با تمرکز بیشتر معدنکاران بر موضوعات پایداری و افزایش بهره‌وری در سایت‌های معدنی، جای تعجب نیست که کلان‌داده در معادن در سال‌های اخیر به واژه رایجی در این صنعت تبدیل شده باشد. در واقع، استفاده از این اصطلاح در گزارش‌ شرکت‌های معدنی در فاصله بین سه ماهه اول و دوم 2021 نزدیک به 72 درصد افزایش یافته و از سال 2016 به بعد رشد 150 درصدی داشته است.

کلان‌داده به مجموعه‌ای عظیم، متنوع و پیچیده از اطلاعات گفته می‌شود که پردازش آن با روش‌های مرسوم ممکن نیست. در معدن، این داده‌ها از منابع بی‌شماری تولید می‌شوند: از حسگرهای نصب‌شده بر روی ماشین‌آلات (اینترنت اشیا)، تصاویر پهپادها و ماهواره‌ها (سنجش از دور)، گزارش‌های زمین‌شناسی، تا داده‌های مربوط به نیروی کار متصل و نگهداری و تعمیرات. آنچه این داده‌های خام را به ارزش تبدیل می‌کند، رویکرد پلتفرمی و هوش مصنوعی و تحلیل‌های پیشرفته است. هوش مصنوعی با شناسایی الگوهای پنهان در دل این حجم عظیم داده و همچنین آموزش آنها، قادر به پیش‌بینی رویدادها، بهینه‌سازی فرآیندها و خودکارسازی عملیات است

پیشرفت‌ فناوری‌های اینترنت اشیا بگونه‌ای رقم خورده که تجهیزات می‌توانند به حس‌گرهایی مجهز شوند که مقادیر زیادی از داده‌های ژئوساینتیفیک، وضعیت ماشین و عملیات را از لحظه به لحظه فرایند معدنکاری برداشت ‌کنند و تصویری دقیق از عملیات را در قالب داده‌ها به نمایش ‌گذارند.

این نوع تحلیل در آینده معدنکاری نقش مهمی را ایفا خواهد کرد؛ جایی که تحلیل‌های مبتنی بر الگوریتم‌های یادگیری ماشین و هوش مصنوعی برای کاهش ضایعات معدنی، افزایش بهره‌وری و حفظ مزیت رقابتی سایت‌های معدنی به کمک شرکت‌های معدنی می‌آیند.
بنابراین کلان‌داده در معادن می‌تواند در تمام جنبه‌های عملیات معدنی نقش بازی کند، تنوع، حجم و سرعت داده‌ها را در وجوه گوناگون کسب‌وکار اندازه‌گیری کند و به تصمیم‌گیرندگان کلیدی، نمایی جامع از نقاطی ارائه دهد که در آن‌ها بهره‌وری کلی، ایمنی و حاشیه سود امکان بهبود دارند.

اما برای دستیابی به ظرفیت کامل این داده‌ها، معدنکاران به سرمایه‌گذاری در ایجاد زیرساخت کلان‌داده در معادن و فناوری‌های تحلیل داده نیاز دارند تا بتوانند ارزش واقعی و بالقوه این دارایی‌ها را در مرحله اجرا، پیاده‌سازی کنند. از الگوریتم‌های هوش مصنوعی تا نظارت آنی دارایی‌های معدن، خودکارسازی عملیات معدنی جریانی است که به سرعت در حال اوج گرفتن است. با این حال، مسیر فعال‌سازی این ظرفیت‌ها در صنعت معدن، با فراز و نشیب‌ها و پیچ‌وخم‌های متعددی همراه است که در این مقاله به تفصیل به آنها خواهیم پرداخت.

کلان‌داده در معادن پیش از خرابی تصمیم می‌گیرند

اینترنت اشیا (IoT) نقش شالوده جمع‌آوری داده را در معادن هوشمند ایفا می‌کند. با نصب هزاران حسگر بر روی تجهیزات معدنی از دام تراک‌ها و بیل‌های مکانیکی گرفته تا نوار نقاله‌ها و پمپ‌ها، حجم عظیمی از داده‌های عملیاتی بصورت لحظه‌ای (Real-Time) تولید می‌شود. این داده‌ها شامل پارامترهایی مانند دما، فشار، لرزش، سرعت، مصرف سوخت و موقعیت جغرافیایی هستند.

اما ارزش واقعی اینترنت اشیا زمانی نمایان می‌شود که با تحلیل‌های پیش‌بینی‌کننده (Predictive Analytics) ترکیب شود. به این معنا که به جای واکنش نشان دادن به خرابی‌ها (نگهداری اصلاحی) یا پیروی از یک برنامه زمانی ثابت (نگهداری پیشگیرانه)، می‌توان با تحلیل داده‌های حسگرها، زمان دقیق خرابی یک قطعه را پیش از وقوع آن با دقت قابل قبولی پیش‌بینی کرد (نگهداری پیش‌بینانه).

به‌عنوان نمونه، یک معدن بزرگ را در نظر بگیرید که ناوگانی از کامیون‌های غول‌پیکر دارد. بطور سنتی، این کامیون‌ها ممکن است هر ۵۰۰ ساعت کار، برای سرویس دوره‌ای متوقف شوند. اما با استفاده از حس‌گرهای اینترنت اشیا که لرزش موتور، دمای روغن و کیفیت سوخت را پایش می‌کنند، الگوریتم‌های هوش مصنوعی می‌توانند تشخیص دهند که یک کامیون خاص برخلاف بقیه، در شرف خرابی است. این هشدار زودهنگام به تیم تعمیرات اجازه می‌دهد تا پیش از توقف ناگهانی کامیون در میانه مسیر و ایجاد اختلال در کل زنجیره تولید، قطعه مورد نظر را تعویض کنند. این رویکرد از توقف‌های پرهزینه تولید جلوگیری کرده و عمر مفید تجهیزات را افزایش می‌دهد . این تغییر رویکرد، از «تعمیر وقتی خراب شد» به «تعمیر درست قبل از خرابی»، یکی از بزرگ‌ترین عوامل کاهش هزینه در معدنکاری مدرن است.

کلان‌داده در معادن از جان معدنکاران محافظت می‌کند

صنعت معدن همواره به عنوان یکی از خطرناک‌ترین محیط‌های کاری شناخته شده است. ریزش‌ها، انفجارها، استنشاق گازهای سمی و برخورد با ماشین‌آلات سنگین، جان بسیاری از کارگران را تهدید می‌کند . کلان‌داده‌ها و اینترنت اشیا ابزارهای قدرتمندی برای متحول کردن ایمنی معادن فراهم آورده‌اند.

پوشیدنی‌های هوشمند؛ حسگرهای همیشه بیدار معدن

امروزه، معدن‌کاران می‌توانند به جلیقه‌ها، مچ‌بندها یا کلاه‌های ایمنی هوشمندی مجهز شوند که حسگرهایی برای پایش علائم حیاتی مانند ضربان قلب و دمای بدن، موقعیت جغرافیایی، و غیره دارند. این ابزارها همچنین قادر به تشخیص گازهای سمی و مرگبار (مانند CO، CH4) و ذرات معلق در هوا هستند. اگر میزان یک گاز از حد مجاز فراتر رود یا یک کارگر علائم خستگی مفرط (که می‌تواند منجر به خطا شود) را نشان دهد، سیستم به طور خودکار هشدار داده و حتی می‌تواند دستور تخلیه منطقه را صادر کند .

بازگشت ایمن به عملیات با پایش لحظه‌ای

پس از عملیات آتشباری در معادن، منطقه معمولا پر از دود و گازهای سمی است و کارگران مجبورند ساعت‌ها منتظر بمانند تا هوا پاکسازی شود. با نصب حسگرهای بیسیم پایش محیط زیست، اپراتورها می‌توانند از راه دور و در زمان واقعی مطمئن شوند که منطقه برای ورود مجدد نیروی کار ایمن است. این کار زمان انتظار غیرضروری و خطرات احتمالی ایجاد مشکلات تنفسی را حذف کرده و چرخه عملیات را تسریع می‌بخشد.

فراتر از ایمنی فیزیکی، تحلیل داده‌ها می‌تواند به مدیریت عملکرد نیروی کار نیز کمک کند. برای مثال، تحلیل داده‌های مسیر حرکت و عملکرد اپراتورهای ماشین‌آلات می‌تواند الگوهای رانندگی غیر مفیدرا که منجر به مصرف سوخت بالاتر یا استهلاک بیشتر می‌شود، شناسایی کرده و با ارائه آموزش‌های هدفمند به رانندگان کم‌مهارت، بهره‌وری ناوگان را به طور چشمگیری افزایش دهد. مطالعات نشان داده است که ارتقای هدفمند ۲۰ درصدی اپراتورها می‌تواند منجر به کاهش ۸۰ درصدی مصرف سوخت شود.

کلان‌داده در معادن در خدمت معدنکاری پایدار

امروزه فشار فزاینده‌ای از سوی دولت‌ها، سرمایه‌گذاران و جوامع محلی برای کاهش اثرات مخرب زیست‌محیطی معدنکاری وجود دارد. و هوش مصنوعی و کلان‌داده در معادن نقش کلیدی در مدیریت و کاهش این اثرات ایفا می‌کنند.

پایش هوشمند منابع آب و پیشگیری از آلودگی با بکارگیری کلان‌داده در معادن

بقایای مواد شیمیایی و باطله‌های معدنی می‌توانند منابع آب زیرزمینی را آلوده کنند. با نصب شبکه‌ای از حسگرها در اطراف معدن و چاهک‌ها، می‌توان تغییرات لحظه‌ای سطح آب و غلظت آلاینده‌ها را رصد کرد. این داده‌ها به اپراتورها امکان می‌دهد تا در صورت تشخیص نشت، به سرعت اقدام کرده و با پمپاژ به موقع، از نفوذ آلودگی به سفره‌های آب زیرزمینی جلوگیری کنند .

کاهش انتشار کربن با تصمیم‌های داده‌محور

بخش قابل توجهی از انتشار گازهای گلخانه‌ای در معادن، به ویژه در معادن روباز، ناشی از مصرف سوخت ماشین‌آلات سنگین است. یک مطالعه توسط مکنزی نشان داد که در یک معدن روباز با ۵۵ کامیون، استفاده از یادگیری ماشینی برای بهینه‌سازی مسیر حرکت، مدیریت فشار باد لاستیک‌ها و بهبود عملکرد موتورها توانسته است سالانه منجر به کاهش ۱۵ هزار تنی انتشار CO2 شود. این کاهش نه تنها یک دستاورد زیست‌محیطی است، بلکه با کاهش مصرف سوخت، صرفه‌جویی اقتصادی قابل توجهی (حدود ۵۰۰ هزار تا ۱/۱ میلیون دلار در سال) را نیز به همراه دارد . به این ترتیب، فناوری‌های داده‌محور مستقیماً به کربن‌زدایی از صنعت معدن کمک می‌کنند.

وقتی کلان‌داده‌ در معادن هزینه‌ها را کاهش می‌دهد

در نهایت، تمامی کاربردهای فوق به یک هدف مشترک منتهی می‌شوند: کاهش هزینه‌های عملیاتی و افزایش سودآوری. هزینه‌های عملیاتی در معادن، به ویژه با کاهش عیار سنگ‌معدن و نیاز به استخراج از اعماق بیشتر، روندی افزایشی دارد .

صرفه‌جویی میلیون دلاری از دل کلان‌داده در معادن

با اتصال داده‌های مدیریت ناوگان، حس‌گرهای فشار باد لاستیک، کیفیت جاده‌ها و شیب مسیرها به یک پلتفرم داده هوشمند، امکان بهینه‌سازی مصرف سوخت فراهم خواهد شد. نتیجه این کار، صرفه‌جویی سالانه بین ۴ تا ۷ میلیون دلار تنها در هزینه‌های سوخت است. از آنجا که هزینه تامین سوخت ۳۰ تا ۴۰ درصد هزینه تولید در اکثر معادن را تشکیل می‌دهد، چنین کاهشی تأثیر فوق‌العاده‌ای بر حاشیه سود خواهد داشت.

هوش مصنوعی چگونه ذخایر پنهان را پیدا می‌کند؟

مرحله اکتشاف، یکی از پرهزینه‌ترین و پرریسک‌ترین مراحل معدنکاری است. روش‌های سنتی اکتشاف زمان‌بر هستند و احتمال خطای بالایی دارند. امروزه با استفاده از هوش مصنوعی برای تحلیل داده‌های زمین‌شناسی، تصاویر ماهواره‌ای و داده‌های ژئوفیزیکی، می‌توان مناطق امیدبخش را با دقت بسیار بالاتری شناسایی کرد. این کار از هدررفت سرمایه در حفاری‌های بی‌نتیجه جلوگیری کرده و سرعت شناسایی ذخایر جدید را افزایش می‌دهد . به عبارت دیگر، هوش مصنوعی با تحلیل داده‌های موجود، «نقشه گنج» را با وضوح بالاتری ترسیم می‌کند.

چرا مسیر هوشمندسازی معدن آسان نیست؟

با وجود ظرفیت عظیم، فعال‌سازی ظرفیت کلان‌داده در معادن با چالش‌های جدی مواجه است:

1. یکپارچه‌سازی داده‌ها (Data Integration): داده‌ها در معادن اغلب در سیلوهای مختلف و با فرمت‌های ناهمگون (از تجهیزات قدیمی و جدید) ذخیره می‌شوند. یکپارچه‌سازی این داده‌ها و ایجاد یک پلتفرم واحد برای تحلیل، چالشی بزرگ و هزینه‌بر است .
2. کیفیت و صحت داده‌ها (Data Veracity): اگر داده‌های ورودی نادقیق یا ناقص باشند، تحلیل‌های هوش مصنوعی نیز گمراه‌کننده خواهند بود. اطمینان از صحت و دقت داده‌های جمع‌آوری شده از هزاران حس‌گر، نیازمند پروتکل‌های سختگیرانه است .
3. کمبود نیروی متخصص: صنعت معدن برای پیاده‌سازی و نگهداری این سیستم‌های پیشرفته، به شدت به متخصصان علم داده (Data Scientists)، مهندسان هوش مصنوعی و تحلیلگران داده نیاز دارد. جذب و حفظ چنین نیروهایی در صنعتی سنتی‌تر نسبت به شرکت‌های فناوری، دشوار است.
4. هزینه‌های زیرساختی: راه‌اندازی زیرساخت‌های ارتباطی پرسرعت (مثل فیبر نوری یا شبکه‌های نسل 5) در مناطق دورافتاده که معادن معمولاً در آنجا واقع شده‌اند، هزینه‌بر است. همچنین سرمایه‌گذاری برای خرید سرورهای قدرتمند و نرم‌افزارهای تخصصی نیازمند تعهد مالی بلندمدت است.
5. امنیت سایبری: با متصل شدن تجهیزات معدن به شبکه‌های دیجیتال، سطح حمله برای مجرمان سایبری افزایش می‌یابد. یک حمله سایبری موفق می‌تواند نه تنها منجر به توقف تولید و ضرر مالی هنگفت شود، بلکه ایمنی کارگران را نیز به خطر بیندازد .

افق پیش روی معدن داده‌محور

با گذر از مرحله کنونی که عمدتاً بر جمع‌آوری داده و تحلیل‌های توصیفی و پیش‌بینانه متمرکز است، آینده کلان‌داده‌ها در معادن به سوی خلق ارزشی عمیق‌تر و بنیادی‌تر حرکت می‌کند. مسیر پیش رو نه صرفاً خودکارسازی، بلکه دگرگونی فرایندها و ماهیت تصمیم‌گیری و اکتشاف ارزش از دل داده‌ها است.

گذار از تحلیل پیش‌بینانه به تحلیل تجویزی

تحلیل‌های آینده نه تنها وقایع را پیش‌بینی می‌کنند، بلکه بهترین سناریوی عملی را برای رسیدن به حداکثر بهره‌وری پیشنهاد می‌دهند. مثال: سیستم نه فقط می‌گوید «کامیون خراب می‌شود»، بلکه می‌گوید «قطعه X را در تاریخ Y تعویض کن و مسیر کامیون‌های دیگر را تغییر بده»

اکتشاف مجازی با یادگیری عمیق

ترکیب داده‌های زمین‌شناسی، لرزه‌نگاری و ماهواره‌ای با یادگیری عمیق، مدل‌های فوق‌دقیق از اعماق زمین ایجاد می‌کند. این “اکتشاف مجازی” ذخایر پنهان را بدون حفاری پرهزینه کشف کرده و ریسک سرمایه‌گذاری را کاهش می‌دهد.

همزادهای دیجیتالی زنده با یادگیری مستمر

نسل آینده همزادهای دیجیتالی مبتنی بر هوش مصنوعی، مدل‌هایی پویا هستند که با هر داده جدید از معدن واقعی، خود را به‌روز می‌کنند. این مدل‌ها سناریوهای مختلف مانند اثر تغییر قیمت جهانی بر برنامه استخراج ده سال آینده را شبیه‌سازی می‌کنند.

تحلیل زنجیره تأمین جهانی برای تاب‌آوری هوشمند

تحلیل لحظه‌ای داده‌های ژئوپلیتیک، آب و هوا و حمل ونقل، اختلالات زنجیره تأمین را ماه‌ها قبل پیش‌بینی می‌کند. این “تاب‌آوری داده‌محور” معادن را در برابر شوک‌های خارجی مقاوم می‌سازد.

پیدایش اقتصاد کلان‌داده در معادن و بازارهای اشتراک داده

داده‌های معادن به منبع درآمد جدید تبدیل می‌شوند. شرکت‌ها می‌توانند داده‌های ناشناس خود را در بازارهای امن به اشتراک بگذارند یا بفروشند و از این طریق، نوآوری در کل اکوسیستم صنعت معدن را تسریع کنند.

در مجموع، مسیر پیش روی کلان‌داده در معادن، حرکتی از “اتوماسیون عملیات” به سمت “هوشمندی ذاتی” است. داده‌ها نه تنها برای بهبود فرآیندهای موجود، بلکه برای خلق راه‌های کاملاً جدیدِ کشف، استخراج و تجارت مواد معدنی به کار گرفته خواهند شد.

آینده معدن از دل داده‌ها می‌گذرد

در نتیجه، فعال‌سازی ظرفیت کلان‌داده در معادن نه یک انتخاب، بلکه یک ضرورت بقا برای صنعت معدن در قرن بیست و یکم است. شرکت‌هایی که بتوانند بر پیچ و خم‌های این مسیر غلبه کنند، در بازار رقابتی جهانی مزیت داشته و پیشتاز خواهند بود و معادنی ایمن‌تر، پربازده‌تر و سازگارتر با محیط زیست را رقم خواهند زد.

این مقاله سی‌ام تیر 1405 در نشریه صنعت هوشمند منتشر شد.