کاربردهای الگوریتم‌های هوشمند در هوشمندسازی معادن

کاربردهای هوش مصنوعی در معدنکاری هوشمند

همه ما یقیناً می‌دانیم که امروزه هوش مصنوعی یکی از فناوری‌های جدید است که در انقلاب صنعتی و تحول عظیم مدرنیزه شدن نقش مهم و پررنگی دارد، حتی در زندگی روزمره هم شاهد تاثیرات و کاربردهای مکرر استفاده از هوش مصنوعی هستیم. از گوشی‌های هوشمند گرفته تا کامپیوترهای شخصی و خیلی از موارد دیگر. در واقع در قرن حاضر استفاده از هوش مصنوعی و کاربردهای مؤثر آن در زندگی جهت حل مسئله و بهینه‌سازی فرآیندها انکار ناپذیر است.

هوش مصنوعی اگر چه پدیده‌ای جدید و نوپاست اما کاربردهای متعددی در زمینه‌های مختلف پزشکی، صنعتی و غیره دارد. با استفاده از هوش مصنوعی در این صنایع به راحتی می‌توان حل مسئله کرد و یا مسائل موجود در انجام فرایندهای متعدد در صنایع مختلف را حل کرد.

 

چرا باید از الگوریتم‌های هوشمند در هوشمندسازی معادن و صنایع دیگر استفاده کرد؟

در حال حاضر اگر بخواهیم هم مسیر با مدرنیزه شدن و تکنولوژی قدم برداریم بایستی بتوانیم از کاربردهای هوش مصنوعی در صنایع مختلف به خوبی استفاده کنیم تا از قافله عقب نمانیم.

امروزه کشورهایی مانند چین کانادا، آمریکا، کشورهای آسیای شرقی، کانادا اروپا و …. سرمایه‌گذاری‌های کلانی در این زمینه و استفاده از هوش مصنوعی انجام داده‌اند. حتی بعضی از این کشورها مانند بریتانیا سرمایه‌گذاری و برنامه‌ریزی کاملاً مشخصی در جهت استفاده از هوش مصنوعی دارد. این کشور قصد دارد که تمامی جنبه‌های مختلف صنایع مرتبط با هوش مصنوعی را گسترش دهد و از این طریق بتواند به عنوان دولت پیشرو در استفاده از هوش مصنوعی مطرح شود.

کشور بریتانیای کبیر قصد دارد از طریق به کارگیری صنایع مرتبط با هوش مصنوعی در آینده نزدیک درآمدزایی عظیمی داشته باشد و پیشرفت و توسعه در این پدیده را جزئی از بودجه اقتصادی دولتش قرار داده است.

اما به واقع هوش مصنوعی چیست و چگونه می‌توان از این پدیده جدید قرن در صنایع مختلف استفاده کرد؟ در ادامه با ما همراه باشید تا مختصری در مورد هوش مصنوعی توضیح دهیم.

 

استفاده از هوش مصنوعی در صنایع در چه سال‌هایی پررنگ‌تر شد؟

اگرچه استفاده از هوش مصنوعی در سال‌های ۱۹۷۰ شکل گرفت اما در سال‌های ۲۰۱۴ و 2015 به بعد به لطف ورود شبکه‌های کانوولوشنی، داده‌های مختلفی به جز داده‌های برداری و نقطه‌ای به کار گرفته شد. آن زمان بود که نقش هوش مصنوعی در پیشرفت صنایع بسیار پررنگ‌تر شد. به کارگیری هوش مصنوعی در صنایع مختلف پزشکی، فنی، صنعتی و غیره باعث شد که روز به روز اهمیت و نقش هوش مصنوعی در زندگی روزمره بشر بیشتر شود.

در حال حاضر این پدیده مرموز و جذاب قرن کاربردهای ملموس‌تری در زندگی اجتماعی انسان‌ها دارد.

مثلاً در زمینه پزشکی انجام عمل‌های حساس با ربات‌های ریز تراشه یا تشخیص تومورهای سرطانی یا در زمین شناسی و معدن، تشخیص نوع کانی، تشخیص زمان شکست دیواره پله، بهینه‌سازی تولید و عیار خروجی کارخانه فرآوری و…. هزاران مثالی از این دست.

 تمامی کاربردها و همچنین مداومت استفاده از آنها باعث شده است که نقش هوش مصنوعی در زندگی روزانه انسان‌ها روز به روز بیشتر و پررنگ‌تر شود. و اما هوش مصنوعی به معنای تخصصی چگونه تعریف می‌شود؟ 

 

هوش مصنوعی چیست؟

هوش مصنوعی مجموعه‌ای از الگوریتم‌های مشخص است که به کامپیوتر یا ماشین قابلیت یادگیری مانند انسان متفکر را می‌دهد. در واقع هوش مصنوعی را می‌توان مجموعه‌ای از الگوریتم‌ها دانست که به کامپیوتر یا ماشین توان یادگیری می‌دهد. این الگوریتم می‌تواند شامل انواع مختلفی از روش‌ها باشد که برای حل مسئله لازم است.

برای درک بهتر این مسئله می‌توانیم مثالی بزنیم. مثلاً وقتی که عکسی در موبایل یا نرم افزارهای خودمان آپلود می‌کنیم به راحتی می‌بینم که موبایل به صورت اتوماتیک تصویر ما را تگ می‌کند. یعنی اینکه موبایل یا نرم افزار مورد نظر ما توان تشخیص تصویر ما را دارد.

 تمامی این فرایند تنها در سایه استفاده از هوش مصنوعی میسر است. در واقع تمامی وسایل و تجهیزات با یادگیری آموزه‌های مشخص و یا به عبارتی ایجاد هوش مصنوعی می‌توانند فعالیت‌هایی را به صورت اتوماتیک انجام دهند.

 وجود دامپتراک‌های خودران هم نمونه دیگری از به کارگیری هوش مصنوعی است. در سال‌های اخیر در سرتاسر جهان استفاده از فرایند هوش مصنوعی به یک‌ترند جهانی تبدیل شده که هر کشوری می‌کوشد در استفاده از هوش مصنوعی نسبت به دیگری پیشی بگیرد.

 

هوش مصنوعی چطور کار می‌کند؟

برای اینکه بتوانیم اصطلاح هوش مصنوعی را کمی ساده‌تر تعبیر کنیم و یا به عبارتی از رمزآلود بودن آن بکاهیم بایستی ابتدا به ساکن بتوانیم روند کار کرد این پدیده را به سادگی توضیح دهیم. اگر از دیدگاه ریاضی بخواهیم هوش مصنوعی را تعریف کنیم صرفاً باید به جنبه بهینه‌سازی آن توجه کنیم. اما اگر قرار باشد به صورت ساده این پدیده رمزآلود را توضیح دهیم باید بگوییم که ساختار هوش مصنوعی در واقع الهام گرفته از سلول‌های عصبی انسان است. این پدیده شباهت نزدیکی با ساختار سلول‌های عصبی انسان‌ها دارد سلول‌های عصبی که تشکیل شده است از دندریت‌ها، سلول عصبی، هسته سلول و آکسون های موجود در آن.

در واقع این سلول‌های عصبی یک سری دندریت‌هایی دارند که به عنوان input یا داده‌ها عمل می‌کنند. یعنی ورودی‌ها و پیام‌های ورودی را جمع می‌کنند و این پیام‌ها در هسته سلول عصبی جمع می‌شوند و هنگامی که به حد مشخصی رسیدند، پیام‌ها از طریق آکسون مخابره می‌شوند و به سایر اندام‌ها می‌رسند.

 

 

محققان از همین ساختار در هوش مصنوعی استفاده کرده‌اند و چنین شبکه‌ای را بین اطلاعات یا داده‌های ورودی و اطلاعات خروجی به وجود آورده‌اند. در واقع یک ارتباط معناداری ریاضی را بین داده‌ها و خروجی‌ها ایجاد کرده‌اند.

دقیقاً در هوش مصنوعی بین input layer و out put layer ارتباط معنادار ایجاد می‌شود که معمولاً تمامی این ارتباط معنادار در لایه پنهان شکل می‌گیرد.

در واقع تمامی داده‌های ورودی در لایه پنهان جمع شده که این لایه نرون‌های مختلفی دارد و نهایتاً هنگامی که به حد مشخصی رسید به عنوان داده‌های خروجی از لایه پنهان خارج شده و به سایر واحدهای بعدی می‌رسد.

برای اینکه بهتر متوجه موضوع شوید، اجازه بدهید مثالی بزنیم. فرض کنید که در یک برداشت چاه نگاری ما چند تا داده لاگ اندازه‌گیری شده داریم و می‌خواهیم از روی آنها تراوایی مخزن را تخمین بزنیم.

بنابراین لاگ‌های یک تا ده x1 تا x10 ما را تشکیل می‌دهند که ورودی‌های ما هستند و میزان تراوایی خروجی ما را تشکیل می‌دهد.

حال شبکه عصبی در این میان برای تمامی ورودی‌ها وزن مشخصی در نظر می‌گیرد. در واقع از وزن یک تا ده را برای داده‌ها مشخص می‌کند. W1 تا w10 و علاوه بر این یک بیاس هم محاسبه می‌شود که با w0 نشان داده می‌شود.

طبق رابطه شبکه عصبی تمامی این پوت ها و وزن‌ها در هم ضرب می‌شوند و نهایتاً با هم جمع می‌شود. در واقع  wiدر xi ضرب می‌شود و نهایتاً با هم جمع می‌شود. این یک رابطه جمع خطی ساده است. اما برای اینکه شبکه بتواند ذات غیر خطی داده‌ها را نیز تشخیص دهد باید از پدیده‌ای به نام activation funtion استفاده می‌کنیم. 

وظیفه activation funtion این است که جواب شبکه را در یک بازه خاص قرار می‌دهد. یعنی دقیقاً بسته به اینکه شما در این بازه چه تابع فعالسازی قرار می‌دهید مثلاً تابع سینوس، سیگمویید، تانژانت هایپربولیک و ….، خروجی‌ها را مطابق با همان تابع و با بازه مشخصی ارائه می‌دهد. 

در واقع این نتیجه است که شبکه تولید کرده و نهایتاً این نتیجه بایستی با تراوای اصلی سنگ مقایسه شود.

 

حالا این خروجی طبیعتاً نتیجه‌ای است که شبکه ما تولید کرده که نهایتاً باید با تراوای اصلی اولیه مقایسه شود. مطابق با فرایندهای انجام شده در شبکه، مثلاً خروجی یا تراوای سنگ نهایی چیزی حدود 600 میلی دارسی شده، اما تراوای اولیه سنگ حدود 6 میلی دارسی است.

طبیعتاً در این حالت پاسخ شبکه پاسخی اشتباه است. اما اشتباه بودن پاسخ در این حالت مهم نیست و بلکه نکته مهم تشخیص میزان خطا در این مرحله است.

بنابراین در مرحله بعدی از یک last function یا تابع هزینه مانند mse استفاده می‌کنیم که بتوانیم اختلاف بین خروجی واقعی (real out put) و خروجی خاص یا به عبارتی net output یا network out put محاسبه کنیم و همه را با هم جمع می‌کنیم که این میزان به عنوان خطای اولیه شبکه در نظر گرفته می‌شود.

در مرحله بعد با استفاده از یک optimization function روی وزن ا تا 10 بر می‌گردیم. (لازم به ذکر است که در مرحله اول تمامی وزن‌ها به صورت تصادفی انتخاب کرده‌ایم). حالا می‌خواهیم این وزن‌ها را آپدیت کنیم. در این مرحله باید از یک تابع بهینه‌ساز مانند آدام، گرادیانت دیسنت، آدادلتا و… استفاده می‌کنیم.

در واقع این تاب بهینه‌ساز وزن‌ها را آپدیت می‌کند. آپدیت وزن‌ها به نوعی صورت می‌گیرد که درصد خطا در شبکه کمتر شود. بعد از اینکه آپدیت شدن وزن‌ها انجام گرفت، مجدداً این چرخه یا loop تکرار می‌شود و این چرخه آنقدر تکرار می‌شود که نهایت بهینه‌سازی صورت بگیرد.

 

 یعنی میزان خطا را به کمترین حد ممکن برسانیم. در واقع این لوپ آنقدر آموزش می‌بینند که شبکه بتواند بهتر کار کرده و شبکه آمادگی لازم برای پیدا کردن انواع داده‌ها را پیدا کند. اینکه نهایتاً بتواند به وزن‌های خاص برسد تا بتواند با هر ورودی و با هر اطلاعاتی پرمبیلیتی واقعی را تولید کند. در واقع با آموزش شبکه بهینه یاد می‌گیرد که هنگام ورود داده‌های مختلف چگونه رفتار کند تا بتواند نفوذ پذیری واقعی یا نزدیک به واقعی را تولید کند.

حالت که تا حدودی با نحوه آموزش شبکه آشنا شدید، سوالی که پیش می‌آید این است که نحوه یادگیری و توانایی الگوریتم‌های هوشمند چگونه است. اینکه ما چه انتظاری باید از الگوریتم‌های هوشمند داشته باشیم؟ با توجه به توضیحات ارائه شده و توانایی آموزش شبکه شاید فکر کنید که می‌توانید هر انتظاری را با الگوریتم‌های هوشمند برآورده سازیم.

هنگامی که صحبت از الگوریتم‌های هوشمند به میان می‌آید عده‌ای انتظار دارند که هر کاری را بتوانند با استفاده از الگوریتم‌های هوشمند انجام دهند اما در واقعیت چنین نیست. در استفاده از الگوریتم‌های هوشمند در هوشمندسازی معادن و علوم زمین محدودیت‌های وجود دارد. در واقع استفاده از توانایی الگوریتم‌های هوشمند در علوم مختلف در سال‌های اخیر در زمینه‌های مشخصی میسر است، حال اینکه در آینده با پیشرفت تکنولوژی و توسعه مدرنیزه چه اتفاقی بیفتد خدا عالم است.

 

توانایی‌ها و نحوه یادگیری هوش مصنوعی چگونه است؟

طبیعتا برای استفاده از توانایی‌ها و یادگیری هوش مصنوعی محدودیت‌هایی وجود دارد، اما در حال حاضر مهمترین کاربرد و توانایی هوش مصنوعی در زمینه‌های زیر رقم می‌خورد:

• رگرسیون یا تخمین

مانند استخراج و فرآوری، تخمین عیار ماده معدنی، تخمین راندمان ماشین‌آلات حفاری، استخراج و فرآوری

• طبقه بندی

تشخیص خودکار درز و شکستگی در سنگ، تشخیص کانی‌ها در تصاویر میکروسکوپی

• خوشه بندی

تفکیک خودکار واحدهای سنگی و اولتراسیون‌ها در تصاویر ماهواره‌ای

• بهینه‌سازی

بهینه‌سازی مصرف سوخت ماشین‌آلات معدنی و صنعتی، بهینه‌سازی مصرف انرژی خطوط تولید

 

 

 توانایی‌های هوش مصنوعی به چه صورت است؟

به طور کلی توانایی‌های هوش مصنوعی در چهار دسته طبقه‌بندی می‌شود که عبارتند از:

• یادگیری نظارت شده مانند مسائل تخمین و کلاسه بندی
• یادگیری غیر نظارت شده مانند خوشه بندی
• یادگیری نیمه نظارت شده مانند شبکه‌های GAN
• یادگیری تقویتی مانند ربات‌ها

 

نمونه‌هایی از به کارگیری هوش مصنوعی در معادن جهان

• شرکت Goldspot Discoveries در سال‌های اخیر موفق به کشف یک کانسار طلا در کانادا با استفاده از تلفیق داده‌های اکتشافی توسط روش‌های یادگیری ماشین گردید.
• شرکت Riotinto از سال ۲۰۰۸ از سیستم حمل و نقل خودکار (شامل دامپتراک و قطار) در ۱۶ معدن خود استفاده می‌کند. در تلاش است اولین معدن تمام هوشمند خود را در سال 2022 راه اندازی کند.
• شرکت BHP billiton از هوش مصنوعی برای تولید کلاه‌های هوشمند که برای بهبود کارایی مهندسین، مدیران، کارگران و سایر پرسنل یکی از معادن خود در شیلی استفاده کرده است.
• شرکت VALE از هوش مصنوعی برای کاهش هزینه‌های معدنکاری و بهینه‌سازی کارایی و سوخت ماشین‌آلات استفاده می‌کنند.
• از شرکت‌های موفق دیگر در زمینه‌ی هوش مصنوعی می‌توان به Orefox و EARTH AI اشاره کرد.

 

هوش مصنوعی در علوم زمین و صنایع معدنی

1) علوم زمین

• زلزله شناسی: تشخیص خودکار رویدادهای زلزله و خوانش فازهای لرزه‌ای
• فیزیک سنگ رقومی: تشخیص نوع کانی، سنگ و شکستگی‌های سنگ، تخمین پارامترهای سنگ مانند تخلخل، تراوایی و سرعت عبور موج از روی تصاویر سنگ
• مطالعات زیست محیطی: تخمین تولید زهاب اسیدی معادن، تشخیص زمین لغزها
• هیدروژئولوژی: تخمین پارامترهای مرتبط با حرکت آب زیرزمینی و پارامترهای آبخوان مانند تخلخل و تراوایی

2) اكتشاف منابع معدنی و نفتی

• سنجش از دور: تفکیک واحدهای لیتولوژیکی، انواع آلتراسیون‌ها، ساختارها و کانی‌ها
• عملیات ژئوشیمی اکتشافی: جدایش آنومال از زمینه، تخمین عیار
• حفاری: تخمین راندمان ماشین‌آلات، پردازش تصاویر مغزه‌ها، بهینه‌سازی شبکه‌های حفاری
• مدل‌سازی پتانسیل‌های معدنی: تولید لایه‌های شاهد و نواحی امیدبخش، تخمین عیار و ذخیره ماده معدنی
• داده‌های لرزه‌ای، تشخیص رخساره، گسل و گنبدهای نمکی، تشخیص خودکار اولین رسید امواج و پراش‌ها

3) استخراج معدن

• حفاری و آتشباری: تخمین پس‌زدگی، میزان پرتاب سنگ، خرد شدگی و دانه‌بندی
• مدیریت ماشین آلات معدنی: تخمین تولید معدن، پایش ماشین‌آلات و پرسنل، تشخیص و پیش‌بینی خرابی‌ها
• مسائل ژئوتکنیکی: تخمین و مدیریت پایداری شیب و پایه‌ها، طراحی پرکننده‌های باطله
• ایمنی معادن: کنترل تهویه و آبکشی، زمین لغزش‌ها و نشست زمین، مدیریت رفتار پرسنل

4) فرآوری مواد معدنی

• خردایش و دانه بندی: بهینه‌سازی مدارهای سنگ شکنی و آسیا کنی، تعیین نمودار دانه‌بندی
• تغليظ: فلوتاسیون، هیدرومتالورژی
• ذوب و ریخته گری: بهینه‌سازی مصرف انرژی

 

جمع بندی

رقومی‌سازی در صنایع تولیدی که به انقلاب چهارم صنعتی معروف شده است، با سرعت زیادی در حال رشد و تحول است. در این بین علوم زمین و صنایع معدنی چاره‌ای جز سوار شدن در این قطار پرسرعت و تطابق خود با این پیشرفت‌ها ندارند.

هوش مصنوعی و یادگیری ماشین ابزارهای موثری جهت همراهی با این تحولات هستند به گونه‌ای که قادرند اطلاعات ارزشمندی را از داده‌های حجیم علوم زمین استخراج کرده، پارامترهای معدنی را تخمین زده و فرآیندهای تولید محصول را بهینه نمایند.

 

 

حال که تا حدودی با بیس اصلی هوش مصنوعی آشنا شدید، در مقاله های بعدی قصد داریم که کاربرد هوش مصنوعی در معدنکاری هوشمند، اینترنت اشیا در هوشمندسازی معادن و …. را مفصلا توضیح دهیم.

از آنجایی که این مطالب کاملاً تخصصی و سنگین است و گاها تفسیر ماجرا در حوصله افراد تازه وارد به این حیطه تخصصی نمی‌گنجد، تصمیم گرفتیم که تمامی محتواهای مربوط به هوشمندسازی معادن را به صورت سلسله وار و مفصل در قالب مقاله‌های ادامه دار بیاوریم. بدین ترتیب هم می‌توانیم تمرکز بیشتری بر موضوع داشته باشیم و هم بحث هوشمند سازی معادن را به تفصیل باز کنیم.

حال اگر می‌خواهید نحوه یادگیری و میزان توانایی الگوریتم‌های هوشمند در صنایع مختلف را بدانید با ما در مقاله بعدی با همین عنوان همراه باشید.

خوشحال خواهیم شد اگر تجربه و یا دانشی در خصوص هوشمندسازی معادن دارید در زیر همین مقاله با ما به اشتراک بگذارید. باشد که بتوانیم رسالت خود را به بهترین نحو انجام دهیم.