به گزارش خانه نیوز، طبق آمار تنها حدود ۱۵درصد از شرکتهای معدنی جهان از هوش مصنوعی استفاده میکنند و حدود ۳۰ درصد شرکتها اعلام کردهاند که استفاده از هوش مصنوعی را در برنامههای آینده خود قرار دادهاند.
هوش مصنوعی تلاش میکند میزان خطا، هزینه و آسیبهای محیطزیستی را چه در اکتشاف و چه در استخراج به حداقل برساند.
در فاز اکتشاف همواره با کمبود اطلاعات جزءنگر و طبقهبندیشده مواجهیم و نیازمندیم که دقت و صحت برآوردهای ارائهشده توسط مدلسازیهای حاصل از مغزهگیریها را افزون کنیم. در حالی که بیش از ۶۰ درصد هزینههای پروسه اکتشاف در معادن را عملیات حفاری برای مغزهگیری تشکیل میدهد. با بهکارگیری هوش مصنوعی در عملیات اکتشاف، تحولی در گمانهزنیهایی که سابقا حاصل حفاری بودند، صورت میگیرد و نیز تحولی در تحلیل و پردازش گمانهها.
به عبارت دیگر، گفته میشود که هوش مصنوعی نیاز به حفاری را تا ۷۰ درصد کاهش میدهد و همچنین در کاهش مدت زمان موردنیاز برای اکتشاف و مدلسازی ذخایر معدنی تأثیر چشمگیر دارد. هوش مصنوعی قادر به پردازش و تحلیل تصاویر ماهوارهای، عکسهای هوایی، نقشههای زمینشناسی و… است. کشور ما ظرفیت معادن خود را بهکمال نمیشناسد؛ یعنی کار در مرحله اکتشاف به صورت اصولی انجام نشده تا ذخیره قطعی واقعی یک معدن معرفی شود. بنابراین ذخایر بالقوهای در سایه پروانههای بهرهبرداری با ذخایر اندک، عوامل انسانی نهچندان توانمند و درنتیجه ظرفیت استخراجی پایین قرار دارند. ازجمله دلایل این امر هزینهبر بودن عملیات اکتشاف تفصیلی و بهطور عمده حفاری است.
تکنولوژی هوش مصنوعی به حوزه استخراج نیز ورود میکند. علیرغم همه پیشرفتهایی که در صنعت معدن محقق شده، هنوز عملیات استخراج در معادن مبتنی بر استفاده از ماشینآلات سنگینی است که در یک سیستم سنتی سوختگیری، تعمیر و نگهداری میشوند. این ماشینآلات غولپیکر مشکلات زیادی را در معدن به وجود میآورند که یکی از آنها مصرف بالای سوخت است.
ضمن آنکه هوش مصنوعی راهکارهایی برای عملیات حمل بار در معادن پیشنهاد کرده، در مواردی در کشور استرالیا به اجرا برده و نتایج مطلوبی حاصل آورده است. گذشته از تولید عمده کامیونهای خودران، در معادن مذکور برای نمونه رفتار رانندگان کامیونها و لودرها ثبت و طبقهبندی و پردازش شده و براساس آن مدلی بهینه برای عملکرد هر یک از آنها ارائه شده است. به طور نمونه در آن حتی درباره تعداد پاکتی که یک لودر باید بار این یا آن تراک کند تا در شرایط ثبتشده جاده معدن با سرعتی مشخص حرکت کند تا مصرف سوخت آن از میزان مشخصی تجاوز نکند، تعیین تکلیف شده است.
از این دست مدلسازیهای برآمده از تکنولوژی هوش مصنوعی در فازهای مختلف معدنکاری انجام شده، اما سؤال این است که با شرایط موجود اغلب شرکتهای معدنی، آیا میتوان از این اپلیکیشنها در آن شرکتها استفاده کرد؟ پاسخ منفی است. زیرا این اپلیکیشنها عملکرد عمومی ندارند و مبتنی بر اطلاعات ثبتشده از این یا آن شرکت بهخصوص هستند و نمیتوانند در وجه عام به جایی دیگر برده شوند و نتیجه مطلوب دهند.
بیشک نمیتوان انتظار داشت که تمامی شرکتهای معدنی فعال در کشور دغدغه توانمندسازی خود در زمینه هوش مصنوعی را داشته باشند. در کشور ما به دلایل پرشمار هنوز مسائل ریشهایتری در زمینه معدنکاری مطرح است که آینده این صنعت را با ابهام مواجه میکند؛ ما عمیقا نیاز داریم که معدنکاری غیرعلمی و شتابزده متوقف شود و مردم را بهطور عملی و ملموس در صنعت معدن کشور دخیل کنیم تا از اهمیت رشد این صنعت برای رشد اقتصادی و حتی فرهنگی باخبر شوند.
معضل معارضینی که هر معدن با آن روبهرو است، چه بسا که بتواند با مدلسازیهای برآمده از تکنولوژی هوش مصنوعی، دستکم تعدیل شود. در حال حاضر معادن غنی بسیاری را سراغ داریم که به دلیل معضل وجود معارض، از میزکار بسیاری شرکتهای توانمند (هم بهلحاظ علمی و هم مالی) کنار گذاشته شده و به حال خود رها شدهاند. اگر معادن ما میتوانستند مدلی از گستره موضوعی و ساختاری شکایات و مداخلات معارضینشان داشته باشند، شاید میتوانستند به راهکارهایی بهینه و کمتر فرسایشی دست یابند. چه بسا هنوز انتظاراتمان فراخور تواناییهای واقعی هوش مصنوعی و بهطور کلی دیتا ماینینگ نبوده و همچنان توقعات بیشتری از این تکنولوژی میتوان داشت.
انتهای پیام/
