محاسبه حجم بارگیری معدن با هوش مصنوعی

مدت زمان مطالعه: ۵ دقیقه

نوشته شده توسط: زمین پی جویان نگار

تاریخ انتشار: ۱۴۰۲/۱۲/۱۲

محاسبه حجم بارگیری معدن با هوش مصنوعی 

در حال حاضر در دورانی به سر می بریم که شرکت های معدنی در داخل و خارج از ایران در حال هوشمندسازی اغلب فعالیت های معدنی خود می باشند. بهینه سازی و افزایش بهره وری عملیات معدنی از اکتشاف تا استخراج برای شرکت ها معدنی از اهمیت بالایی برخوردار است و در همین راستا، میزان دقیق حجم ماده معدنی استخراج شده از سینه کار استخراجی و حمل آن توسط دامپتراک و یا کامیون های معدنی به سنگ شکن اولیه، یکی از فاکتورهای کلیدی مورد نیاز یک پروژه معدنی کارآمد است. اهمیت میزان استخراج و بارگیری ماده معدنی در معادن به دلیل مدیریت منابع می باشد و همچنین باید این مساله را در نظر داشت که بر اساس مدیریت حجم بارگیری ماشین آلات باربری معادن می توان میزان استخراج از هر سینه کار را بررسی نمود و با دیتاهای بدست آمده از دیگر سنسورهای هوشمند معدن همچون تصاویر پهپادها، میزان استخراج در هر سینه کار معدنی را بروزرسانی نمود. در معادن غیر هوشمند، روش‌های اندازه گیری حجم مواد بارگیری شده بر روی کامیون ها یک فرآیند دستی و زمان بر بوده که اغلب ناکارآمد و دارای دقت بسیار کمی می باشند و سبب افزایش هزینه های عملیاتی در معادن می گردند. اینجاست که هوش مصنوعی (Artificial Intelligence – AI) وارد عمل می شود و به راحتی حجم بارگیری کامیون ها و دامپتراک های معدن را بر اساس الگوریتم های هوش مصنوعی به صورت Real-Time محاسبه می نماید. در این مقاله که توسط تیم تحقیق و توسعه شرکت زمین پی جویان نگار تهیه و تدوین شده، راهکارهای نوین محاسبه حجم بارگیری کامیون های معدنی معرفی شده است.

روش‌های متداول غیر هوشمند تشخیص حجم بارگیری کامیون های معدن و چالش های آن ها

روش‌های متداول تشخیص حجم بارگیری دامپتراک معدن اغلب شامل اندازه‌گیری‌های دستی و حدس‌زنی های تجربی می باشد که همین روش های متداول می‌توانند زمان‌بر و دارای خطاهای بسیار زیادی باشند. برای مثال، اپراتورهای دامپتراک و یا مسئول فنی معدن از ابزارهای فیزیکی مانند نوارهای اندازه گیری برای محاسبه تناژ بارگیری معدن استفاده می نمایند. این مساله را باید در نظر داشت در معادنی که بارگیری از سینه کار استخراجی به سرعت در حال انجام می باشد و صف سنگ شکن ژیراتوری نباید دچار اختلال شود و در صورت بروز اختلال در خوراک سنگ شکن ژیراتوری، سبب اختلال در تامین خوراک کارخانه فرآوری می گردد، استفاده از باسکول های معدنی در این پروسه حساس به زمان، عملا نا معقول می باشد و تمام روش‌های متداول نه تنها زمان ارزشمندی را هدر می‌دهند، بلکه منجر به اختلال در داده‌ها می‌شوند که در پی آن بهینه‌سازی عملیات استخراجی معدن را دچار اختلال می نمایند.

علاوه بر این، روش‌های متداول تخمین تناژ بارگیری شده، داده‌های Real-time را ارائه نمی نمایند. همین امر سبب بروز چالش در فرآیند تصمیم‌گیری های مدیریتی می گردد. در عصر حاضر تصمیم گیری های مدیران پروژه به صورت دیتا محور است و نیاز به وجود یک داشبورد اطلاعاتی و یک پلتفرم هوشمند پردازش دیتا می باشد. علاوه بر این، عدم وجود داده های قابل اعتماد می تواند مدیریت منابع معدن را دچار اختلال کند، زیرا نظارت و کنترل مقدار مواد بارگیری شده در کامیون ها یکی از چالش های موجود در معادن می باشد. برای غلبه بر این چالش‌، شرکت های هوشمند همچون شرکت زمین پی جویان نگار بر اساس نیازهای معادن، فناوری‌ هوش مصنوعی و یادگیری ماشین را در معادن کشور پیاده سازی می نمایند. جهت کسب اطلاعات بیشتر از خدمات هوشمند شرکت زمین پی جویان نگار با ما در تماس باشید.

نقش هوش مصنوعی در بهبود تشخیص حجم بارگیری معدن 

هوش مصنوعی می‌تواند با اتوماتیک کردن فرآیند و حذف خطای انسانی، تشخیص حجم بارگیری توسط دامپتراک معدن را به طور قابل توجهی بهبود ببخشد. معادن هوشمند، با استفاده از تجزیه و تحلیل داده حسگرهای نصب شده در معدن و ماشین آلات معدنی توسط الگوریتم های پیشرفته هوش مصنوعی و یادگیری عمیق می توانند میزان تناژ ماده معدنی موجود در کامیون ها را تخمین زده و به عنوان یک فاکتور اصلی در تصمیم گیری های پروژه های موجود در معدن استفاده نمایند. یکی از دیتاهای مهم در محاسبه حجم بارگیری کامیون های معدنی، تصاویر گرفته شده از زوایای مختلف توسط حسگرهای هوشمند (Smart Sensors) می باشد. هوش مصنوعی این تصاویر را به صورت Real-Time تجزیه و تحلیل می نماید و بر اساس الگوریتم های بررسی تصاویر، اطلاعاتی را در مورد حجم مواد بارگیری شده بر روی کامیون ها منتشر می کند.

سیستم هوش مصنوعی بر اساس داده های بدست آمده از حسگر های هوشمند موجود در معدن آموزش می بیند و به هوش مصنوعی این امکان را می دهد که بر اساس الگوریتم های خود، ساختار ها و الگوها را تشخیص دهد و با کمترین مداخله انسانی، پیش بینی های دقیق انجام دهد. این امکان خارق العاده هوش مصنوعی، نیاز به اندازه گیری و محاسبات دستی را از بین می برد و بر اساس یافتن داده های بدون ساختار، احتمال خطای انسانی را کاهش می دهد و در نتیجه، سرعت و دقت تشخیص حجم بارگیری دامپتراک معدن را به میزان قابل توجهی بهبود می بخشد. با نظارت هوشمند (Smart Observation) بر بارگیری مواد معدنی، شرکت های معدنی می توانند مطمئن شوند که هر کامیون با ظرفیت کامل خود فرآیند بارگیری را انجام داده است و همچنین میزان تناژ استخراجی که یکی از پارامتر های مهم در تصمیم گیری های معدن و همچنین یک مولفه اصلی در گزارش مسئول فنی استخراج معدن می باشد، به طور دقیق و با کمترین خطا محاسبه می گردد. در این مقاله الگوریتم های یادگیری عمیق و فناوری تشخیص تصاویر برای تشخیص حجم بارگیری کامیون معدن به صورت اجمالی مورد بررسی قرار گرفته شده است.

جمع آوری و پیش پردازش داده ها جهت محاسبه حجم بارگیری در معدن

مدل هوش مصنوعی، از مجموعه تصاویر گوناگون بارگیری کامیون که توسط حسگرهای هوشمند ثبت شده است، به عنوان داده ورودی خود استفاده نموده و مورد تجزیه و تحلیل قرار داده است. این تصاویر از زوایای مختلف توسط حسگرهای موجود در مسیر تردد دامپتراک های معدن ثبت شده اند و طیف متنوعی از مواد و شرایط بارگذاری در این تصاویر به عنوان داده های اولیه وجود دارد. پس از جمع آوری داده های اولیه (تصاویر ثبت شده)، برای حذف هر گونه نویز یا ناسازگاری، پیش پردازش بر روی تصاویر صورت میگیرد. هدف اصلی از پیش پردازش تصاویر ثبت شده، افزایش دقت می باشد و اطلاعات نامربوط مانند گرد و غبار در معدن و نویزهای موجود در تصاویر در مرحله پیش پردازش از تصاویر حذف می شوند.

 دو پیش پردازش تصویر پیشنهادی در این مقاله:

• کاهش تعداد پیکسل (Pixel Value Reduction)
• یکسان سازی هیستوگرام (Histogram Equalization)

پس از پیش پردازش تصاویر توسط مدل شبکه VGG16 که برای طبقه بندی اولیه تصاویر سنگ های بارگیری شده در معدن مورد استفاده قرار میگیرد، داده ها طبقه بندی شده و الگوهای هر طبقه مشخص میگردد.

روش یادگیری عمیق جهت محاسبه حجم بارگیری در معدن

از مجموعه داده های پیش پردازش شده جهت آموزش مدل هوش مصنوعی استفاده می شود. شبکه عصبی کانولوشنال یا پیچشی (Convolutional Neural Network – CNN) یک شبکه عصبی چند سطحی است که ساختار مغز انسان را شبیه‌سازی می‌کند. این شبکه عصبی توانایی استخراج ویژگی های مختلف از تصاویر و یادگیری رابطه بین الگوهای تصویر و اندازه گیری حجم را دارا می باشد و معمولاً می‌تواند ویژگی‌های خاص و پیچیده‌تری را استخراج نماید. این شبکه عصبی به عنوان یک مدل یادگیری عمیق در محاسبه حجم بارگیری در معدن می تواند استفاده شود. جهت پردازش های تصاویر بدست آمده از حسگرهای موجود در معدن باید پردازش ها بر روی پردازنده‌های گرافیکی قدرتمند صورت بگیرد تا امکان پردازش سریع‌تر و بهینه‌ تر در فرآیند یادگیری عمیق، فراهم شود.

فرآیندهای آزمایشی تشخیص حجم بارگیری کامیون ها در معدن

Tensorflow نسل دوم سیستم یادگیری هوش مصنوعی می باشد که توسط گوگل توسعه یافته است. این سیستم یادگیری عمیق به طور گسترده ای در تشخیص گفتار و بینایی کامپیوتر (Computer Vision) استفاده می شود. در این مقاله از تصاویر شبیه‌سازی شده ماشین معدن در یک محیط آزمایشگاهی برای ایجاد داده های دارای لیبل استفاده شده است و به منظور اطمینان از صحت آزمایش، مجموعه داده های مورد استفاده در این مطالعه شش هزار تصویر می باشند. حجم های گوناگون بارگیری در تصاویر لیبل گذاری شده و به ماشین جهت انجام فرآیند یادگیری ماشین ارائه شده است. تصویر زیر، بخشی از تصاویر مجموعه آزمایشی مورد استفاده در این مقاله می باشد.

 به منظور تأیید مدل، از چهار تصویر واقعی دامپتراک معدن به عنوان مجموعه‌های تست تکمیلی استفاده شده است. تصویر زیر، بخشی از تصاویر مجموعه تست واقعی مورد استفاده در این مقاله می باشد.

مدل سازی نهایی تشخیص حجم بارگیری کامیون معدن

مدل تشخیص عمدتاً از دو بخش تشکیل شده است:

بخش اول یک مدل طبقه‌بندی تصویر مبتنی بر شبکه عصبی عمیق VGG16

بخش دوم یک مدل پیش‌بینی حجم بارگیری کامیون معدن بر اساس الگوریتم حداقل مربع

✅ تمامی موارد بالا به طور کامل در مقاله رفرنس این نوشته موجود می باشد.

چشم انداز هوش مصنوعی در تشخیص حجم بارگیری در معدن

محاسبه حجم بارگیری معدن با هوش مصنوعی سبب تحول های عظیمی در شرکت‌های معدنی میشود. سیستم‌های مبتنی بر هوش مصنوعی با اندازه‌گیری دقیق حجم مواد بارگیری شده بر روی کامیون‌ها، بهره‌وری را به حداکثر می‌رسانند. با پیشرفت‌های بیشتر در فناوری هوش مصنوعی و در دسترس بودن مجموعه داده‌های قوی‌تر، چشم‌انداز هوش مصنوعی در تشخیص حجم بارگیری کامیون‌های معدن امیدوارکننده است. ادغام هوش مصنوعی در عملیات معدنی گواهی بر قدرت دگرگون کننده این فناوری در بهینه سازی استفاده از منابع و توسه پایدار می باشد. شرکت زمین پی جویان نگار همواره متعهد به توسعه پایدار در بخش معدنی کشور می باشد لذا این شرکت در تلاش است که بتواند با ادغام هوش مصنوعی در عملیات معدنی، فرآیندهای معدنی را از اکتشاف تا فرآوری بهینه سازی نماید.

رفرنس این مقاله: Sun et al., (2021), A method of mining truck loading volume detection based on deep learning and image recognition.Sensors, 21(2), 635