هوش مصنوعی به قلب معادن نفوذ می‌کند: از کشف ذخایر تا تصمیم‌گیری در میدان

احسان رنجبران_ پایگاه خبری «معدن نامه»: هوش مصنوعی در حال تغییر تدریجی مدل سنتی معدن‌کاری است. با ایجاد این تغییرات، استفاده از هوش مصنوعی دیگر به استفاده آزمایشی از الگوریتم‌ها برای تحلیل داده‌های زمین‌شناسی محدود نمی‌شود و اکنون حوزه‌هایی مانند اکتشاف، برنامه‌ریزی معدن، ایمنی، نگهداری تجهیزات، فرآوری، زنجیره تأمین و تصمیم‌گیری لحظه‌ای در محل معدن را دربر گرفته است. نمونه‌های تازه از همکاری شرکت‌هایی مانند Barrick و Avathon، توسعه زیرساخت‌های هوش مصنوعی و رایانش لبه‌ای توسط Nokia و پژوهش‌های آزمایشگاه‌های ملی آمریکا نشان می‌دهد صنعت معدن به سمت مدلی حرکت می‌کند که در آن داده و هوش مصنوعی بخشی از زیرساخت عملیاتی معدن خواهند بود.

AI در کل زنجیره اکتشاف تا استخراج

یکی از مهم‌ترین ظرفیت‌های هوش مصنوعی در معدن توانایی آن برای تحلیل هم‌زمان حجم بزرگی از داده‌های زمین‌شناسی، ژئوفیزیکی و عملیاتی است. در مرحله اکتشاف الگوریتم‌ها می‌توانند الگوهایی را در داده‌های موجود شناسایی کنند که تشخیص آن‌ها با روش‌های سنتی زمان‌بر است. این قابلیت می‌تواند به اولویت‌بندی مناطق امیدبخش، کاهش حفاری‌های غیرضروری و استفاده بهتر از سرمایه در مراحل اولیه پروژه کمک کند.

گزارش شورای آتلانتیک درباره آینده هوش مصنوعی در معدن‌کاری آفریقا، دیجیتالی شدن و AI را یکی از ابزارهایی می‌داند که می‌تواند بخشی از محدودیت‌های تاریخی بخش معدن این قاره را کاهش دهد. این گزارش بر کاربرد هوش مصنوعی در اکتشاف، مدیریت منابع، عملیات معدن و ایجاد زنجیره‌های ارزش معدنی تأکید دارد.

در این چهارچوب اهمیت AI فقط در یافتن یک ذخیره جدید نیست. ارزش اصلی زمانی ایجاد می‌شود که داده‌های اکتشافی با اطلاعات استخراج، فرآوری، تجهیزات و بازار به یکدیگر متصل شوند. در چنین مدلی، اطلاعات یک مرحله می‌تواند برای بهینه‌سازی مرحله بعدی مورد استفاده قرار گیرد.

معدن از داده به تصمیم می‌رسد

پژوهش‌های National Laboratory of the Rockies در آمریکا نمونه‌ای از حرکت به سمت این مدل است. رایان کینگ پژوهشگر این آزمایشگاه با همکاری مؤسسه تحقیقات منابع طبیعی دانشگاه مینه‌سوتا در حال توسعه مدل‌های AI برای بهینه‌سازی فرآیندهای استخراج و فرآوری سنگ‌ آهن است.

یکی از مسائل مورد توجه این پژوهش انعطاف‌پذیر کردن فرآوری در برابر تغییر کیفیت خوراک است. تجهیزات فرآوری معدن ممکن است برای دهه‌ها مورد استفاده قرار گیرند اما کیفیت کانسنگ، نیاز بازار و شرایط زنجیره تأمین تغییر می‌کند. مدل‌های AI می‌توانند به تنظیم مراحل فرآوری متناسب با ویژگی خوراک و مشخصات محصول نهایی کمک کنند.

این پروژه حتی چشم‌اندازی فراتر از یک کارخانه فرآوری دارد. پژوهشگران NLR در چارچوب برنامه Genesis Mission به دنبال ایجاد مدل‌هایی هستند که بتوانند زنجیره مواد معدنی را از اکتشاف و استخراج تا آسیاب، جدایش و احیا به یکدیگر متصل کنند. هدف نهایی ایجاد ارتباط میان داده‌های فنی عملیات و حتی رویدادهای ژئوپلیتیکی مؤثر بر زنجیره تأمین است.

چنین رویکردی نشان می‌دهد AI در معدن صرفاً یک ابزار برای اتوماسیون نیست بلکه می‌تواند به لایه‌ای برای ارتباط دادن تصمیم‌های مختلف در سراسر زنجیره مواد معدنی تبدیل شود.

Barrick؛ آزمایش AI در مقیاس یک معدن بزرگ

یکی از نمونه‌های عملی این تحول در شرکت Barrick دیده می‌شود. کسب‌وکار آمریکای شمالی این شرکت در سپتامبر ۲۰۲۶ Avathon را به‌عنوان شریک فناوری برای توسعه یک مدل عملیاتی مبتنی بر AI انتخاب کرد.

پلتفرم Autonomy شرکت Avathon قرار است داده‌ها، دانش عملیاتی و هوش مصنوعی را در سراسر زنجیره معدن Barrick به یکدیگر متصل کند که این زنجیره‌ از اکتشاف و برنامه‌ریزی معدن تا ایمنی، تولید، فرآوری، نگهداری و زنجیره تأمین ادامه دارد.

در این مدل AI می‌تواند شرایط عملیاتی را به‌صورت مستمر تحلیل کند، ریسک‌ها و فرصت‌ها را شناسایی کند و برای تصمیم‌گیری و اقدام در عملیات مورد استفاده قرار گیرد. بنابراین تفاوت اصلی با کاربردهای محدود AI در این است که الگوریتم دیگر در یک نقطه منفرد از معدن قرار ندارد بلکه به‌عنوان یک لایه مشترک روی مجموعه‌ای از فرآیندهای عملیاتی قرار می‌گیرد.

چنین رویکردی برای یک معدن بزرگ می‌تواند ارتباط میان وضعیت تجهیزات، تولید، فرآوری، تعمیرات و برنامه‌ریزی را افزایش دهد. در نتیجه تصمیمی که در یک بخش گرفته می‌شود می‌تواند اثر آن بر بخش‌های دیگر را نیز در نظر بگیرد.

ایمنی یکی از مهم‌ترین میدان‌های AI

یکی از نخستین حوزه‌هایی که هوش مصنوعی در معدن می‌تواند اثر عملیاتی خود را نشان دهد ایمنی است. دوربین‌ها، حسگرها و سامانه‌های ارتباطی می‌توانند حجم بزرگی از داده را در لحظه تولید کنند اما ارزش این داده زمانی افزایش می‌یابد که سامانه‌ای بتواند آن را تحلیل و وضعیت‌های غیرعادی را شناسایی کند.

در پروژه Barrick و Avathon، ایمنی یکی از کاربردهای اصلی AI اعلام شده است. این فناوری برای شناسایی شرایط خطرناک و پشتیبانی از واکنش سریع‌تر به ریسک‌های عملیاتی مورد استفاده قرار می‌گیرد.

این کاربرد در معادن روباز و زیرزمینی اهمیت ویژه‌ای دارد زیرا فاصله تجهیزات، سرعت حرکت ماشین‌آلات سنگین و شرایط متغیر محیطی، پایش دائمی تمام نقاط عملیات را برای نیروی انسانی دشوار می‌کند.

پایان انتظار برای خرابی تجهیزات

نگهداری پیش‌بینی‌پذیر نیز از دیگر حوزه‌هایی است که AI می‌تواند مدل سنتی معدن‌کاری را تغییر دهد. در روش‌های سنتی بخشی از تعمیرات بر اساس برنامه زمانی یا پس از بروز خرابی انجام می‌شود. AI می‌تواند داده‌های مربوط به عملکرد تجهیزات را بررسی و نشانه‌های اولیه خرابی را شناسایی کند.

در این مدل هدف صرفاً تعمیر سریع‌تر نیست بلکه تلاش می‌شود پیش از وقوع توقف، احتمال خرابی تشخیص داده شود. این موضوع برای معادنی که توقف یک کامیون، شاول، سنگ‌شکن یا خط فرآوری می‌تواند بر کل برنامه تولید اثر بگذارد، اهمیت اقتصادی دارد.

همکاری Barrick و Avathon نیز نگهداری پیش‌بینی پذیر و افزایش قابلیت اطمینان تجهیزات را در میان کاربردهای اصلی خود قرار داده است.

وقتی هوش مصنوعی به خود معدن می‌رود

یکی از تحولات مهم‌تر در این مسیر ترکیب AI با رایانش لبه‌ای است. Nokia در سپتامبر ۲۰۲۶ پلتفرم Cognitive Operations را معرفی کرد که ارتباطات حیاتی، رایانش لبه‌ای و هوش مصنوعی عملیاتی را در یک زیرساخت واحد ترکیب می‌کند.

این پلتفرم برای معدن قابلیت‌هایی مانند دوقلوی دیجیتال سه‌بعدی، تحلیل ویدئویی بلادرنگ، نگهداری پیش‌بینانه و پایش خودکار ایمنی را ارائه می‌کند.

اهمیت رایانش لبه‌ای در این است که تمام داده‌ها برای تحلیل مجبور نیستند به یک مرکز داده دور منتقل شوند. Cognitive Edge Node نوکیا می‌تواند داده را در محل تولید پردازش کند و با استفاده از پردازش GPU، تحلیل‌های AI را در خودروها، تجهیزات و نقاط دورافتاده انجام دهد. این ساختار برای کاربردهایی مانند تحلیل ویدئو، تشخیص خستگی، جلوگیری از برخورد و اتوماسیون عملیاتی طراحی شده است.

برای معدن این تغییر اهمیت زیادی دارد. در محیطی که ارتباطات ممکن است محدود باشد و برخی تصمیم‌ها باید در چند ثانیه گرفته شوند، پردازش داده در محل می‌تواند وابستگی به ارتباط دائمی با مرکز داده را کاهش دهد.

دوقلوی دیجیتال و تصویری زنده از معدن

اتصال داده‌های تجهیزات، نیروی انسانی، خودروها و فرآیندهای تولیدی به یک دوقلوی دیجیتال می‌تواند تصویر متفاوتی از معدن ایجاد کند. به جای آنکه مدیران اطلاعات را از سامانه‌های جداگانه دریافت کنند داده‌های عملیاتی می‌تواند در یک محیط یکپارچه نمایش داده شود.

Nokia در پلتفرم Cognitive Operations خود دوقلوی دیجیتال سه‌بعدی زنده را در کنار تحلیل ویدئویی و AI قرار داده است. هدف، ایجاد یک تصویر لحظه‌ای از وضعیت سایت و دارایی‌های آن و تبدیل این اطلاعات به تصمیم‌های عملیاتی سریع‌تر است.

این روند می‌تواند زمینه را برای حرکت از معدن دیجیتال به سمت معدن شناختی فراهم کند که در آن سامانه‌ها فقط وضعیت موجود را ثبت نمی‌کنند بلکه از داده‌ها برای پیش‌بینی و پیشنهاد اقدام بعدی استفاده می‌کنند.

AI هنوز الزاماً مصرف‌کننده بزرگ مواد معدنی نیست

ورود هوش مصنوعی به معدن را نباید با افزایش مستقیم مصرف مواد معدنی یکسان دانست. تجربه طلا نمونه روشنی از این تفاوت است. شورای جهانی طلا در گزارشی که ۲۴ سپتامبر ۲۰۲۶ منتشر کرد، اعلام کرده تقاضای فناوری برای طلا در سال ۲۰۲۵ حدود ۳۲۳ تن بوده و تقریباً نسبت به سال قبل تغییری نکرده است. این وضعیت در شرایطی رخ داده که تقاضا برای تراشه‌های مرتبط با AI رشد قابل‌توجهی داشته است.

به گفته این نهاد قیمت بالای طلا، کاهش مقدار فلز مورد استفاده در قطعات و کوچک‌ترشدن تراشه‌ها بخشی از اثر افزایش تقاضای ناشی از AI را خنثی کرده‌اند. از سوی دیگر رشد تجهیزات و تراشه‌های AI همچنان می‌تواند تقاضا برای طلا در بخش الکترونیک را تقویت کند.

به‌این‌ترتیب اثر فعلی AI بر صنعت معدن بیشتر در نحوه تولید مواد معدنی دیده می‌شود تا افزایش مستقیم مصرف آن‌ها. این فناوری می‌تواند به شرکت‌ها کمک کند ذخایر را دقیق‌تر شناسایی کنند، تجهیزات را بهتر مدیریت کنند، فرآوری را انعطاف‌پذیرتر کنند و زنجیره تأمین را سریع‌تر تحلیل کنند.

رقابت بر سر معدن هوشمند

تحول AI در معدن تنها یک مسئله فناورانه نیست. گزارش شورای آتلانتیک درباره آینده معدن‌کاری آفریقا، هوش مصنوعی و دیجیتالی شدن را در ارتباط با توسعه ظرفیت‌های معدنی، زنجیره‌های تأمین و روابط جدید میان کشورهای صاحب منابع و سرمایه‌گذاران بین‌المللی بررسی می‌کند.

از این نظر کشورهایی که ذخایر معدنی در اختیار دارند، در آینده تنها با مسئله استخراج بیشتر مواجه نخواهند بود بلکه دسترسی به داده، زیرساخت محاسباتی، شبکه‌های ارتباطی و نیروی انسانی متخصص نیز بخشی از توان رقابتی آن‌ها خواهد شد.

این مسئله برای مواد معدنی حیاتی اهمیت بیشتری دارد. هرچه زنجیره مواد معدنی پیچیده‌تر شود، توانایی تحلیل سریع داده‌های زمین‌شناسی، تولیدی، تجاری و ژئوپلیتیکی اهمیت بیشتری پیدا می‌کند. پژوهش NLR نیز دقیقاً به همین سمت حرکت کرده و هدف آن اتصال اطلاعات از سنگ موجود در زیرزمین تا فرآوری و اثر رویدادهای ژئوپلیتیکی بر زنجیره تأمین است.

معدن آینده، کارخانه‌ای با داده‌های بیشتر

تصویر فعلی نشان می‌دهد هوش مصنوعی هنوز جایگزین کامل نیروی انسانی و تجهیزات معدن نشده است و چنین نتیجه‌ای نیز از منابع بررسی‌شده به دست نمی‌آید. مسیر فعلی بیشتر به سمت همکاری انسان و AI، افزایش توان تصمیم‌گیری و خودکار شدن بخشی از عملیات حرکت می‌کند.

Barrick در حال اتصال AI به زنجیره‌ای از فرآیندهای معدن است. NLR روی مدل‌هایی برای ارتباط دادن اکتشاف، استخراج و فرآوری کار می‌کند و Nokia زیرساختی برای انتقال هوش مصنوعی به محل عملیات ایجاد کرده است.

در این چهارچوب آینده معدن هوشمند احتمالاً نه در یک الگوریتم منفرد، بلکه در اتصال همه داده‌های معدن به یکدیگر شکل می‌گیرد. اکتشاف، ماشین‌آلات، نیروی انسانی، فرآوری، انرژی، نگهداری، تولید و زنجیره تأمین زمانی بیشترین ارزش را ایجاد می‌کنند که بتوانند در یک سیستم داده‌محور با یکدیگر ارتباط داشته باشند.

هوش مصنوعی در چنین مدلی از یک ابزار جانبی عبور می‌کند و به بخشی از زیرساخت معدن تبدیل می‌شود. این زیرساخت می‌تواند تصمیم‌گیری را سریع‌تر، عملیات را قابل‌پیش‌بینی‌تر و مدیریت منابع را دقیق‌تر کند. تحول اصلی معدن در عصر AI، بنابراین صرفاً خودکارشدن ماشین‌آلات نیست بلکه تبدیل معدن به یک سیستم هوشمند و پیوسته از داده، تحلیل و تصمیم است.