نقش هوش مصنوعی در آتشباری معادن

مدت زمان مطالعه: ۵ دقیقه

نوشته شده توسط: زمین پی جویان نگار

تاریخ انتشار: ۱۴۰۲/۱۲/۲۶

نقش هوش مصنوعی در آتشباری معدن

هدف اصلی آتشباری در معدن (انفجار در معدن – Blasting)، جداسازی ماده معدن از سنگ میزبان و کاهش ابعاد سنگ‌های استخراجی معدن جهت آماده سازی برای مرحله خردایش می باشد. مکانیسم آتشباری در معادن بسیار پیچیده است و آتشباری مقرون به صرفه ترین روش استخراج سنگ معدن می باشد، با این حال، اغلب با عوارض و مسائل زیست محیطی مانند پرتاب سنگ (Fly Rocks)، فعالیت لرزه ای (Seismic activity) و ارتعاش انفجار (Blast Vibration) همراه است.

بهینه سازی آتشباری در معادن با تصمیم گیری بهتر همچنان هدف هر عملیات معدنی می باشد و تاکنون چندین روش برای این فرآیند به کار گرفته شده است. در حال حاضر هوش مصنوعی (AI) به ابزاری ضروری در بخش معدن تبدیل شده است که با استفاده از قدرت فناوری هوش مصنوعی، اپراتورهای معدن می توانند فرآیندهای خود را بهینه کنند، اقدامات ایمنی را افزایش دهند و اثرات زیست محیطی را به حداقل برسانند.

سیستم‌های مجهز به هوش مصنوعی حجم وسیعی از داده‌ها را تجزیه و تحلیل می‌کنند و اپراتورهای معدن را قادر می‌سازند تا تصمیمات آگاهانه‌ای در مورد طراحی، زمان‌بندی و کنترل آتشباری در معادن اتخاذ نمایند و از طریق تجزیه و تحلیل پیش‌بینی‌کننده (Predictive Analytics) و الگوریتم‌های یادگیری ماشین (Machine Learning Algorithms)، هوش مصنوعی می‌تواند دقت آتشباری را بهبود بخشد و در نتیجه لرزش، خردشدگی بیش از حد را کاهش دهد که این پیشرفت ها نه تنها ایمنی کارگران معدن و محیط اطراف را تضمین می کند، بلکه بهره وری و سودآوری کلی را نیز افزایش می دهد. در این مطلب، مطالعات صورت گرفته در شرکت های بزرگ معدنی درباره کاربرد هوش مصنوعی (AI) و یادگیری ماشین (ML) در آتشباری معادن بررسی شده است.

چگونه هوش مصنوعی ایمنی را در آتشباری معادن بهبود می بخشد؟

ایمنی در بخش معدن از اهمیت بالایی برخوردار است و هوش مصنوعی نقش مهمی در افزایش اقدامات ایمنی در طول عملیات آتشباری در معادن را ایفا می کند. برای دستیابی به عملیات استخراج ایمن، هوشمند و پایدار، محققان مقالات زیادی درباره هوش مصنوعی (AI) و شاخه های آن ارائه داده اند و یادگیری ماشین (ML) شاخه ای از هوش مصنوعی است که به موجب آن از داده های موجود برای پیش بینی وقایع استفاده می شود.

مدل های یادگیری ماشین نسبت به ساختار داده های در حال تجزیه و تحلیل، به یادگیری تحت نظارت (Supervised Learning) ، یادگیری بدون نظارت (Unsupervised Learning) و یا یادگیری تقویتی (Reinforcement learning) تقسیم بندی میشوند و می توانند از فرآیند تصمیم گیری بهتر برای عملیاتی با عملکرد مناسب پشتیبانی کنند. برای درک تأثیر بهتر کاربرد یادگیری ماشین در آتشباری معادن، به بررسی روش های یادگیری ماشین در آتشباری سطحی میپردازیم.

قبل از استفاده از مدل های یادگیری ماشین جهت هوشمندسازی آتشباری معادن، مهندسین معدن و کارشناسان آتشباری باید به قوانین و دستورالعمل ها مسلط باشند. جهت اجرای عملیات آتشباری، نشریه شماره ۴۱۰ با عنوان مقررات فنی مواد منفجره و آتشباری در معادن (جهت دانلود کلیک نمایید) که توسط وزارت صمت و معاونت برنامه ریزی و نظارت راهبردی ریاست جمهوری تدوین شده است، به عنوان استاندارد و قانون مورد استفاده مهندسین معدن جهت طراحی و اجرای عملیات آتشباری معادن قرار میگیرد.

کاربردهای یادگیری ماشین در آتشباری معادن سطحی

در یک دهه گذشته، بیشترین کاربرد یادگیری ماشین برای بهینه سازی روش‌های استخراج سطحی بوده است که به حداقل رساندن اثرات زیست‌محیطی، نمونه ای از کاربرد یادگیری ماشین در معادن می باشد. بیشترین مدل های یادگیری ماشین که در آتشباری معادن استفاده شده اند:

• روش‌های ترکیبی و گروهی (Hybrid/Ensemble)، این مدل یادگیری بیشترین استفاده را در پروژه های هوشمند آتشباری دارد.
• شبکه‌های عصبی مصنوعی (ANN)، این مدل یادگیری به دلیل فرآیندهای پیچیده خود در جایگاه دوم مدل های یادگیری ماشین در پروژه های آتشباری در معادن، قرار دارد.
• ماشین بردار پشتیبان (Support Vector Machine – SVM)
• منطق فازی (Fuzzy Logic)

پارامترهای موثر در آتشباری در معادن شامل موارد ذیل می باشد:

علاوه بر پارامترهای موثر در آتشباری معادن که در بالا به آن اشاره گردیده، چهار پارامتر ارتعاش انفجار (Blast Vibration)، پرتاب سنگ (Fly Rocks)، ابعاد سنگ خرد شده (Fragmentation/Particle Size) و عقب زدگی (Back Break) بیشترین اهمیت را در بخش آتشباری در معدن دارند. در ادامه به کاربرد یادگیری ماشین برای ارتعاشات سطحی و پرتاب سنگ میپردازیم.

کاربردهای یادگیری ماشین برای ارتعاشات آتشباری سطحی

ارتعاشات ناشی از آتشباری یک مسئله مهم زیست محیطی می باشد و این ارتعاشات به این صورت تولید میشوند که در زمان انفجار، تنها ۲۰ تا ۳۰ درصد انرژی برای شکستن سنگ استفاده می شود و باقیمانده انرژی انفجار به تنش‌های دینامیکی ناشی از شتاب ناگهانی توده سنگ توسط فشارهای انفجار تبدیل می‌شود و یک موج تنش به توده سنگ اطراف منتقل می گردد که در نتیجه حرکت موجی را در زمین ایجاد می نماید. توده سنگ به روش های مختلفی شکسته می شود، به عنوان مثال خرد شدن (Crushing)، ترک شعاعی (Radial Cracking) و شکستن انعکاسی (Reflection Breakage).

ارتعاشات آتشباری می تواند از طریق اختلال اولیه و پس لرزه ها بر محیط اطراف سینه کار، تأثیر منفی بگذارد. در حال حاضر تکنیک های یادگیری ماشین بر اساس قابلیت های استثنایی خود به عنوان یک روش فناوری محور برای پیش بینی ارتعاشات انفجار مورد استفاده قرار می گیرند. مهندسین معدن بر اساس سه پارامتر اصلی فاصله نظارت (MD)، بارسنگ (B) و فاصله (S) چندین تکنیک یادگیری ماشین را برای ارتعاشات ناشی از انفجار بررسی نموده اند.

پارامتر فاصله نظارت به معنای مشاهده و ثبت فاصله تحت تاثیر ارتعاش تا نقاط آسیب‌ پذیر مانند سازه‌ها و ساختمان‌ها می باشد و در مورد بارسنگ (Burden)، اگر ضخامت بار سنگ زیاد باشـد سبب افزایش لـرزش زمین، کاهش خردایش و جابه جایی، عامل عقب زدگی و عامل ایجاد پاشـنه و سـطح ناصاف می شود.

در مدل های یادگیری ماشین با در نظر گرفتن پارامترهای موثر در ارتعاشات و محاسبات مربوط به آن، می توان الگوهای آتشباری را به مقدار قابل توجهی جهت کاهش ارتعاشات حاصل از انفجار در معادن اصلاح نمود. همچنین می توان داده های گوناگون معدنی که شاید از نظر مهندس معدن و کارشناس آتشباری دارای اهمیت کمتری هستند را در مدل یادگیری ماشین اضافه کرد. داده های بدون ساختار و بدون دسته بندی اغلب در زمانیکه وارد مدل های یادگیری ماشین می شوند، دارای یک ساختار و در یک خوشه دسته بندی شده و الگوی تاثیرات مثبت و منفی بر روی دیگر داده ها توسط ماشین شناسایی می گردد که همین امر می تواند عملکرد مدل یادگیری ماشین را بهبود ببخشد.

کاربردهای یادگیری ماشینی برای پدیده پرتاب سنگ

پدیده پرتاب سنگ (FLY ROCKS) را می توان به عنوان پرتاب یا حرکت ناگهانی کنترل نشده قطعات و یا تکه های سنگ های نرم حاصل از آتشباری توصیف کرد، که می تواند مسافت هایی را فراتر از منطقه های انفجار طی کند. محققان به این نتیجه رسیدند که ۷۰ تا ۸۰ درصد از کل انرژی انفجار به دلیل خطا در الگوی آتشباری تلف می شود.

“پرتاب سنگ ها موضوع خطرناکی می باشند که می‌توانند باعث آسیب به کارگران معدن و تجهیزات معدن در شعاع انفجار شوند. به عنوان مثال، حادثه ای در سال 2018 در معدنی در آلبری (Albury) استرالیا رخ داد که سنگ های پرتاب شده ناشی از انفجاری که توسط یک پیمانکار طراحی شده بود، به سه وسیله نقلیه پارک شده در فاصله کوتاهی آسیب رساند و هفت نفر در معرض خطر قرار گرفتند.”

اندازه سنگ های پرتاب شده به طور مستقیم با قطر حفره انفجار متناسب است، هر چه قطر انفجار بزرگتر باشد، اندازه سنگ های پرتاب شده بزرگتر می باشد و سرعت اولیه پرتاب به طور غیرمستقیم متناسب با ابعاد سنگ های پرتاب شده است.

در حال حاضر در معادن بر اساس معادلات، فاصله پرتاب سنگ‌ها پیش بینی شده و همچنین جهت محافظت از کارگران و تجهیزات، حائل های موقتی ایجاد می گردد. در هر حال احتمال بروز خطا در محاسبات توسط مهندس معدن و همچنین کارشناس آتشباری وجود دارد و برای افزایش دقت محاسبات پیش‌بینی فاصله سنگ پرتاب شده از مدل های یادگیری ماشین همچون شبکه‌های عصبی مصنوعی (ANN) استفاده می شود.

نتیجه گیری و آینده آتشباری معادن با هوش مصنوعی

استفاده از هوش مصنوعی در بخش های گوناگون معدنی سبب افزایش دقت شده و به عنوان یک دستیار هوشمند عامل اتخاذ تصمیم گیری های دقیق بر اساس دیتا می گردد. هوش مصنوعی در پروژه های اکتشافی، استخراجی و فرآوری ماده معدنی نقش کلیدی را می تواند ایفا نماید که در طی چندین مقاله ای که در بخش مجله نگار سایت زمین پی جویان نگار به آن پرداخته شده است. در عملیات آتشباری معادن نیز با استفاده از قدرت هوش مصنوعی می توان فرآیند انفجار خود را بهینه نمود، اقدامات ایمنی را افزایش داد و اثرات زیست محیطی را به حداقل رساند. هدف مطالعه ارائه شده بررسی وضعیت کاربردهای روش هوش مصنوعی و الگوریتم های یادگیری ماشین برای مسائل انفجار معدن بوده است.

“پیشرفت هایی در بهینه‌سازی آتشباری سطحی از طریق روش‌های بسیار توسعه‌یافته یادگیری ماشین حاصل شده است و با توجه به ابزار و شرایط مناسب، می‌توان این مسیر را ادامه داد و نتایجی با کیفیت و دقت بیشتری را برای پارامترهای غیرقابل کنترل با در نظر گرفتن پیچیدگی‌های شرایط عملیاتی آتشباری در معادن توسط هوش مصنوعی پیش بینی شود. ذکر این نکته دارای اهمیت است که در بهینه‌سازی عملیات آتشباری معادن زیرزمینی به دلیل چالش‌های عملیاتی همچنان با مشکلات سخت‌تری در بخش هوشمندسازی مواجه هستیم.”

همانطور که صنعت معدن به تکامل خود ادامه می دهد، هوش مصنوعی بدون شک نقش حیاتی در بهبود کارایی، ایمنی و پایداری خواهد داشت. آینده آتشباری معادن با هوش مصنوعی و تکنیک های یادگیری ماشین روشن است و نیاز به افزایش آگاهی از پیشرفت‌های فناوری، همکاری بیشتر بین مؤسسات تحقیقاتی و شرکت‌های معدنی و بهبود توسعه مهارت‌های فناوری محور همچون فناوری هوش مصنوعی در بین نیروی انسانی فعال در بخش معدن دارد. بنابراین نقش حیاتی نیروی انسانی ماهر برای ارائه شیوه های بهینه سازی، تضمین طول عمر و رونق بخش معدن کشور بسیار اهمیت دارد. شرکت زمین پی جویان نگار افتخار دارد که با اساتید با تجربه معدنی و زمین شناسی کشور همکاری نموده و جهت تحقق افزایش آگاهی و آموزش نیروی انسانی فعال در بخش زمین شناسی و معدنی کشور فعالیت های گسترده ای را انجام داده است.