با وجود اینکه بودجه‌های اکتشاف مس در سال ۲۰۲۲ با افزایش ۲۱ درصدی به ۲.۷۹ میلیارد دلار – بالاترین میزان از سال ۲۰۱۴ تاکنون – رسید، هیچ افزایش متناظری در کشف ذخایر جدید معدنی مشاهده نشد. در واقع، گزارش اس‌اند‌پی گلوبال در سال ۲۰۲۲ نشان داد از میان ۲۲۸ اکتشاف بزرگ از سال ۱۹۹۰، تنها ۱۲ مورد بین سال‌های ۲۰۱۲ تا ۲۰۲۲ انجام شده‌اند که سه مورد از آنها نیز در پنج سال آخر این بازه بوده‌اند. در واقع فقط ۵.۲ درصد از کل مس کشف‌شده از سال ۱۹۹۰، از اکتشاف مواد معدنی جدید به‌دست آمده است و بقیه مربوط به «براون‌فیلد»ها یا مناطق پیشتر اکتشاف شده بوده‌اند.
بنابراین دیگر به دنبال سوزن در انبار کاه نیستیم، بلکه در پی قطره‌هایی در اقیانوس می‌گردیم و پیدا کردن این «قطره‌ها» زیر فشارهای زمانی و اقتصادی، به مجموعه‌ای متفاوت و بسیار هوشمندانه‌تر از ابزارها نیاز دارد.
ماهیت چندمقیاسی و زمانبر فرایند اکتشاف مواد معدنی
کارشناسان می‌گویند امروزه چالش‌های زیادی برای شناسایی و تعریف ذخایر معدنی وجود دارد. یکی از این چالش‌ها، ماهیت چندمقیاسیِ فرایند اکتشاف است. در مراحل مختلف اکتشاف مواد معدنی، شرکت‌ها به ویژگی‌های زمین‌شناسی در مقیاس‌های متفاوت نگاه می‌کنند. اکتشاف‌کنندگان باید همزمان ساختارهای منطقه‌ای (در مقیاس بزرگ) را که به انتخاب اهداف حفاری کمک می‌کند بررسی کنند و ساختارهای دانه‌ای در مقیاس میکروسکوپی را هم که بر فرایند متالورژی تأثیر می‌گذارد بشناسند. هر مقیاس، مجموعه ابزارهای خاص خود را می‌طلبد و اغلب به تخصصی متفاوت نیاز دارد. بنابراین، تخصیص مؤثر سرمایه برای درک هر مقیاس، کاری دشوار ولی حیاتی است تا بتوان ذخایر معدنی را به‌درستی شناسایی و تعریف کرد.
جمع‌آوری اطلاعات کافی درباره اندازه، عیار و ویژگی‌های ذخایر معدنی به زمان زیادی نیاز دارد؛ این اطلاعات برای تصمیم‌گیری در زمینه سرمایه‌گذاری ضروری هستند و درنهایت باعث می‌شود یک منبع به معدن تبدیل شود.
سرمایه‌گذاران، دولت‌ها و کارکنان ممکن است آنقدر صبور نباشند که سال‌ها برای اکتشاف و سپس حفاری یک هدف امیدبخش صبر کنند. از این رو کاهش زمان‌بندی کل فرایند اکتشاف، بویژه مراحل حفاری و تعیین مرز ذخایر، بیش از پیش اهمیت یافته است.
فناوری و نوآوری برای چیرگی بر چالش‌های اکتشاف مواد معدنی
امروزه فناوری می‌تواند در یافتن ذخایر و کارآمدتر شدن حفاری نقش مهمی ایفا کند. برای مثال تکنیک‌های سنجش از دور، مانند تصویربرداری هایپراسپکترال یا سنجش ژئوفیزیکی می‌توانند به محدودسازی فضای جست‌وجو کمک کنند و تصمیم‌گیری را بهبود بخشند.
شرکت‌ها پیوسته در حال نوآوری در روش‌های جمع‌آوری و تحلیل داده‌های زمین‌شناسی هستند. پیشرفت در فناوری حس‌گرها، مثل طیف‌سنج‌ها، آشکارسازهای میون و گرانش‌سنج‌های کوانتومی به تولید داده‌هایی منجر شده‌اند که بینش‌های جدیدی نسبت به ویژگی‌های فیزیکی زیر سطح زمین به ما می‌دهند.
حفاری بطور ذاتی فرایند زمانبری است؛ پردازش داده‌هایی که در این فرایند تولید می‌شوند نیز به کُندی انجام می‌شود. اما فناوری‌های هوشمند، مانند اسکنرهای مغزه‌های حفاری، می‌توانند این روند را شتاب چشمگیری بدهند، به شرطی که داده‌ها بدرستی برای این روش‌ها پیکربندی شوند.
کلان‌داده‌ها در برابر داده‌های خرد
کلان‌داده‌ها برای مقایسه و شکل‌دادن به فرضیه‌ها مفیدند. اما واژه «کلان» بسته به موقعیت، تعریف‌های متفاوتی دارد و گاهی گنگ و مبهم است.
روش‌های مبتنی بر رگرسیون در هوش مصنوعی و یادگیری ماشین بطور معمول در مناطق اکتشافی محلی که داده‌ها متراکم، باکیفیت و یکدست هستند عملکرد خوبی دارند، اما در پروژه‌هایی با داده‌های پراکنده ممکن است با مشکل رو‌به‌رو شوند. بنابراین این رویکردها بیشتر برای پروژه‌های اکتشاف مواد معدنی در مراحل پایانی و معدن‌های فعال مناسب هستند. در پروژه‌های ابتدایی، پیش از اینکه حفاری انجام شود، تکنیک‌های مبتنی بر کلان‌داده‌ها بطور معمول مؤثر نیستند؛ هرچند افراد زیادی همچنان تلاش می‌کنند تا از آنها استفاده کنند.
در این زمینه برخی شرکت‌ها رویکرد داده‌های خرد را پیش می‌گیرند؛ این رویکرد که با بهره‌گیری از محاسبات پیشرفته، داده‌ها را با دانش پیشین ترکیب می‌کند و بینشی عمیق‌تر نسبت به آنها ارائه می‌دهد، می‌تواند شامل بهبود در مدل‌سازی معکوس ژئوفیزیکی، برنامه‌ریزی خودکار حفاری و موارد مشابه باشد. این بدان معناست که فرایندهایی که پیشتر بصورت دستی انجام می‌شدند اکنون با استفاده از فناوری‌های هوشمند و داده‌های موجود، بصورت اتوماسیون و خودکار انجام می‌شوند.
کارشناسان معتقدند فقط باید داده‌های خرد و داده‌هایی که بخوبی تعریف شده‌اند در سیستم‌ها استفاده شوند؛ به باور آنها موفق‌ترین و جدیدترین سیستم‌ها، در واقع نسخه‌های بسیار سریع‌تری از روش‌های سنتی هستند. ارزش واقعی سخت‌افزارها خودش را در همین گردش‌کارهای سریع سنتی نشان می‌دهد.
دگرگونی‌های اکتشاف مواد معدنی زیرسایه حس‌گرها، مدل‌سازی و هوش مصنوعی مولد
رایانه‌ها و نرم‌افزارها در ده سال گذشته به ابزارهایی رایج و کاربرپسند در حوزه اکتشاف مواد معدنی تبدیل شده‌اند. پیشترها این ابزارها به راحتی در روال کاری سنتی یا محیط‌هایی با ارتباطات بی‌سیم ضعیف یکپارچه نمی‌شدند، اما هم‌اکنون شاهد کاربردی‌تر شدن رایانه‌ها و درنتیجه استفاده بیشتر از آنها در اکتشاف مواد معدنی هستیم. مدل‌سازی ضمنی (مثل لیپ‌فراگ) و تجسم سه‌بعدی (مثل وریفای) کیفیت و سطح ارتباطات را بهبود بخشیده‌اند و نرم‌افزارهای تجسم سه‌بعدی تغییر بنیادینی ایجاد کرده‌اند. زیرا اکنون می‌توانیم به سرعت مدل‌های سه‌بعدی واقع‌گرایانه‌ای بسازیم که به شناسایی اهداف حفاری کمک می‌کنند.
پیشرفت فناوری‌های حس‌گر جدید هیجان‌انگیز است. توموگرافی میون، توموگرافی صدای زمینه محیطی و گرانش‌سنجی کوانتومی تنها چند نمونه از این فناوری‌ها هستند. این تکنیک‌ها بینشی نسبت به زیرسطح زمین به ما می‌دهند که پیشتر هرگز آنها را تجربه نکرده‌ایم. به این ترتیب می‌توانیم کانسارها (جای انباشت طبیعی کانسنگ) را کارآمدتر از گذشته و با هزینه کمتری پیدا کنیم. با این حال، همچنانکه شرکت‌ها داده‌های بیشتری از حس‌گرها جمع‌آوری می‌کنند، نیاز فزاینده‌ای به روش‌هایی وجود دارد که این داده‌ها را در یک مدل سه‌بعدی قابل به‌روزرسانی یکپارچه کنند.
نسل بعدی این فناوری‌ها به احتمال زیاد از حس‌گرهای کوچک و سریعی تجهیز شده‌اند که داده‌های زیادی تولید می‌کنند. همینطور از نرم‌افزارهایی که می‌توانند برپایه داده‌های جدید، تصمیم‌های متنوعی را پیشنهاد بدهند.
گرانش‌سنجی کوانتومی یکی از پدیده‌هایی است که باید منتظرش باشیم. این دستگاه‌ها گرانش‌سنج‌های با وضوح بالایی هستند که می‌توانند روی پهپادها نصب شوند. این ابزارها مدل‌های سه‌بعدی ارزان‌قیمتی از چگالی زمین را ارائه می‌دهند که پیشتر شاهد آن نبوده‌ایم.
توموگرافی میون برای مشخص کردن محدوده ذخایر معدنی در طول زمان بسیار قابل توجه است. مته‌های سریع‌تر و کوچک‌تر هم در کنار نقشه‌برداری دقیق‌تر نقش کلیدی دارند. در آینده حتی ممکن است بتوانیم تجهیزات ژئوفیزیکی را که هم‌اکنون به اندازه یک کامیون بزرگ فضا اشغال می‌کنند، در فضایی به کوچکی یک مته جای دهیم!
با فناوری‌هایی مانند هوش مصنوعی مولد، جستجوگران منابع معدنی در آینده نزدیک می‌توانند فقط با صحبت کردن با پایگاه داده خود اسناد مرتبط را پیدا کنند، مقایسه انجام دهند و داده‌ها را ترسیم کنند. نوآوری در امور مالی نیز یکی دیگر از حوزه‌های بسیار مهمی است که از کاربرد و پیشرفت فناوری‌های جدید پشتیبانی می‌کند.
توانایی «دیدن» آنچه انسان‌ها قادر به دیدنش نیستند
کارشناسان معتقدند امروزه شرکت‌ها در شناسایی مناطق دست‌نخورده دارای ظرفیت بالا برای اکتشاف مواد معدنی، عملکرد ضعیفی دارند. چالش اصلی این است که شناسایی کانسارهای اقتصادی جدید در نواحی دست‌نخورده که به دلیل پوشش‌های طبیعی یا زمین‌شناسی دیده نمی‌شوند، هنوز با روش‌ها و فناوری‌های سنتی انجام می‌شود. این فرایند همچنان بشدت مبتنی بر فرضیه‌های کارشناسان است و این فرضیه‌ها به ندرت جواب می‌دهند؛ بطوریکه از هر ۱۰۰۰ پروژه اکتشافی، تنها یکی تبدیل به معدن می‌شود.
یافتن اهداف اکتشافی در زیرسطوح پوشیده در مناطقی که کمتر کاوش شده‌اند (گرین‌فیلد) اما ظرفیت بالایی دارند، نیازمند ذهنیتی نو و استفاده از فناوری‌هایی متناسب با این اهداف است. در سال‌های اخیر، پیشرفت‌های چشمگیر در زمینه هوش مصنوعی و یادگیری ماشین باعث شده الگوریتم‌های قوی‌تر، سریع‌تر و دقیق‌تری توسعه یابند. اگر این الگوریتم‌ها بدرستی بکار گرفته شوند می‌توانند در تمام مراحل زنجیره ارزش اکتشاف مواد معدنی کمک‌کننده باشند، چنانچه در صنایع دیگر نیز همینطور بوده است.
از این فناوری‌ها در ایجاد بستری برای شناسایی اهداف با احتمال موفقیت بالا در زیر سطوح زمین (هم در پروژه‌های براون‌فیلد و هم در پروژه‌های گرین‌فیلد) استفاده می‌شود. برای استفاده هوشمندانه از این الگوریتم‌ها، تیمی از متخصصان داده در زمینه‌های مختلف مانند علوم زمین، فناوری هوش مصنوعی در حوزه سلامت، توسعه الگوریتم و دیگر حوزه‌ها، چالش‌ها را بصورت جامع حل می‌کنند.
ترکیبی از هوش مصنوعی و یادگیری ماشین
در یکی از این روش‌های نوین از ترکیبی از فناوری‌های هوش مصنوعی / یادگیری ماشین (AI/ML) و نیروی متخصص در حوزه زمین‌شناسی برای ایجاد سکوی هدف‌یابی مبتنی بر داده‌های در لحظه و تکرارپذیر برای اکتشافات معدنی استفاده می‌شود.
به باور کارشناسان بزرگ‌ترین پیشرفت در دهه گذشته، استفاده از الگوریتم‌های پیشرفته هوش مصنوعی/ یادگیری ماشین در سراسر زنجیره ارزش اکتشاف مواد معدنی بوده که به لطف پیشرفت‌های سخت‌افزاری و نرم‌افزاری ممکن شده است.
این الگوریتم‌ها می‌توانند الگوها را در مجموعه پیچیده‌ای از داده‌ها شناسایی کنند، قابلیتی که چشم انسان از آن برخوردار نیست. این ویژگی به تیم‌های اکتشاف مواد معدنی امکان می‌دهد ارتباطات بهتری ایجاد کنند و سریع‌تر و ارزان‌تر به نتایج بهتری دست یابند.
انتظار می‌رود پیشرفت‌های الگوریتمی پیوسته در صنایع مختلف و سازگاری آنها با اکتشاف مواد معدنی، به اکتشافات مهم بیشتری بیانجامد.
رمزگشایی از داده‌های شناخت کانسارها
کارشناسان معتقدند توانایی استخراج اطلاعات از مغزه‌های حفاری ارزشمند، یکی از نوآوری‌های تحول‌آفرین در صنعت معدن است.
امکان دسترسی سریع به داده‌های دقیق و با وضوح بالا در زمینه دانش شناخت کانسار، روند کار را از انبار مغزه‌ها گرفته تا اتاق هیئت‌مدیره تغییر داده است.
سامانه‌هایی همچون اسکنر نمونه‌برداری میدانی TruScan امکان دستیابی فوری به داده‌های ژئوشیمیایی را فراهم می‌کنند. این سیستم امکانی را ایجاد می‌کند که برپایه اطلاعات دقیق ژئوشیمیایی که بطور مستقیم از مغزه‌های حفاری استخراج‌شده، تصمیمات سریع و آگاهانه‌ای درمورد اهداف حفاری اتخاذ شود. این فناوری تسریع روند اکتشاف مواد معدنی و افزایش دقت در برآورد ذخایر را به همراه خواهد داشت. تحولات بنیادین در ۱۰ تا ۲۰ سال آینده، مبتنی بر هوش مصنوعی خواهند بود؛ این تحولات کل زنجیره از نمونه‌برداری تا استخراج را متحول خواهند کرد. معرفی اسکن حجمی با وضوح بالا، مسیر تازه‌ای را در این صنعت گشوده است.
ما در آغاز راه بهره‌گیری از هوش مصنوعی برای حل چالش‌های این حوزه هستیم و مسیر روشنی برای توسعه بیشتر این فناوری پیش روی ماست، مسیری که تأثیری مثبت بر صنعت معدن و افراد فعال در آن خواهد داشت.
یکپارچه‌شدن معدنکاران با داده‌ها
کارشناسان می‌گویند پیاده‌سازی فناوری‌های مناسب، نحوه تعامل کاوشگران با داده‌ها و با همکارانشان را متحول خواهد کرد. این موضوع در کمک به شرکت‌های معدنی برای جذب نسل بعدی استعدادها و آشکارسازی اکتشافات آینده نقش مهمی خواهد داشت.
صنعت معدن با چالش‌های متعددی روبروست که سازگار شدن با استخراج در اعماق زمین و دست‌وپنجه نرم‌کردن با پیچیدگی‌های روزافزون کشف ذخایر معدنی جدید از جمله آن‌هاست. افزون بر این، این صنعت با تنش‌های ژئوپلیتیکی فزاینده و افزایش هزینه‌های انرژی نیز روبه‌رواست. در شرایطی که این چالش‌ها بیشتر می‌شوند، نیروی کار ماهر مورد نیاز برای رسیدگی به آنها در حال کاهش است و این موضوع، صنعت را با کمبود استعداد مواجه می‌کند.
یکپارچه‌کردن فناوری‌های هوشمند و کلان‌داده در صنعت معدن برای چیرگی بر چالش‌های پیش‌رو و تسهیل کشف و استخراج مواد معدنی مورد نیاز برای گذار به انرژی سبز بسیار مهم است. بدون این فناوری‌ها، دستیابی به موفقیت ممکن نخواهد بود.
پلتفرم‌هایی که اطلاعاتی مانند نمایش‌های دیجیتال از مغزه‌های حفاری را ثبت می‌کنند به زمین‌شناسان در سراسر جهان امکان می‌دهند از راه دور به این اطلاعات دسترسی داشته باشند. این یعنی وظایف روزانه زمین‌شناسان می‌تواند هم در محل پروژه و هم خارج از آن انجام شود؛ این موضوع بهبود کیفیت زندگی کارکنان معادن را در پی دارد که می‌تواند عاملی کلیدی در جذب نیروی انسانی به این صنعت باشد.
تحول دیجیتال معادن امکان همکاری بهتر با اعضای تیم را صرف‌نظر از موقعیت مکانی و منطقه زمانی فراهم می‌کند، بنابراین تیم‌ها می‌توانند بر یافتن اهداف اکتشافی جدید یا تحلیل داده‌ها برای بهره‌برداری از ذخایر معدنی پیچیده تمرکز کنند.
این مقاله در روزنامه صمت دوشنبه ۲۱ مهر ۱۴۰۴ منتشر شد.
