مقالات نوچاد

بخش معدن و صنایع معدنی در حال گذران یک انقلاب صنعتی در حوزه تکنولوژی است که توسط پیشرفت‌های هوش مصنوعی، تأکید روزافزون بر پایداری و پویایی بازار در حال تغییر می‌باشد. این روندها در حال تغییر ساختار نحوه انجام عملیات معدنی، بهبود بهره‌وری و ایمنی و مدیریت محیط زیست هستند. در این مطلب به بررسی آخرین روندهای بخش معدن و صنایع معدنی در زمینه هوش مصنوعی و هوشمندسازی به همراه مطالعات موردی در راستای نشان دادن تأثیرات آن‌ها، پرداخته خواهد شد.

1.  بهینه‌سازی فرایند بلادرنگ Real-Time Process Optimization

بهینه‌سازی فرایند بلادرنگ شامل نظارت و تنظیم مستمر عملیات معدنی برای افزایش بهره‌وری و کاهش باطله‌‌های معدنی و ضایعات است. با استفاده از فناوری‌های پیشرفته مانند هوش مصنوعی و یادگیری ماشین، شرکت‌های معدنی می‌توانند ضمن اخذ تصمیماتی مبتنی بر داده­های موجود، استفاده بهینه از منابع و کاهش هزینه­های عملیاتی، اثرات منفی زیست­محیطی را به حداقل برسانند. بهینه‌سازی فرآیند بلادرنگ با استفاده از الگوریتم‌های پیشرفته و مدل‌های یادگیری ماشین برای تجزیه و تحلیل داده‌های مختلف بر گرفته از سنسورها و حسگرها، امکان تنظیم فوری پارامترهای عملیاتی مانند سرعت حفاری، نرخ استخراج سنگ معدن و شرایط فرآوری را فراهم کرده و با بهینه‌سازی مداوم این پارامترها، توانایی دستیابی به بهره‌وری بالاتر و کاهش مصرف انرژی را ممکن می‌سازد.

شرکت ریو تینتو ( Rio Tinto)، به عنوان یکی از پیشروهای بخش معدن در جهان، بهینه‌سازی فرآیند بلادرنگ را در سراسر عملیات‌‌های خود اجرا کرده است. این شرکت از سیستم‌های مبتنی بر هوش مصنوعی برای نظارت بر عملکرد تجهیزات و شرایط محیطی به صورت بلادرنگ با هدف  فراهم نمودن امکان تنظیمات فوری استفاده­ می­کند. به عنوان مثال، سیستم حمل و نقل خودکار این شرکت با استفاده از هوش مصنوعی و تحلیل داده‌های بلادرنگ، ضمن بهینه سازی مسیر پیمایش کامیون‌ها سبب کاهش 15درصدی هزینه‌ها و بهبود کارکرد سالانه هر کامیون  شده است.

2.  تجهیزات خودران  Autonomous Equipment

استفاده از وسایل نقلیه و ماشین‌آلات خودران در حال متحول کردن بخش معدن و صنایع معدنی است. تجهیزات خودران در معدن‌کاری ترکیبی از فناوری‌های GPS، LiDAR و بینایی ماشین را برای ناوبری و انجام وظایف به‌صورت مستقل استفاده می‌کنند. این سیستم‌ها به الگوریتم‌های پیچیده‌ای برای پردازش داده‌های سنسور و تصمیم‌گیری آنی متکی هستند و از مدل‌های یادگیری ماشین، به ویژه یادگیری تقویتی، برای آموزش در راستای انجام وظایف پیچیده با دقت و ایمنی بالا استفاده می‌شوند. این تجهیزات ضمن افزایش بهره‌وری عملیاتی، نیاز به حضور انسان در محیط‌های خطرناک را نیز به میزان قابل توجهی کاهش می‌دهند.

شرکت BHP، یکی از بزرگ‌ترین شرکت‌های معدنی جهان، گام‌ بزرگی در بکارگیری از تجهیزات خودران برداشته است. کامیون‌های حمل‌ونقل خودران و ماشین‌های حفاری این شرکت با استفاده از فناوری‌های پیشرفته هوش مصنوعی و سنسورها توانایی کارکرد بدون دخالت انسان را داشته و منجر به بهبود ایمنی می‌شوند.

3.  نگهداری و تعمیرات پیشگویانه Predictive Maintenance

نگهداری و تعمیرات پیشگویانه از الگوریتم‌های یادگیری ماشین برای تجزیه و تحلیل داده‌های پیشین نگهداری و داده‌های لحظه‌ای سنسورها به منظور جلوگیری از خرابی تجهیزات (قبل از وقوع) با بکارگیری تکنیک‌هایی مانند تحلیل سری زمانی و تشخیص ناهنجاری برای شناسایی الگوها و عیوبی که نشان‌دهنده خرابی بالقوه تجهیزات هستند، استفاده می‌کند. با پیش‌بینی خرابی‌ها قبل از وقوع آن‌ها، شرکت‌ها می‌توانند فعالیت‌های نگهداری را به طور پیش‌بینی‌کننده برنامه‌ریزی کنند، که به واسطه آن زمان خرابی‌های غیرمنتظره کاهش و عمر تجهیزات معدنی افزایش یابد. نگهداری پیشگویانه قابلیت اطمینان و بهره‌وری عملیاتی را افزایش و در عین حال هزینه‌های نگهداری را نیزکاهش می‌دهد.

شرکت­های معدنی از نگهداری و تعمیرات پیشگویانه مبتنی بر هوش مصنوعی برای نظارت بر تجهیزات معدنی استفاده می‌کنند. آن­­­ها با جمع‌آوری داده‌های حاصل از سنسورهای نصب شده روی ماشین‌آلات، از الگوریتم‌های هوش مصنوعی برای تجزیه و تحلیل این داده‌ها برای علائم خرابی‌های احتمالی استفاده می‌کنند. این فرایند به آن­ها امکان کاهش خرابی‌های غیرمنتظره، از طریق بهینه‌سازی برنامه‌های نگهداری و بهبود عملکرد کلی تجهیزات را داده است.

4. پایش محیط زیست و پایداری Environmental Monitoring and Sustainability

پایداری فعالیت معدنی در دهه‌های آتی اهمیت فزاینده‌ای داشته و سیستم‌های پایش محیط زیست مبتنی بر هوش مصنوعی نقش کلیدی در دستیابی به آن دارند. این سیستم‌ها از داده‌های بلادرنگ جمع‌آوری‌شده از سنسورهای مختلف برای نظارت بر جنبه‌های حیاتی مانند مصرف آب، آلاینده‌ها و مدیریت پسماندها استفاده می‌کنند. همچنین از تکنیک‌های پیشرفته‌ای مانند سنجش از راه دور و مدل‌سازی داده‌ها برای ارزیابی و پیش‌بینی اثرات زیست‌محیطی استفاده می‌شود. الگوریتم‌های هوش مصنوعی ضمن پردازش داده‌های حاصله، در راستای شناسایی روندها و انحراف از استانداردهای زیست محیطی عمل نموده و در نهایت سبب برجسته سازی و بهبود مناطق پر خطر می­شوند. این امر باعث بهبود عملکرد شرکت‌های معدنی به صورت پیش‌فعالانه در راستای رفع چالش‌های زیست محیطی، کاهش رد پای اکولوژیکی و انطباق فعالیت‌ها با مقررات می‌شود. با ادغام این سیستم‌های پایش مبتنی بر هوش مصنوعی در عملیات شرکت‌های معدنی می‌توان شاهد کاهش اثرات مخرب زیست محیطی و در عین حال برآورده شدن انتظارات صنعت و جامعه بود.

5.  دوقلوهای دیجیتالی Digital Twins

دوقلوهای دیجیتالی، نسخه‌های مجازی پیشرفته‌ای از دارایی‌های فیزیکی، تجهیزات و فرایندهای یک مجموعه صنعتی هستند که به طور فزاینده‌ای برای بهینه‌سازی عملیات در صنایع معدنی مورد استفاده قرار می‌گیرند. این مدل‌های دیجیتالی با استفاده از تکنولوژی‌های مدل‌سازی سه‌بعدی و شبیه‌سازی و همچنین بهره‌‌گیری از داده‌های لحظه‌‌ای دریافتی از سنسورها و داده‌های پیشین، نمایش و بازخورد دقیق و پویایی ارائه می‌دهند. با شبیه‌سازی عملیات در یک محیط مجازی، دوقلوهای دیجیتالی به شرکت‌های معدنی اجازه آزمایش سناریوهای مختلف را داده و در نهایت منجر به کسب نتایج احتمالی بدون اثرگذاری بر عملیات دنیای واقعی می‌شوند. استفاده از تکنیک‌هایی مانند تحلیل اجزای محدود (FEA) و دینامیک سیالات محاسباتی (CFD) برای مدل‌سازی فرآیندهای فیزیکی پیچیده مانند جریان مواد، تنش تجهیزات و عوامل محیطی در صنایع معدنی امکان بررسی جنبه‌‌‌های دقیق عملیات معدنی را از عملکرد ماشین‌آلات تا آنالیز استخراج منابع را فراهم می‌سازد.  استفاده از این ابزار در بخش معدن و صنایع معدنی، علاوه بر تحلیل استراتژی‌ها و پیش‌بینی تأثیر آن‌ها بر بخش‌های مختلف، در شناسایی پایدارترین رویکرد در جهت افزایش بهره‌وری و پشتیبانی و ارائه راه‌حل‌‌های به موقع و آنی موثر بوده و در نهایت تبدیل به بازوی کمکی و قدرتمند در راستای پایداری و نوآوری در این بخش خواهد شد.

گروه معدنی Fortescue Metals از فناوری دوقلوهای دیجیتالی برای بهینه‌سازی عملیات معدنی استفاده کرده است. این شرکت با شبیه‌سازی مدل‌های مجازی از دارایی‌هایش سناریوهای مختلفی را اجرا کرده که در نهایت سبب حصول استراتژی مطلوب در راستای کاهش هزینه‌ها و بهبود عملکرد عملیاتی و برجسته‌نمایی اهمیت این فناوری شده است.

6. تکنیک‌های پیشرفته اکتشاف Advanced Exploration Techniques

هوش مصنوعی در حال دگرگونی حوزه اکتشاف مواد معدنی با معرفی تکنیک‌های پیشرفته برای تجزیه و تحلیل مجموعه داده‌های زمین‌شناسی است. اکتشاف مواد معدنی به گونه سنتی شامل روش‌های زمان‌بر و پرهزینه همراه با تلاش‌های دستی قابل توجه و فرسایشی بود که با ادغام آن با هوش مصنوعی شاهد تسریع در عملکردها و دقت بالاتر هستیم. (آفرین. جمله عالی)

 الگوریتم‌های مبتنی بر هوش مصنوعی با توانایی پردازش حجم عظیمی از داده‌های، از جمله داده‌های زمین‌شناسی، تصاویر ماهواره‌ای و نتایج اکتشافات پیشین، الگوها، روندها و ناهنجاری‌های موجود در این مجموعه داده‌ها را با بهره‌مندی از  ابزارهای هوش مصنوعی شناسایی و اهداف اکتشافی امیدوارکننده‌ای پیشنهاد می­دهند. به عنوان مثال، مدل‌های یادگیری ماشینی مانند شبکه‌های عصبی کانولوشن (CNN) و ماشین‌های بردار پشتیبانی (SVM) برای تجزیه و تحلیل اطلاعات فضایی و ژئوفیزیکی، افزایش دقت تشخیص منابع معدنی و در نهایت کشف مناطق غنی از مواد معدنی را نه تنها ساده بلکه دقت برآورد منابع را نیز بهبود می‌بخشند. هوش مصنوعی علاوه بر محدود کردن هوشمند دامنه اکتشاف فیزیکی و کاهش اثرات مخرب زیست‌محیطی و زمان عملیات، سبب  افزایش تمرکز شرکت‌‌های معدنی بر روی سایت‌های اکتشافی با پتانسیل بالا، کاهش فعالیت‌های اکتشافی مناطق غیرضروری و هزینه­های مربوطه شده و راهکارهای منطبق بر استراتژی مجموعه معدنی را با به کارگیری داده‌‌های لحظه­ای و پیشین و همچنین تطبیق و اصلاح این استراتژی‌ها ارائه می‌دهد.

7. اینترنت اشیا (Internet of Things (IoT

اینترنت اشیا در بخش معدن با اتصال بر روی دستگاه‌‌های مورد نظر، با جمع‌آوری داده‌­های بلادرنگ و لحظه‌ای در مورد عملکرد تجهیزات، شرایط محیطی و ایمنی کارگران و ارسال این داده‌ها بر بستر فضای ابری، با استفاده از الگوریتم­های هوش مصنوعی از قبیل رایانش لبه‌ای، پردازش داده‌های توزیع‌شده و مدیریت حجم عظیم داده‌های دریافتی را ممکن می‌سازد. ترکیب اینترنت اشیا و رایانش لبه­ای در راستای تعمیر و نگهداری پیش­گیرانه، نظارت بلادرنگ و پاسخ سریع به خطرات احتمالی را امکان پذیر نموده و به طور قابل توجهی کارایی و ایمنی کلی در عملیات معدنی را بهبود می­بخشد.

8.  مدل‌های بزرگ زبانی (LLMs) Large Language Models

مدل‌های بزرگ زبانی (LLMs) شاخه‌ای از مدل‌های هوش مصنوعی هستند که با یادگیری بر روی حجم عظیمی از داده‌های متنی و با استفاده از تکنیک‌هایی مانند معماری‌های ترانسفورماتور و یادگیری انتقالی برای توسعه این مدل‌ها، متن‌هایی شبیه به زبان انسان را درک و تولید می­کنند. در بخش معدن و صنایع معدنی، این مدل‌ها ضمن پردازش و تحلیل داده‌های پیچیده، گزارش‌هایی بر اساس داده‌­های پیشین تحلیل و تولید و در نهایت با مدیریت‌­های ریسک، استراتژیک و بهبود ارتباط در بخش معدن و صنایع معدنی، بهترین شیوه‌های موجود برای موضوعات مختلف را ارائه می­دهند.

شرکت Anglo American در راستای تقویت فرایندهای تصمیم­گیری، با استفاده از مدل­های بزرگ زبانی، تحلیل داده­های بزرگ و گزارش­دهی در مورد جنبه­های مختلف عملیات از تخصیص منابع تا مدیریت ریسک را انجام می‌دهد. یکی از موارد شاخص در این مدل­ها گزارش­دهی و ارتباط­گیری از بخش­های مختلف هوش مصنوعی به زبان انسانی است که ارزشمند بودن این مدل در کنار سایر فناوری­ها را نشان می­دهد.

9.  رباتیک و اتوماسیون Robotics and Automation

رباتیک و اتوماسیون، سیستم‌های کنترل پیشرفته، سنسورها و الگوریتم‌های هوش مصنوعی را برای انجام وظایف تکرار شونده بادقت و ثبات بالا، با بهره­گیری از تکنیک‌هایی مانند یادگیری ماشین و یادگیری تقویتی، برای آموزش سیستم‌های رباتیک در راستای انجام وظایفی مانند حفاری، جابجایی مواد و نگهداری تجهیزات ادغام می‌کنند. برای مثال از مزایای به‌کارگیری این روند در بخش­ معدن می‌توان به کاهش تصادفات احتمالی تا 30 درصد، بهبود راندمان عملیات 20 الی30 درصد، کاهش 15 الی 20 درصدی هزینه­های عملیاتی با مصرف سوخت کمتر و پیمایش مسیرهای بهینه و در نهایت کاهش 10 الی 15 درصدی اثرات زیست‌محیطی را شامل می­شود. علاوه بر تمامی مزایای مطرح شده، به کارگیری رباتیک و اتوماسیون در عملیات معدنی، ایمنی و سلامت محیط و نیروهای کار را تأمین و سبب افزایش بهره­وری می‌شود.

10.  اقدامات ایمنی پیشرفته Enhanced Safety Measures

در بخش معدن و صنایع معدنی با در نظر گرفتن چالش­های حیاتی یعنی فعالیت در محیط­های خطرناک، هوش مصنوعی و اتوماسیون در حال بازتعریف استانداردهای ایمنی هستند. صنایع معدنی با استفاده از فناوری‌های پیشرفته، در حال ایجاد محیط‌های کاری ایمن و در عین حال حفظ بهره‌وری عملیاتی هستند. یکی از پیشرفت‌های کلیدی، به‌کارگیری وسایل نقلیه و ماشین‌آلات خودران است که نیاز به حضور انسان در مناطق خطرناک مانند معادن روباز یا تونل‌های زیرزمینی را به حداقل می‌رساند. این سیستم‌های خودکار، از جمله کامیون‌های حمل و نقل و ماشین­های حفاری، با تکیه بر تجهیزات سیستم‌های ناوبری و کنترل مبتنی بر هوش مصنوعی امکان انجام وظایف به صورت مستقل و کارآمد را دارا هستند و همچنین با حذف کارگران از مناطق پرخطر، احتمال وقوع حوادث ناشی از خطای انسانی یا خطرات محیطی را به میزان قابل توجهی کاهش می‌دهند. مکمل این موضوع، معرفی سیستم­های مبتنی بر هوش مصنوعی با تکیه بر تکنیک­هایی از قبیل بینایی ماشین، تشخیص اشیاء و تشخیص ناهنجاری برای شناسایی خطرات بالقوه به صورت لحظه­­ای و مداوم هستند.

نتیجه‌گیری

در این مطلب مروری جامع بر آخرین روندهای بخش معدن و صنایع معدنی در حوزه هوش مصنوعی و هوشمندسازی انجام شده است. پس از پرداختن کامل به روندهای روز دنیا در حوزه هوش مصنوعی و هوشمندسازی ، با بیان کاربردهای عملی و مزایای هوش مصنوعی و هوشمندسازی در بخش معدن و صنایع معدنی، به اهمیت این موضوع در دنیای امروز پرداخته شد. بخش معدن و صنایع معدنی در حال تجربه یک انقلاب در حوزه نوآوری‌های تکنولوژیکی با اتکا بر هوش مصنوعی و هوشمندسازی هستند. این موج تکنولوژی با بکارگیری روش‌های عنوان شده از قبیل بهینه‌سازی فرآیندهای بلادرنگ و تجهیزات خودکار گرفته، تا تعمیر و نگهداری پیشگویانه و پایش محیط زیست مبتنی بر هوش مصنوعی، در حال تغییر ساختار و نحوه فعالیت شرکت‌های معدنی در مقیاس جهانی هستند. رهبران و پیشروان بخش معدن و صنایع معدنی در دنیا از ادغام هوش مصنوعی، اینترنت اشیا، دوقلوهای دیجیتال و اتوماسیون در صنایعشان بهره مند شده­اند، که این امر نه تنها بهره‌وری را بهبود، بلکه اثرات مخرب زیست‌محیطی را به حداقل و ایمنی کارگران را نیز افزایش داده­ است. این روندها نه تنها نویدبخش رشد اقتصادی و تعالی عملیاتی، بلکه کمک کننده بخش معدن و صنایع وابسته در راستای تقاضای رو به رشد جهانی برای پایداری و مدیریت مسئولانه منابع هستند. با ادامه پذیرش این فناوری‌ها توسط معادن و صنایع وابسته، آینده معدن‌کاری با بهره‌وری بیشتر، کاهش ریسک و رویکردی پایدارتر به استخراج منابع همراه بوده و زمینه آمادگی برای پذیرش چالش‌های پیش رو فراهم خواهد شد.

منابع جهت مطالعه بیشتر:

https://www.researchgate.net/publication/357553538_Resource_Model_Updating_and_Optimization_for_Real-Time_Mining

https://www.researchgate.net/publication/338741144_ENVIRONMENTAL_MONITORING_AT_MINE_SITES_IN

_GREENLAND_A_review_of_research_and_monitoring_practices_and_their_role_in_minimising_environmental_impact

https://www.researchgate.net/publication/372573457_Conceptual_application_of_digital_twins_to_meet

_ESG_targets_in_the_mining_industry

https://www.researchgate.net/publication/305719524_Robotics_in_Mining