یادگیری ماشین

استفاده از یادگیری ماشین(machine learning)در صنعت معدن

استفاده از یادگیری ماشین(machine learning)در صنعت معدن

در معدن و صنایع معدنی نیز همچون سایر صنایع دیگر، یادگیری ماشین بسیار کاربردی است، صنایع معدنی با توجه به عدم قطعیت بالا و حجم بسیار زیاد اطلاعات جزو صنایع پیچیده به حساب می آید. لذا یادگیری ماشین در صنعت معدن و هوش مصنوعی در صنعت معدن در این صنایع با پیشرفت تکنولوژی بیش از پیش مورد استفاده قرار گرفته است.

به عنوان مثال در بخش اکتشاف منابع، برای کشف یک محدوده از ماده معدنی، داده های مختلفی همچون، تصاویر ماهواره ای، داده های ژئوفیزیک، ژئوشیمی، زمین شناسی، داده های مربوط به حفاری های گذشته و …. استفاده می شود. لذا با توجه به عدم قطعیت بالا، هوش مصنوعی و یادگیری ماشین می تواند در این فاز استفاده گردد. شرکت earth AI که یک شرکت معدنی در استرالیا می باشد، به عنوان پیشگام در این موضوع، اکتشاف هوشمند را با استفاده از یادگیری ماشین برای سرتاسر استرالیا پیاده سازی کرده است و در اولین گام، با جمع‌آوری داده‌های موجود اقدام به کشف معادن طلا و پتانسیل‌های محدوده‌های طلا کرده است.

استفاده از یادگیری ماشین در صنایع معدنی ایران قدمت زیادی ندارد، اما سرعت رشد این تکنولوژی در صنایع با توجه به نتایج قابل قبولِ گرفته شده بالا می‌باشد.

در ادامه چهار مثال کاربردی از یادگیری ماشین در معدن و هوش مصنوعی در صنعت معدن را با هم مرور کنیم.

۱- پردازش تصاویر ماهواره ای

ماهواره‌های مختلفی برای مقاصد زمین‌شناسی وجود دارند، ماهواره ASTER یکی از آن‌ها است که در طول باندهای مشخصی تصویربرداری‌های دوره‌ای انجام می‌دهد. برای درک بیشتر این تصاویر، مکعب داده ای در نظر بگیرید به صورت ۴۲۰۰ * ۴۲۰۰ * ۱۴

satellite_image

از این تصاویر برای شناسایی و ترسیم نقشه‌های زمین‌شناسی و عارضه‌های مربوطه (واحدهای سنگی مختلف) استفاده می‌شود. به بیان ساده با پیمایش‌های زمینی و هوایی، مناطق مختلف به صورت قسمت‌های مشخص تعیین می گردد. با مشخص نمودن این قسمت‌ها در تصاویر بدست آمده، سعی در دسته‌بندی کل تصویر و تصویرهای اطراف آن می‌شود. بدین صورت نقشه زمین‌شناسی منطقه مورد نظر بدست می‌آید.

satellite_image

البته برای افزایش دقت معمولا از تصاویر چندین ماهواره و در بازه‌های زمانی مختلف استفاده می‌شود (عارضه‌های زمین‌شناسی معمولا در طی سال‌های مختلف تغییر نمی‌کنند لذا می‌توان از این موضوع برای افزایش دقت استفاده نمود).

۲- پیش‌بینی متغیرهای ژئومتالورژیکی

عدم قطعیت بالای فضای معدنی همواره با صنعت معدن در حوزه اکتشاف همراه بوده است. برای همین همیشه آمار و احتمالات در حوزه اکتشاف معدن کاربرد دارد. نمونه‌برداری در معدن هزینه زیادی دارد به همین دلیل نیاز است تا با کمترین تعداد داده، بیشترین اطلاعات را بدست آورد. پیش‌بینی متغیرهای بدست آمده از تست‌های آزمایشگاهی همواره یکی از چالش های این حوزه است. استفاده از یادگیری ماشین و الگوریتم‌هایی همچون SVM می‌تواند در این زمینه بسیار کارآمد باشد.

الگوریتم SVM چیست؟

الگوریتم SVM یکی از روش‌های حل مسائل در یادگیری ماشین است که در حال حاضر اصلا نیاز نیست با نحوه کار کردن آن آشنا باشیم.

برای مثال فرض کنید از یک معدن ۳۰۰۰۰ نمونه‌ بدست آمده است و برای هر نمونه عیار عنصرهای تشکیل‌دهنده آن را اندازه گرفته ایم. قبلا در آزمایشگاه ۱۰۰۰ نمونه دیگر هم وجود داشته که برای هر نمونه عیار عناصر آن مشخص است. با انجام دادن تست‌های مختلف، یک ویژگی ژئومتالوژیک خاص را برای هر نمونه محاسبه کرده‌ایم. از آن‌جایی که انجام تست روی هر نمونه هزینه‌بر است، می‌خواهیم به کمک تجربه کسب شده از مشاهده ۱۰۰۰ نمونه موجود در آزمایشگاه، متغیر ژئومتالوژیک را برای این ۳۰۰۰۰ نمونه جدید پیش‌بینی کنیم؛ یعنی به‌جای انجام تست روی تک تک این ۳۰۰۰۰ نمونه جدید، از یادگیری ماشین استفاده می‌کنیم تا ویژگی ژئومتالوژیکی را پیش‌بینی کنیم.

۳- آنالیز تصاویر مربوط به جعبه مغزه‌ها

حفاری‌های اکتشافی به چاه‌هایی گفته می‌شود که برای بررسی‌های بیشتر در زمین حفر می‌شوند. این حفاری‌ها در اندازه‌های مشخصی انجام شده و مغزه‌های حاصل از حفاری (گمانه) در جعبه‌های مشخصی (جعبه‌مغزه) برای تحلیل‌های بعدی قرار می‌گیرند. برای مطالعه بیشتر در مورد مفهوم گمانه، ویکی‌پدیای آن را از اینجا مطالعه کنید.

طول جعبه مغزه‌ها ۱.۱ متر است و هر جعبه دارای تعداد مشخصی ردیف است. بعد از اینکه مغزه‌ها داخل جعبه قرار گرفت، از جعبه مغزه‌ها تصویربرداری شده و از این تصاویر به عنوان شناسنامه معدن یاد می‌شود (علت این امر طول عمر بالای معدن و سختی نگهداری از جعبه مغزه‌ها می‌باشد. در نتیجه، تصویربرداری و رجوع به تصاویر ساده‌تر و کاربردی‌تر خواهدبود).

بررسی طول مغزه‌ها (گمانه‌ها) معیاری برای کیفیت حفاری است. شکستگی مغزه‌ها به معنی هوازدگی آن‌هاست. هر چه مغزه‌ها هوازده‌تر باشند، کیفیت کمتری دارند. در تصویر زیر یک نمونه جعبه مغزه را مشاهده می‌کنیم. اعداد روی در جعبه، اطلاعاتی از عمق حفاری به‌دست می‌دهد. این نوشته‌ها عمق‌هایی که جمع‌آوری گمانه‌ها از آن شروع‌شده و یا در آن تمام شده را نشان می‌دهد.

۴- پردازش تصاویر گرفته‌شده از پهپاد برای شناسایی هدف‌های از پیش تعیین شده


مواردی که در بالا به آن اشاره کردیم جزء عمده‌ فعالیت‌های انجام شده در صنایع معدنی ایران می باشد که یونیدرو به عنوان موسسه‌ای پیشگام در این موضوع با به‌کارگیری دانش دانشجویان و اعضای دانشگاه و تجربه موجود در صنعت، در این راستا در حال فعالیت می باشد.

برای مطالعه مقاله انواع داده ها بر روی لینک کلیک کنید

کلمات کلیدی:یادگیری ماشین،یادگیری ماشین در صنعت معدن،هوش مصنوعی در صنعت معدن

امیرحسین باقری

امیرحسین باقری هستم عاشق برنامه نویسی مخصوصا با python و همینطور طراح قالب و متخصص فرانت اند؛ از دانشی که تو این مدت بدست آوردم میشه به HTML, CSS, Bootstrap, Flexbox, SASS, Python, Django, DRF و هوش مصنوعی اشاره کرد.

دیدگاهتان را بنویسید

دکمه بازگشت به بالا