به گزارش عیار معدن، AHS از ترکیبی از سنسورها، تکنولوژی GPS، یادگیری ماشینی و الگوریتم‌های کنترل برای بهینه‌سازی مسیر و جلوگیری از تصادف استفاده می‌کند. در نتیجه، هوش مصنوعی با سیستم‌های اتوماسیون و شبیه‌سازی معدن، کامیون‌های خودران، ماشین‌های حفاری، قطارها، تانکرهای آب، قطارهای حمل بار سنگین و یک آزمایشگاه کاملا خودکار یکپارچه شده است. طبق اعلام ریو تینتو، این سیستم با حذف خطای راننده، کارآیی و ایمنی عملیات را بهبود می‌بخشند. در عملیات سنگ آهن شرکت معدنی BHP در غرب استرالیا، بیش از 30 درصد کامیون‌ها تا سال ۲۰۲۲ خودکار شدند و این غول معدنی از هوش مصنوعی برای کمک به تصمیم‌گیری در مورد عملیات ایمن‌تر و کارآمدتر استفاده کرده است.
هوش مصنوعی در حال متحول کردن صنعت معدن است و در مراحل مختلف فرآیند تولید، به یک جزء حیاتی تبدیل شده است. این تکنولوژی وعده کاهش هزینه‌ها، افزایش ایمنی، بهبود کارآیی و کاهش ردپای کربن را می‌دهد. با این حال، با خطراتی مانند هزینه‌های بالای یکپارچه‌سازی، نگرانی‌های امنیت داده، اتکای بیش از حد به داده‌های تجربی و مدل‌سازی شده و معضلات اخلاقی نیز همراه است. در حالی که بخش معدن با این پیچیدگی‌ها دست‌وپنجه نرم می‌کند، همچنان ترجیح می‌دهد آینده خود را با هوش مصنوعی شکل دهد؛ هرچند به‌آهستگی. تقریبا هیچ صنعتی نیست که تحت تاثیر این تکنولوژی تحول‌آفرین قرار نگرفته باشد و در نرخ پذیرش هوش مصنوعی در بخش‌هایی مانند مالی، فناوری و خدمات درمانی، پیشرفت‌های قابل توجهی حاصل شده است. پس از معرفی چت‌جی‌پی‌تی، هیجان استفاده از هوش مصنوعی مولد افزایش یافت و به افزایش سهام شرکت‌های فعال در حوزه IT و هوش مصنوعی منجر شد.
در حالی که پیشرفت در مدل‌های زبانی بزرگ (LLM) افق‌های جدیدی را برای پردازش داده باز کرده است، ادغام هوش مصنوعی و روباتیک، در سایت‌های معدنی بزرگ، مدت‌ها قبل از این که هوش مصنوعی مولد به یک نیروی برجسته در زندگی ما تبدیل شود، عملی شده بود. با تسریع پذیرش هوش مصنوعی و استفاده مستمر از اتوماسیون در فعالیت‌های مختلف معدنی، اکنون تصور یک عملیات معدنی بزرگ‌مقیاس بدون استفاده از تکنولوژی در برخی مراحل زنجیره ارزش معدن، تقریبا غیرممکن است. پیشرفت‌های مداوم در بخش هوش مصنوعی، فرصت‌ها و راه‌های جدیدی برای یکپارچگی ایجاد می‌کند که از نظر تداوم کسب و کار و کارآیی عملیاتی، مزایای ملموسی برای صنعت معدن دارد.
معدن‌کاری هوشمند
یکی از ابتدایی‌ترین و تحول‌آفرین‌ترین ابتکارات هوش مصنوعی در معدن‌کاری، پیاده‌سازی سیستم‌های حمل‌ونقل خودکار (AHS) بود که توسط شرکت «ریو تینتو» به عنوان بخشی از برنامه «معدن آینده» معرفی و به کار گرفته شد. AHS از ترکیبی از سنسورها، تکنولوژی GPS، یادگیری ماشینی و الگوریتم‌های کنترل برای بهینه‌سازی مسیر و جلوگیری از تصادف استفاده می‌کند. ریو تینتو در سایت موسوم به «گودای داری» در غرب استرالیا، با شرکت تولیدکننده تجهیزات کاترپیلار وارد مشارکت شده تا تلاش‌های اتوماسیون را پیش ببرد. در نتیجه، هوش مصنوعی با سیستم‌های اتوماسیون و شبیه‌سازی معدن، کامیون‌های خودران، ماشین‌های حفاری، قطارها، تانکرهای آب، قطارهای حمل بار سنگین و یک آزمایشگاه کاملا خودکار یکپارچه شده است. علاوه بر این، حدود 80 درصد ناوگان کامیون‌های پروژه گودای داری در حال حاضر خودران هستند و شرکت ریو تینتو حدود ۲۰۰ قطار را با تکنولوژی اختصاصی خودش به نام «اتوهال» که قطارهای خودران حمل‌کننده بار سنگین هستند، مورد استفاده قرار داده است. طبق اعلام شرکت، این تلاش‌های اتوماسیون با حذف خطای راننده، کارآیی و ایمنی عملیات را بهبود می‌بخشند. در عملیات سنگ آهن شرکت معدنی BHP در غرب استرالیا، بیش از 30 درصد کامیون‌ها تا سال ۲۰۲۲ خودکار شدند و این غول معدنی از هوش مصنوعی برای کمک به تصمیم‌گیری در مورد عملیات ایمن‌تر و کارآمدتر استفاده کرده است. به جز اتوماسیون، سیستم معدن‌کاری هوشمند ریو تینتو به نقطه کانونی عملیات روزانه این شرکت تبدیل شده و از واقعیت مجازی، مدل‌سازی و تصویرسازی سه‌بعدی هم استفاده می‌کند. این شرکت در مرکز ذوب «تیوای پوینت» در نیوزیلند، از یک مدل سه‌بعدی شبیه‌سازی شده ذوب، برای بازآفرینی سناریوها و جلوگیری از حوادث ایمنی استفاده می‌کند.
اکتشاف، یکی دیگر از حوزه‌های معدن‌کاری است که هوش مصنوعی در آن مورد استفاده قرار گرفته است. از آنجایی که معدن‌کاران در کل دنیا با کاهش بودجه‌های کاوش روبه‌رو شده‌اند، هوش مصنوعی قادر است حجم زیادی از داده‌های زمین‌شناسی را تحلیل کند تا ذخایر معدنی را شناسایی کرده و به این ترتیب نرخ حفاری و تلاش برای استخراج را بهینه‌سازی کند. در مه ۲۰۲۳، شرکت BHP برای یکپارچه‌سازی هوش مصنوعی با سیستم‌های خودش شراکت با مایکروسافت را شروع کرد تا بازیابی مس در معدن «اسکوندیدا» در شیلی را بهبود بخشد. اپراتورهای تغلیظ سنگ آهن، با ترکیب توصیه‌های مبتنی بر هوش مصنوعی پلتفرم Azure مایکروسافت و داده‌هایی که مستقیم از کارخانه می‌آیند، می‌توانند متغیرهای عملیاتی را تنظیم کنند تا فرآوری سنگ آهن بهینه‌سازی شود. شرکت BHP با موفقیت از این تکنولوژی برای کشف ذخایر جدید مس در استرالیا و ایالات متحده استفاده کرده است. همچنین BHP در مه ۲۰۲۴ شراکت خود را با شرکت «ایوانهو الکتریک» اعلام کرد تا از فرستنده ژئوفیزیکی و نرم‌افزار یادگیری ماشین این شرکت برای شناسایی وجود مواد معدنی مانند مس، نیکل، طلا و نقره استفاده کند و هزینه‌ها و زمان عملیات را بدون کمترین اختلالی در اکوسیستم کاهش دهد. در سال ۲۰۱۸، شرکت «گلدکورپ» قبل از ادغامش با «نیومونت» یک مدل هوش مصنوعی را در همکاری با IBM کانادا توسعه داد تا قابلیت پیش‌بینی اکتشاف طلا را در پروژه «رد لیک» انتاریو افزایش دهد و شناسایی هدف‌ها را از طریق یادگیری ماشینی و تحلیل‌های مکانی تسریع کند.
ظاهرا به‌کارگیری هوش مصنوعی به بهبود پشتیبانی پیشگیرانه نیز کمک کرده است. شرکت‌ها با استفاده از الگوریتم‌های پیشرفته و یادگیری ماشین، می‌توانند داده‌های عملکرد تجهیزات را تحلیل کنند تا مشکلات احتمالی را قبل از وقوع پیش‌بینی کنند. هدف این رویکرد پیشگیرانه، علاوه بر کاهش زمان خرابی، افزایش عمر مفید ماشین‌آلات حیاتی است. از آنجایی که صنعت معدن همچنان از راه‌حل‌های پشتیبانی پیشگیرانه مبتنی بر هوش مصنوعی استفاده می‌کند، پتانسیل بهبود مدیریت دارایی و تخصیص منابع، بیشتر آشکار خواهد شد. در بخش اداری، پیشرفت‌های تکنولوژیک در هوش مصنوعی، همراه با سنجش از راه دور، می‌تواند به دولت‌ها امکان دهد سایت‌هایی را که در معرض استخراج غیرقانونی و جنگل‌زدایی هستند، از طریق ویژگی‌های نقشه‌خوانی جزئی و تغییرات چشم‌انداز بصری، شناسایی کنند.
تولیدکنندگان بزرگ‌تر، چون می‌توانند هزینه‌ها را بهتر مدیریت کنند، از یک مزیت رقابتی برخوردارند. با این حال، تولیدکنندگان بزرگ پیشتاز این مسیر هستند و رشد می‌کنند و در نتیجه هزینه‌های سرمایه‌گذاری آنها ممکن است با گذشت زمان کاهش یابد. در این شرایط بازیگران کوچک‌تر نیز می‌توانند به درجه‌ای از ارزش‌آفرینی برسند. یک مثال اخیر، استارت‌آپ معدنی آمریکایی «کوبولد متالز» است که اخیرا ۵۳۷ میلیون دلار تامین بودجه کرده تا از پروژه‌هایی که در دست دارد – از جمله معدن مس «مینگومبا» در زامبیا – از طریق سیستم هوش مصنوعی اختصاصی خودش به نام «تراشد» (TerraShed) بهره‌برداری کند. بخش قابل توجهی از موفقیت این شرکت در تامین سرمایه، به خاطر رویکرد مبتنی بر هوش مصنوعی آن، برای اکتشاف بود.
پیوند تکنولوژی و معدن
از آنجایی که شرکت‌های معدنی به دنبال یکپارچه‌سازی هوش مصنوعی با عملیات خود برای کاربردهای مختلف هستند، شرکت‌های تکنولوژی فرصت‌های قابل توجهی را در این زمینه پیدا کرده‌اند. در سال ۲۰۲۲، پیشرفت‌هایی که در واقعیت مجازی و واقعیت افزوده به وجود آمد، باعث شد شرکت نرم‌افزاری «اسکای‌کچ» با شرکت معدنی «تک ریسورسز» و انویدیا وارد همکاری شود و یک پلتفرم دوقلوی دیجیتال تصویری را توسعه دهند که شبیه‌سازی آنی و سه‌بعدی عملیات معدنی تک ریسورسز را امکان‌پذیر می‌کند و به اپراتورها اجازه می‌دهد متغیرهای مختلف عملیاتی را به صورت پویا مشاهده کنند. همچنین شرکت تکنولوژی «فلی اسپیس» استرالیا، اخیرا با شرکت معدنی «باریک گلد» وارد مشارکت شده تا اکتشاف مبتنی بر هوش مصنوعی را در معدن مس «رکو دیق» پاکستان اجرایی کنند. اکتشاف مس با استفاده از سیستم موسوم به ExoSphere شرکت فلی اسپیس، از طریق نقشه‌های زیرسطحی سه‌بعدی که به شناسایی ویژگی‌هایی مانند سیستم‌های آب زیرزمینی و بافت سنگ مس کمک می‌کند، بهبود می‌یابد. هدف این سیستم تسریع اکتشاف در سایت است، در حالی که اثرات زیست‌محیطی مرتبط با روش‌های اکتشاف سنتی را هم به حداقل می‌رساند. در پروژه «فونتنوی» (Fontenoy) استرالیا، کاوشگر پیش‌بینی کننده شرکت Earth AI و هلدینگ «لیگیسی مینرالز» سیستم هدف‌گیری معدنی مبتنی بر هوش مصنوعی Earth AI را برای پیشبرد حفاری‌های خود پیاده‌سازی کرده‌اند. در نوامبر ۲۰۲۴، آنها از اولین اکتشاف فلز پالادیوم در زمینی بکر با کمک هوش مصنوعی خبر دادند.
شرکت نرم‌افزاری آمریکایی «اسپن» سرمایه‌گذاری در راه‌حل‌های معدنی دیجیتال را ادامه می‌دهد. در معدن طلای «مونگاری» در غرب استرالیا، شرکت معدنی «اولوشن» برنامه‌های پشتیبانی تجویزی را با استفاده از تکنولوژی اسپن به نام Mtell اجرا کرده که خطرات ایمنی کار را کاهش داده و هر گونه خسارت مالی را پیش‌بینی می‌کند.
در حوزه مواد معدنی حیاتی، مساله گذار انرژی همچنان به تقاضا دامن می‌زند، چون این صنعت با چالش‌هایی مانند کاهش عیار سنگ‌های معدنی، طولانی‌تر شدن زمان لازم برای شروع پروژه جدید در زمین‌های بکر، و افزایش هزینه‌ها مواجه است. بنابراین، پیشرفت‌های علمی تلاش برای کم کردن کالاهای اساسی مورد استفاده در محصولات خاص – به‌ویژه باتری را – تشدید می‌کند. مدل‌های هوش مصنوعی مولد برای حمایت از پژوهش‌هایی که هدفشان کشف مواد اولیه جدید و پایدارتر برای باتری است استفاده می‌شوند، که این موضوع می‌تواند به دولت‌ها کمک کند در دستیابی به مواد معدنی حیاتی به امنیت بیشتری برسند.
ارزیابی ریسک
پیشرفت‌های هوش مصنوعی باعث شده سرمایه‌گذاران باور کنند که به‌کارگیری این تکنولوژی در آینده بازدهی بالایی خواهد داشت؛ آن هم نه فقط در صنعت معدن، بلکه در تمامی بخش‌های اقتصاد. سوالی که باقی می‌ماند این است: آیا این انتظارات برآورده خواهند شد یا حباب هوش مصنوعی که خیلی در مورد آن صحبت می‌شود، در نهایت خواهد ترکید؟
به‌کارگیری هوش مصنوعی مزایای قابل توجهی دارد و پتانسیل کامل هوش مصنوعی در معدن‌کاری هنوز به طور کامل محقق نشده و هنوز فرصت‌های زیادی برای کاوش وجود دارد. اما این تکنولوژی چالش‌ها و ریسک‌های قابل توجهی هم دارد. یکپارچه‌سازی و پشتیبانی سیستم‌های هوش مصنوعی می‌تواند هزینه‌بر باشد. این هزینه‌ها چه به عنوان هزینه‌های کلی سایت معدنی در نظر گرفته شوند و چه آنها را هزینه‌های سرمایه‌ای توسعه و گسترش بدانیم، شرکت‌های معدنی باید با هزینه‌های اضافی خرید سخت‌افزار و نرم‌افزار، آموزش نیروی کار و ارائه پشتیبانی فنی مداوم کنار بیایند.
کیث فلین، از مدیران سابق شرکت اسپن، می‌گوید: «چالش اصلی پذیرش هوش مصنوعی در صنعت معدن، اعتماد است. در این محیط با ریسک بالا، معدن‌کاران تمایلی ندارند که به طور کامل به مدل‌های تجربی که هوش مصنوعی تولید می‌کند وابسته شوند. یک رویکرد ترکیبی که شامل مداخله انسانی در مواقع لازم باشد، به عنوان راه‌حل پیشنهاد می‌شود. دومین مانع بزرگ، سرمایه‌گذاری است؛ به‌ویژه در سایت‌های دورافتاده که فاصله، ارتباط‌پذیری و شبکه‌های برق می‌توانند اتکاناپذیر باشند.»
ریسک‌های امنیت داده طبیعی است، چون هوش مصنوعی حجم زیادی از اطلاعات را پردازش می‌کند که برخی از آنها ممکن است حساس باشند و نگرانی‌های امنیت سایبری را افزایش دهند. دولت‌ها در سراسر جهان تلاش می‌کنند چارچوب‌های قانونی برای هوش مصنوعی ایجاد کنند. این چارچوب‌ها به خودی خود، ریسک تبعیت از قانون را هم به دنبال دارند و شرکت‌های معدنی را ملزم می‌کنند منابع بیشتری برای پایش فعالیت‌ها تخصیص دهند. علاوه بر این، اگر منابع داده و الگوریتم‌های موجود دارای سوگیری‌های ذاتی باشند، توصیه‌های سیستم‌های هوش مصنوعی ممکن است نتایج تبعیض‌آمیز ایجاد کند. به‌کارگیری هوش مصنوعی در معدن‌کاری از یک طرف می‌تواند به نیازهای اجتماعی مانند بهبود ایمنی صنعت و کاهش اثرات کربنی کمک کند، اما از طرف دیگر نگرانی‌های اخلاقی در مورد جابه‌جایی شغلی نیز ممکن است وجود داشته باشد.
نتیجه‌گیری
در دسامبر ۲۰۲۴، سم آلتمن، هم‌بنیان‌گذار و مدیر عامل شرکت OpenAi، اعلام کرد که توسعه هوش مصنوعی مولد در سال ۲۰۲۵ تسریع خواهد شد. او تاکید کرد شاید با کمی تاخیر، ظهور ابرهوش در دهه بعدی پیش‌بینی می‌شود. قابل توجه است که از 10 تکنولوژی نوظهور معرفی شده در سال گذشته، 3 تکنولوژی بر اساس سیستم‌های هوش مصنوعی بوده‌اند. صرف‌نظر از اینکه آیا همه شرکت‌های معدنی از انقلاب هوش مصنوعی استقبال کرده‌اند یا نه، این نوآوری دگرگون‌کننده که وعده عملکردی بهتر از توانایی‌های انسانی را می‌دهد، در حال تسریع و ایجاد فرصت‌های جدید برای صنعت و سودآوری برای سرمایه‌گذاران مالی آن است. صنعت معدن که از گذشته در اجرای تغییرات کند عمل کرده، با پیشرفت هر فاز از هوش مصنوعی، با چالش متعادل‌سازی دستاوردهای بالقوه و ریسک‌های همراه با آن مواجه خواهد بود.
ترکیبی از فشارها مانند بهینه‌سازی سود، اهداف کربن‌زدایی، و افزایش تقاضا برای مواد معدنی حیاتی به واسطه گذار به سوی انرژی پاک، در آینده نزدیک شدت خواهد یافت و صنعت معدن را مجبور به پذیرش و سازگاری با یکپارچه‌سازی هوش مصنوعی در عملیات معدنی خواهد کرد. به طور کلی، بخش معدن با نظارت درست بر هوش مصنوعی، سود‌آورتر و کارآمدتر خواهد شد، چون ایمن‌تر و پاک‌تر می‌شود.
منبع: روابط عمومی شرکت فولاد مبارکه اصفهان