آخرین فناوری‌های به‌روز که در راس آن هوش مصنوعی قرار دارد، از جمله موضوعاتی بود که در گردهمایی سالانه انجمن معدنی «Prospectors & Developers Association of Canada (PDAC)» مورد بحث و گفت‌وگو قرار گرفت. با توجه به افزایش هزینه‌های تولید و کاهش حجم ذخایر معدنی، استخراج‌کنندگان در بخش معدن قصد دارند به کمک فناوری‌های نوین، بهره‌وری فرایند اکتشاف و استخراج مواد معدنی خود را افزایش دهند.
هایدن داکستر، مدیرعامل شرکت «Power Metals» حاضر در گردهمایی مذکور که هم‌اکنون شرکت تحت مدیریت وی در بخش توسعه پروژه‌های سزیوم، لیتیوم و تانتالوم در کانادا فعالیت دارد، عنوان کرد: در حال حاضر فناوری‌های جدید زیادی از جمله روش‌های ژئوفیزیکی، هوش مصنوعی و تجزیه و تحلیل فراطیفی به منظور افزایش بهره‌وری و سرعت فرایند اکتشاف و استخراج مواد معدنی در مقیاس جهانی به کار گرفته می‌شود اما حفاری فیزیکی، همچنان یکی از نیازهای اصلی فرایند اکتشاف و استخراج ذخایر در بخش معدن به شمار می‌رود.با دشوارتر شدن شناسایی ذخایر معدنی، فناوری تصویربرداری جدید همراه با هوش مصنوعی، توجه بسیاری از فعالان معدنی را به خود جلب کرده است.
جاناتان راد، مدیرعامل شرکت «Dias Geophysical» به عنوان یک شرکت کانادایی فعال در زمینه ارزیابی‌های ژئوفیزیکی در بخش معدن، اظهار داشت: از آنجایی که بیشتر ذخایر معدنی باقی‌مانده در جهان در اعماق زمین قرار داشته یا در مناطق سنگلاخی وجود دارند، استخراج این مواد نسبت به گذشته بسیار دشوارتر شده است.به گفته وی، توسعه فناوری‌هایی که به کمک آن‌ها بتوان فرایند اکتشاف و استخراج در اعماق زمین را میسر کرد، اقدامی است که نقش پررنگ و متفاوتی در آینده بخش معدن ایجاد خواهد کرد.
راد در ادامه تصریح کرد: تلفیق داده‌های به دست آمده به کمک فناوری جدید با داده‌های ثبت شده از طریق ارزیابی‌های انجام شده در بخش زمین‌شناسی، ژئوشیمی و سایر بخش‌های مرتبط با بخش معدن از اهمیت بسزایی برخوردار است. به علاوه، استفاده از هوش مصنوعی در ارزیابی داده‌های به دست آمده، به طور قطع بازدهی و بهره‌وری فرایند اکتشاف و استخراج را افزایش می‌دهد.برخی دیگر از حاضران در گردهمایی سالانه انجمن معدنی «PDAC» با اشاره به ارزش‌افزایی بالای هوش مصنوعی در بخش معدن، عنوان کردند که استفاده از هوش مصنوعی، فرایند اکتشاف و استخراج مواد معدنی را متحول خواهد کرد.
الکس بوچر، معاون شرکت «Seequent» بیان کرد: هوش مصنوعی به ویژه ایجینت‌ها و دستیارهای هوشمند، در متحول کردن فرایندهای استخراج و اکتشاف معادن نقش برجسته‌ای ایفا می‌کنند. شرکت مذکور اخیرا یک پلتفرم جدید داده‌های علوم زمین مبتنی بر فضای ابری به نام پلتفرم «Seequent Evo» را توسعه داده که هدف از آن، مقابله با چالش مدیریت حجم وسیع اطلاعات در واحدهای کوچک سازمانی محصور یا اکوسیستم‌های محدود و بسته است.
وی در رابطه با پلتفرم مذکور، خاطرنشان کرد: متمرکز کردن داده‌ها، امکان اشتراک‌گذاری میان واحدهای سازمانی مرتبط را از طریق مدیریت داده، جست‌وجوی مکانی و روش مصورسازی سه بعدی بهبود می‌بخشد تا دسترسی به اطلاعات و ارزیابی آن آسان‌تر شود.
نقش هوش مصنوعی در توسعه فرایند اکتشاف مواد معدنی
استفاده از هوش مصنوعی در طیف وسیعی از بخش‌های مختلف، در فرایند اکتشاف و استخراج مواد معدنی در حال افزایش است. بیش از نیمی از شرکت‌کنندگان در نظرسنجی اخیر شرکت «GlobalData»، به هوش مصنوعی به عنوان مهم‌ترین حوزه تمرکز سرمایه‌گذاری در بخش معدن طی پنج سال آینده اشاره کردند.
طبق گزارش شرکت «GlobalData»، هوش مصنوعی به شرکت‌های معدنی کمک می‌کند تا حجم زیادی از داده‌های زمین‌شناسی، تصاویر ماهواره‌ای و سوابق بایگانی شده را برای اکتشاف ذخایر معدنی احتمالی مورد تجزیه و تحلیل قرار دهند. به علاوه، از هوش مصنوعی می‌توان برای به دست آوردن اطلاعات و نقشه‌برداری از ذخایر معدنی با دقت بالا استفاده کرد.
علاوه‌براین، هوش مصنوعی را می‌توان برای تجزیه و تحلیل مقادیر زیادی از داده‌های زمین‌شناسی به منظور تعیین دقیق‌تر مکان ذخایر معدنی به کار گرفت. همچنین، از الگوریتم‌های یادگیری ماشینی در هوش مصنوعی می‌توان برای ارزیابی الگوها، ناهنجاری‌ها و مقیاس‌سنجی کانی‌زایی‌ها با هدف افزایش بهره‌وری فرایند اکتشاف و انتخاب بهترین روش استخراج بهره برد.
گری اگنیو، مدیرعامل و یکی از بنیان‌گذاران شرکت «Ideon Technologies» مطرح کرد: انبوهی از داده‌ها در بخش معدن وجود دارد که طی سال‌ها و دهه‌های گذشته جمع‌آوری شده است و می‌توان به کمک هوش مصنوعی این داده‌ها را یکپارچه کرد.
اتخاذ یک رویکرد داده‌محور برای توسعه فرایند اکتشافات معدنی
می‌توان ادعا کرد که افزایش تمایل تولیدکنندگان و استخراج‌کنندگان به استفاده از هوش مصنوعی، با درخواست فعالان بخش معدن به تسریع پذیرش فناوری‌های نوین در بخش مذکور کاملا مطابقت دارد.فلاویا تاتاناردینی، مدیرعامل و یکی از بنیان‌گذاران شرکت استرالیایی «Fleet Space Technologies» در سخنرانی خود در گردهمایی سالانه انجمن معدنی «PDAC» خطاب به شرکت‌های حاضر، گفت: شرکت‌های فعال در اکتشاف و استخراج مواد معدنی بهتر است تمرکز خود را بر روی اکتشاف بیشتر مواد معدنی داده‌محور معطوف کنند.وی اضافه کرد: هم‌اکنون در بیشتر فعالیت‌های اکتشافی بخش معدن به جای استفاده از ارزیابی حجم بالای داده‌های موجود، از داده‌های اندک و تخمینی برای چنین کاری استفاده می‌شود.
لازم به ذکر است که شرکت «Fleet Space Technologies»، از اتصالات ماهواره‌ای، داده‌های فیزیکی سه بعدی جمع‌آوری شده، حس‌گرهای لرزه‌ای و هوش مصنوعی در توسعه فناوری اکتشاف مواد معدنی خود با نام «ExoSphere» استفاده می‌کند. به علاوه، این شرکت با شرکت‌های معدنی مطرحی همچون «Rio Tinto»، «Gold Fields» و شرکت «Barrick» در بخش اکتشاف مواد معدنی همکاری‌های نزدیکی دارد.تاتاناردینی از مدیران بخش معدن درخواست کرد تا تیمی از مهندسان نرم‌افزار یا متخصصان داده که در بخش هوش مصنوعی فعالیت می‌کنند را تشکیل داده تا بتوانند دانش و تخصص خود را به بخش اکتشاف و استخراج مواد معدنی تزریق کنند.
لازم به ذکر است که شرکت «Fleet Space Technologies»، تنها شرکت فعال در ارائه خدمات فناورمحور به بخش اکتشاف مواد معدنی محسوب نمی‌شود. در همین رابطه، بیل گیتس و جف بزوس از بنیان‌گذاران شرکت مایکروسافت و آمازون، تاکنون یک میلیارد دلار در شرکت نوپای معدنی «KoBold Metals» با هدف به‌کارگیری رویکرد مبتنی بر هوش مصنوعی در فرایند اکتشاف مواد معدنی سرمایه‌گذاری کرده‌اند.
استفاده از تصویربرداری فراطیفی در اکتشافات معدنی افزایش می‌یابد
تصویربرداری فراطیفی، یکی دیگر از فناوری‌هایی است که در کانون توجه حاضران گردهمایی سالانه انجمن معدنی «PDAC» قرار داشت؛ به نحوی که مایک هنری، مدیرعامل شرکت «BHP» بخشی از سخنان خود را به اهمیت استفاده از این فناوری در فرایند اکتشاف و استخراج معادن اختصاص داد.
وی عنوان کرد: استفاده از فناوری‌های جدید از جمله حس‌گرهای لرزه‌ای سه‌بعدی و تکنیک توموگرافی میون، می‌تواند انجام اکتشاف در اعماق زمین یا مناطقی که تاکنون توانایی برای اکتشاف آن وجود نداشته را امکان‌پذیر کند.وی خاطرنشان کرد: در حال حاضر شرکت «BHP» با شرکت «Ideon Technologies» بر روی توسعه یک برنامه تصویربرداری با استفاده از تکنیک توموگرافی میون در معدن تحت مدیریت خود با نام «Olympic Dam» واقع در ایالت استرالیای جنوبی همکاری می‌کند.
داگ شوتن، یکی از بنیان‌گذاران و مدیر ارشد بخش فناوری شرکت «Ideon Technologies» که در گردهمایی مذکور حضور داشت، جزئیاتی از یک مطالعه موردی انجام شده به وسیله تکنیک توموگرافی میون ارائه داد که در آن برای نقشه‌برداری یک منطقه ۶ کیلومتری، تکنیک نامبرده در حدود یک کیلومتری زیر سطح زمین در منطقهای که هم‌زمان در آن فعالیت‌های معدنی در حال انجام بود، مورد استفاده قرار گرفت.
وی تصریح کرد: داده‌های جمع‌آوری شده به وسیله تکنیک توموگرافی میون با مدل‌های بلوکی مورد استفاده در روش استخراج معادن روباز شرکت «BHP» در مناطقی که حفاری‌های گسترده‌ای در آن انجام شده بود، انطباق بسیار نزدیکی داشت. به گفته شوتن، بخشی از داده‌های به دست آمده به یک ساختار با چگالی بالا اختصاص داشت که پیش‌تر به روش‌های مرسوم تصویربرداری شناسایی نشده بود و اکنون در آن منطقهای جدید برای حفاری مشخص شده است.
لازنم به ذکر است که در منطقه پوشیده از برف قلمرو یوکان کانادا، شرکت «Ideon Technologies» از تکنیک تصویربرداری توموگرافی میون با وضوح بالا و فناوری هوش مصنوعی برای شناسایی ذخایر معدنی قابل حفاری جدید در منطقه «Macmillan Pass» برای شرکت «Fireweed Metals» استفاده کرده است.
جک میلتون، معاون بخش زمین‌شناسی در شرکت «Fireweed Metals» اظهار داشت: علی‌رغم آب‌وهوای بسیار نامساعد قلمرو یوکان، شرکت «Fireweed Metals» به اطلاعاتی دست یافته بود که امکان تهیه آن تنها از طریق عکس‌برداری در فصول گرم سال وجود داشت.
گری اگنیو، مدیرعامل و یکی از بنیان‌گذاران شرکت «Ideon Technologies» در خصوص تکنیک تصویربرداری توموگرافی میون، بیان کرد: استفاده از این فناوری حدود ۵۰ درصد در زمان اکتشاف معدن صرفه‌جویی ایجاد کرده و هزینه انجام آن را به شدت کاهش می‌دهد.
شرکت «Power Metals» اخیرا به طور آزمایشی از تصویربرداری فراطیفی به منظور پیش‌بینی کانی‌زایی طلا در منطقهای از کانادا استفاده کرد. بنا بر اعلام شرکت مذکور، این پروژه آزمایشی با موفقیت به پایان رسیده است. با این حال، ممکن است صدور مجوز به منظور استفاده از آن به دلیل حجم بسیار بالای درخواست برای اکتشاف و استخراج در منطقه مذکور و همچنین بدبینی برخی از فعالان بخش معدن در مورد پذیرش فناوری‌های جدید، با تاخیری نسبتا طولانی همراه شود.
چالش‌های پذیرش فناوری‌های جدید در فرایند اکتشاف معادن
فقدان تمایل بخش معدن به پذیرش نوآوری‌های جدید، به عنوان یکی از موانع اصلی توسعه استفاده از هوش مصنوعی در فرایند اکتشاف مواد معدنی در نظر گرفته می‌شود.کریس ایوانز، مدیرعامل شرکت «Winsome Resources» که مالکیت چندین پروژه لیتیوم در کانادا را در اختیار دارد، مطرح کرد: با توجه به نحوه قوانین تدوین شده برای اکتشاف و استخراج منابع معدنی در استرالیا و کانادا، تنها امکان استفاده از روش‌های معمول و مرسوم در فرایند مذکور وجود دارد. با این وجود، با تغییر قوانین راه برای تزریق فناوری در فرایند اکتشاف معادن در این دو کشور هموار خواهد شد.
وی تاکید کرد: اگر بتوان به کمک یک فناوری به طور دقیق ذخایر معدنی یک کانی را محاسبه کرد، دیگر نیازی به صرف هزینه‌های چند ۱۰۰ میلیون دلاری برای اکتشاف پروژه‌ای که ممکن است ذخایر معدنی چندانی را در خود نداشته باشد، نخواهد بود.
اگنیو در ادامه ابراز امیدواری کرد که کم‌رغبتی بخش معدن برای پذیرش فناوری‌های نوین، روندی معکوس به خود بگیرد و در همین راستا، به پذیرش سریع ماشین‌آلات خودکار از سوی فعالان معدنی در یک دهه گذشته اشاره کرد. وی یادآور شد: با این وجود، اگر قرار است به طور گسترده فناوری‌هایی مانند هوش مصنوعی در بخش معدن به کار گرفته شود، باید موضوع یکپارچه‌سازی داده‌ها به طور جدی در اولویت قرار بگیرد.
جان واندرمای، مدیر ارشد بخش فناوری شرکت «Seequent» عنوان کرد: بزرگ‌ترین مانع برای پذیرش فناوری‌های نوظهور در بخش معدن، رفع چالش مدیریت حجم وسیع اطلاعات در واحدهای کوچک سازمانی محصور یا اکوسیستم‌های محدود و بسته است.
به گفته وی، فرایند فعلی استخراج از معادن اغلب به وجود انواع سیستم‌های کامپیوتری و ابزارهای اختصاصی قدیمی متکی بوده که به دلیل بسته بودن محیط آن، امکان ارتباط با یکدیگر در این سیستم‌ها تعبیه نشده است. چنین مشکلاتی می‌تواند چالش یکپارچه‌سازی اطلاعات را برجسته و پذیرش کامل فناوری‌های جدید را برای سازمان‌ها در بخش معدن دشوارتر کند.
هایدن داکستر، مدیرعامل شرکت «Power Metals» بیان کرد: ساخت مجموعه‌ای از داده‌های مرتبط و قابل ادغام با مجموعه داده‌های دیگر، منفعتی دوسویه داشته که در حال حاضر بسیاری از شرکت‌های فعال در بخش معدن به دنبال ایجاد آن هستند.
ایوانز خاطرنشان کرد: شرکت «Winsome Resources» در طول سه سال گذشته، حدود ۱۰۰ میلیون دلار عمدتا برای حفاری ذخایر معدنی یا تهیه مجموعه داده‌هایی که هنوز نیاز به تجزیه و تحلیل دارند، هزینه کرده است. بوچر گفت: به‌کارگیری مدل‌سازی یادگیری ماشین در هوش مصنوعی و داده‌های مرتبط با علوم زمین برای تسریع کشف مواد معدنی، امری کاملا ضروری به نظر می‌رسد زیرا الگوهای پنهان در مجموعه داده‌ها در مقیاس گسترده را آشکار خواهد کرد.
وی ابراز کرد: بخش معدن باید میزان سازگاری خود با فناوری‌های جدید مانند هوش مصنوعی و یادگیری ماشین و سایر فناوری‌های در حال ظهور را افزایش دهد. دستیبابی به این نوع سازگاری برای بخش معدن که به نظر می‌رسد عرصه رقابت در آن از لحاظ استفاده از فناوری‌های جدید دستخوش تغییراتی در آینده خواهد شد، بسیار حائز اهمیت است.