توجه به پایداری، حفظ محیط زیست و کاهش مصرف سوخت امروزه بیش از پیش مورد توجه معادن و سهامداران قرار گرفته است. معادن باید به فرآیندهایی که به صورت مستقیم به دی اکسید کربن که در عملیات استخراج، حمل و نقل و فرآوری تولید می‌شود، توجه کنند.
معادن فلزی مسئول تولید سه تا چهار درصد از دی اکسید کربن تولید شده در سراسر جهان هستند. برای معادن روباز حدود %45 از این دی اکسید کربن، از نوع یک است که 35% از این میزان، در حمل و نقل تولید می‌شود.
برای مثال در یک معدن روباز 55 وسیله حمل و نقل سنگین استفاده می‌شود که سالانه در حدود 50 میلیون لیتر سوخت مصرف می‌کنند. این کامیون‌ها و بولدوزرها بیش از 130 هزار تن دی اکسید کربن را به صورت سالانه تولید می‌کنند.
کاهش میزان مصرف سوخت 5 الی 10 درصدی، هم برای محیط زیست تاثیرات شگرفی را به همراه دارد و هم مبلغ قابل توجهی در هزینه معادن صرفه‌جویی می‌شود.
بهینه‌سازی مصرف سوخت که با بهره‌مندی از یادگیری ماشین و استفاده از داده‌ها میسر می‌شود، می‌تواند باعث کاهش مصرف سوخت در معادن روباز شود. با بهره‌گیری از پلتفرم یادگیری ماشین و بر اساس عملکرد گذشته ناوگان کامیون‌ها و با اتصال به مدیریت ناوگان، ERP، اینترنت اشیا نصب شده بر روی ناوگان حمل و نقل و سایر داده‌های عملیاتی (مانند سنسورهای کیفیت، فشار لاستیک، نقشه جاده معدن و کیفیت سوخت)، می‌توان ارتباطات و نکات مهم در رابطه با مصرف سوخت وسایل حمل و نقل سنگین را کشف کرد.
هچنین، ادغام داده‌های داخلی و خارجی و ساخت همزاد دیجیتال کمک می‌کند تا بدون اخلال در کارکرد سیستم، راهکارهای متفاوتی را برای بهینه‌سازی مصرف سوخت، تست و بررسی شود.
به عنوان مثال می‌توان از برخی از این راه حل‌ها استفاده کرد:
- ارتقا عملکرد هدفمند بخش کوچکی از عملیات (20%) که امکان کشف عمده فرصت‌های صرفه‌جویی در مصرف سوخت را فراهم می‌کند (80%).
- تمرکز بر بخش کوچکی از شبکه حمل و نقل جاده‌ای که بیشترین تاثیر را بر مصرف سوخت دارد.
- نگه داشتن دمای اگزوز بین560 تا 590 درجه سانتی‌گراد که بهترین عملکرد سوخت را به همراه دارد.
- هدف قرار دادن محدوده معینی از تعداد تعویض دنده در هر چرخه (رفت و برگشت) که منجر به مصرف بهینه سوخت می‌شود.
فشار بر شرکت‌های معدنی برای کربن‌زدایی احتمالاً در آینده افزایش می‌یابد زیرا بیشتر سهامداران دولتی و خصوصی خواستار شفافیت و اقدام مهمتر در مورد این موضوع، به عنوان بخشی از مجموعه وسیع‌تری از نگرانی‌های زیست‌محیطی، اجتماعی و حاکمیتی هستند. هچنین امروزه، با کاهش عیار سنگ فلز و عمیق‌تر شدن گودال‌ها، حمل و نقل و هزینه‌های مرتبط با آن بیشتر شده است.
تجربه مک‌کنزی نشان می‌دهد که بهره‌گیری از راه‌حل‌های اثبات شده مبتنی بر یادگیری ماشین، همراه با تغییر در استراتژی مدیریت، می‌تواند کارایی سوخت حمل و نقل را به طور نسبی به سرعت و با سرمایه‌گذاری محدود بهبود بخشد.
