به گزارش پایگاه خبری «معدن نامه» به گفته «میکو تپونن»، مدیر ارشد دیجیتال BHP، این شرکت طی سه سال گذشته با حدود هزار ساعت توقف فعالیت سنگ‌شکن‌ها و اختلالات دیگر در بنادر استرالیای غربی روبه‌رو بوده است. این مشکلات در نهایت با اجرای یک راهکار مبتنی بر هوش مصنوعی در سال ۲۰۲۵ برطرف شد.
تپونن توضیح داد یکی از چالش‌های مداوم عملیات سنگ‌آهن BHP در استرالیای غربی، ورود سنگ‌های بیش از حد درشت و اشیای خارجی به سیستم فرآوری بوده است؛ مسئله‌ای که تأثیر قابل توجهی بر عملکرد عملیاتی داشته و عملاً به یک «محدودیت عملیاتی جدی» تبدیل شده بود.
به گفته وی، راهکار طراحی‌شده شامل سامانه نظارت و تشخیص اشیای خارجی بر پایه «بینایی ماشین» است که با استفاده از دوربین‌ها و مدل‌های یادگیری ماشین، ناهنجاری‌ها را به‌صورت بلادرنگ شناسایی کرده و مستقیماً به سیستم کنترل فرآیند متصل می‌شود.
در این سامانه، در نقاط کلیدی نوار نقاله‌های معادن سنگ‌آهن BHP در استرالیای غربی از فناوری بینایی ماشین استفاده می‌شود تا سنگ‌های درشت یا اشیای خارجی پیش از آن‌که موجب خطرات ایمنی، آسیب تجهیزات یا توقف‌های ناخواسته شوند، شناسایی و حذف شوند.
دستاوردهای مالی و عملیاتی
به گفته مدیر ارشد دیجیتال BHP، این راهکار سالانه نزدیک به یک میلیون تن افزایش ظرفیت تولید ایجاد کرده که ارزشی در حدود ۵۰ میلیون دلار به همراه دارد. همچنین این فناوری منجر به ۲۰ درصد کاهش زمان توقف سنگ‌شکن‌ها و تا ۶۰ درصد کاهش اختلالات مرتبط شده است.
اجرای مؤثر مهم‌تر از خود فناوری
با این حال، تپونن تأکید کرد عامل اصلی موفقیت این پروژه صرفاً خود فناوری نبوده، بلکه نحوه اجرای آن اهمیت بیشتری داشته است.به گفته او، این راهکار از ابتدا با همکاری کارکنان خط مقدم طراحی شده، در سیستم‌های موجود ادغام شده و با سرعت و چابکی اجرا شده است.
همچنین از همان ابتدا قابلیت توسعه‌پذیری در مقیاس وسیع برای آن در نظر گرفته شده بود.
این فناوری ابتدا در یک سایت اجرا شد و سپس به چندین سایت دیگر و کاربردهای بیشتر در حوزه بینایی ماشین گسترش یافت و در نتیجه، زیرساختی برای استفاده‌های آینده این فناوری ایجاد شد.
تپونن افزود BHP به‌جای اجرای صرف یک پروژه آزمایشی، بر ایجاد توانمندی عملیاتی پایدار تمرکز کرده است؛ رویکردی که در سایر حوزه‌های صنعت معدن، از جمله حمل‌ونقل خودران، نیز مشاهده می‌شود؛ جایی که پروژه‌های آزمایشی به قابلیت‌های عملیاتی در مقیاس گسترده تبدیل شده‌اند.
به گفته وی، گذار از مرحله آزمایشی به سطح عملیاتی تنها با فناوری امکان‌پذیر نیست، بلکه نیازمند ادغام کامل در عملیات، هم‌راستایی با مدل عملیاتی و قابلیت توسعه در کل شبکه است؛ روندی که اکنون در حوزه هوش مصنوعی نیز در حال شکل‌گیری است.
فاصله میان آزمایش و مقیاس‌پذیری
مدیر ارشد دیجیتال BHP در عین حال اذعان کرد هنوز شکافی میان پروژه‌های آزمایشی و اجرای گسترده آن‌ها در صنعت معدن و سایر صنایع وجود دارد.
او گفت: «این شکاف با اجرای پروژه‌های آزمایشی بیشتر پر نخواهد شد، بلکه زمانی برطرف می‌شود که از ابتدا برای مقیاس‌پذیری طراحی کنیم و راهکارها را به چالش‌های واقعی عملیات متصل کنیم.»
تپونن در پایان تأکید کرد: «آینده هوش مصنوعی در صنعت معدن نه بر اساس میزان آزمایش‌ها، بلکه بر پایه میزان موفقیت در توسعه و گسترش راهکارهای مؤثر تعریف خواهد شد؛ چرا که در نهایت، اجرای موفق مهم‌تر از اختراع است.»
