است که اطلاعات در دسترس در مورد ساختار و وضعیت واقعی کانسارها بسیار محدود است و با توجه به تنوع بالای کانسار، شرایط برای شرکتهای معدنی بسیار پیچیده و چالشبرانگیز است. از سوی دیگر، تاکنون اکثر عملیات معدنکاری بر منابع سطحی یا نزدیک به سطح متمرکز بوده است. یکی از چالشهای اصلی برای تولید مواد معدنی در آینده، افزایش دشواری اکتشاف منابع مناسب معدنی در اعماق زیاد است که این امر ریسک فعالیتهای اکتشافی و معدنکاری را بهشدت افزایش میدهد.
بهمنظور کاهش خطا و ریسک عملیات اکتشاف، بهینهسازی نقاط حفاری و کاهش هزینههای آن، استفاده از دادههای اکتشافی مختلف از جمله دادههای زمینشناسی، ژئوشیمیایی، ژئوفیزیکی، دورسنجی و تلفیق آنها با یکدیگر راهکاری مناسب است که طی یکدهه اخیر رواج بسیاری داشته است. همچنین معرفی فناوریهای معدنکاری دیجیتال و فناوریهای اطلاعاتی و ارتباطی پیشرفته، مانند اینترنتاشیا (IoT)، کلانداده، هوش مصنوعی (AI)، واقعیت افزوده و واقعیت مجازی در زمینه توسعه منابع معدنی که با حجم زیادی از دادهها در حال تولید، جمعآوری و بهاشتراکگذاری در زمان واقعی هستند. در دسترس بودن دادههای مختلف مانند دادههای حفاری، دادههای دریافتی از حسگرها و توسعه دادههای اندازهگیری تکنیکهای هوش مصنوعی، پیشرفت مهارتهای محاسباتی کامپیوترها و یادگیری ماشین توجه به علم داده در زمینه معدن را بیش از پیش جلب کرده است. به همین دلیل در عصر اطلاعاتی حاضر، علوم زمین و بهویژه بخش اکتشاف از جمله رشتههایی است که با دادههای حجیم و پیچیده سروکار دارد که تحلیل این حجم وسیع از اطلاعات، تلفیق آنها با یکدیگر و دستیابی به نتیجه مطلوب با روشهای آماری مرسوم کاری دشوار است.
تحلیل دادههای علوم زمین شامل مجموعهای از روشها و فرآیندهایی است که برای استخراج اطلاعات مفید از دادههای مختلف بهکار گرفته میشود. روشهای تحلیل و آنالیز دادههای علوم زمین با بهرهگیری از روشهای یادگیری ماشین به دقت و صحت بیشتری در پیشبینیها و درک بهتری از فرآیندهای زمینشناسی منجر میشود. این روشها به معدنکاران کمک میکند تا با هزینههای کمتر و بهبود کارآیی فرآیندهای زمینشناسی، با سرعت بیشتر و با دقت بالاتر به تصمیمگیریهای موثرتر برسند. هدف اصلی این تحلیلها، یافتن الگوها، روابط و ویژگیهای موجود در دادههاست که میتواند در درک بهتر فرآیندهای زمینشناسی، کانیسازی و تمرکز مواد معدنی مفید باشد.
در دهههای اخیر، پیشرفتهای چشمگیری در زمینه تحلیل و آنالیز دادهها به منظور درک عمیقتر فرآیندهای زمینشناسی و بهینهسازی فعالیتهای حفاری حاصل شده است. با توسعه روشهای یادگیری ماشین و یادگیری عمیق، تواناییهای جدیدی برای شناخت الگوها و پیشبینیهای دقیقتر از دادههای علوم زمین به دست آمده است. پیشرفتهای اخیر در فناوری معدنکاری هوشمند؛ تولید، جمعآوری و اشتراکگذاری حجم زیادی از دادهها را در زمان واقعی امکانپذیر کرده است؛ به همین دلیل، در عملیاتهای مختلف معدنکاری در سراسر دنیا فعالیتها و تحقیقات بسیاری با استفاده از روشهای یادگیری ماشین و یادگیری عمیق به منظور تحلیل دادهها انجام شده است.
یادگیری ماشین از الگوریتمهای کامپیوتری برای شبیهسازی یادگیری انسان استفاده میکند و به کامپیوترها اجازه میدهد تا دانش را از دنیای واقعی شناسایی کرده و به دست آورند، در نتیجه عملکرد برخی از وظایف را براساس دانش به دست آمده بهبود میبخشد. یادگیری ماشین به این صورت تعریف میشود: «یک برنامه کامپیوتری از تجربه E مربوط به کلاس خاصی از وظایف T و اندازهگیری عملکرد P یاد میگیرد، اگر عملکرد آن در وظایف T، همانطور که توسط P اندازهگیری میشود، با تجربه E بهبود یابد».
اگرچه مفاهیم اولیه یادگیری ماشین از دهه ۱۹۵۰ ارائه شده است، اما یادگیری ماشین در دهه ۱۹۹۰ بهعنوان یک حوزه مستقل مطرح شده است و امروزه از الگوریتمهای یادگیری ماشین در زمینههای مختلف از جمله کامپیوتر، سلامت، محیطزیست، پزشکی، انرژی و خدمات استفاده میشود. امروزه پروژههای مختلفی با استفاده از یادگیری ماشین در سایتهای معدن در حال اجرا هستند. به عنوان مثال، زمینشناسان شرکت گولدکورپ برای شناسایی و توسعه ذخایر طلا معدن ردلیک در کانادا، از ابرکامپیوترهای هوش مصنوعی واتسون شرکت آیبیاِم برای تفسیر دادههای اکتشاف و سپس کشف موادمعدنی جدید استفاده کردند. شرکتهای بزرگ تولیدکننده تجهیزات و ماشینآلات سنگین معدنی مانند کوماتسو و انویدیا، پروژههای مشترکی را برای کمک به رهگیری و پایش عملکرد کارگران و تجهیزات در سایتهای معدنی اجرا کردهاند. فناوریهای توسعهیافته توسط این دو شرکت میتوانند تجهیزات ناکارآمد را شناسایی و شرایط ایمنی را برای کارگران فراهم کنند.
همچنین نیوتراکس، شرکت ارائهدهنده خدمات سیستم مدیریت ایمنی و عملیاتی در معادن زیرزمینی و آیوادو که یک موسسه تحقیقاتی هوش مصنوعی کانادایی است، در پروژههای آزمایشی مشترک اقدام به جمعآوری کلاندادهها از سنسورهای نصبشده روی تجهیزات معدن و تجزیهوتحلیل دادهها از طریق یادگیری ماشین برای پیشبینی زمان خرابی تجهیزات معدن و نگهداری نگهداری و تعمیری پیشگیرانه کردهاند.
سجاد ادهمی/ کارشناس ارشد حوزه معدن و صنایع معدنی
امید اصغری / دانشیار دانشکده مهندسی معدن دانشگاه تهران
منبع: دنیای اقتصاد
مطالب مرتبط