روش های سنتی اکتشاف معادن
به طور حتم با قصد بررسی روش های سنتی اکتشاف معدن در ایران را نداریم و نوعی حتی منتقد این روش های قدیمی نیز هستیم اما برخی از مراحل این روش ها برای جمع آوری داده های مورد نیاز برای سامانه های هوشمند (مبتنی بر هوش مصنوعی) و GIS (اطلاعات مکانی) نیاز است.
در گذشته با استفاده از اسامی شهر و روستا ها یا نزدیک بودن به برخی مناطق خاص، یا وجود معادن باستانی امکان کشف بسیاری از معادن بود اما اکنون با این روش ها تمام معادن کشف شده اند (7% کل معادن کشور تاکنون کشف و به بهربرداری رسیده اند) و دیگر با استفاده از این روش ها 93% باقی مانده معادن کشور را نمیتوان کشف و به بهربرداری رساند.
بنابراین شرکت دانش بنیان مدرن اندیشان جی با استفاده از سامانه های هوش مصنوعی که پیشتر در حوزه املاک و فارکس استفاده شده بودند و نتایج مثبتی از آن ها حاصل شده بود، توانسته نمونه اولیه ای از پیش بینی محل معادن کشف نشده را با استفاده از داده های کشور نروژ به نتیجه برساند.
اکنون زمان آن است که هزینه های لازم در حوزه صنعت به این سمت بیاید تا بتوان این تکنولوژی را بومی سازی و استفاده کرد.
مراحل اکتشاف معادن با استفاده از هوش مصنوعی
مطالعات دفتری
نخستین مرحله اکتشاف معآدن (هر نوع معدنی)، جمع‌آوری و بررسی داده‌های دفتری است. این مرحله میتواند شامل گزارش‌ها و نقشه‌های زمین‌شناسی با مقایسه‌های مختلف، تصاویر هوایی و ماهواره‌ای، سنجش‌های هوابرد ژئوفیزیک و ژئوشیمی باشد. از سال 1401 به بعد امکان در درافت اطلاعات سنجش از دور نیز وجود دارد که در این مرحله گنجانده میشود.
داده های قابل تبدیل به عناصر کلامی شامل اعداد و رشته ها، نقشه های برداری و پیکسلی توسط اپراتور جمع آوری شده و به عنوان خوراک اولیه سیستم هوش مصنوعی و پیش پردازش آماده میشود.
پی جویی
مرحله پی‌جویی یا کسب اطلاعات مقدماتی به صورت میدانی، نخستین مرحله از اکتشاف به شمار می‌رود که در صورت رضایت‌بخش بودن نتایج آن، به معنی تولد یک معدن خواهد بود. هدف اصلی پی‌جویی، جستجو و تعیین محل یک آنومالی با مختصات یک کانسار کانی است. در حقیقت هدف اصلی پی‌جویی، یافتن اولین پازل اکتشاف است.
پی‌جویی زمین‌شناسی، در حقیقت بکارگیری علم پیدایش و تشکیل کانسار کانی، نقشه‌برداری ساختمانی و تجزیه و تحلیل‌های کانی‌شناسی و سنگ‌شناسی در کشف، تشخیص و ارزیابی پیگرد‌های کانی است.
پی جویی پر هزینه ترین بخش اکتشاف و زمانبر ترین آن ها نیز هست. سیستم مبتنی بر هوش مصنوعی مدرن اندیشان میتواند میزان پی جویی را تا 80% کاهش دهند. با بدست آوردن نقاط مستعد وجود یک معدن با منابع خاص فلزی میتواند دقت پی جویی را افزایش دهد و ما را با پی جویی کمتری به نتیجه نهایی برساند. با توسط به وسعت کشور عزیز ایران هزینه های ناشی است پی جویی های زیاد بسیار سنگین است. البته در مقابل معدنی که یافت میشود هزینه های اکتشاف واقعاً ناچیز است.
این مرحله توسط اپراتور متخصص شرکت مدرن اندیشان که متخصص هوش مصنوعی، GIS و معدن میبشاد صورت میگیرد تا با استفاده از خروجی های مربوط به هوش مصنوعی نقاط مستعد را پی جویی کند.
روش های پی جویی
به دلیل در معرض دید نبودن کانسار‌ها، روش‌های جستجو تلفیقی از روش‌های جستجوی مستقیم و غیرمستقیم است. روش‌های مستقیم مانند آزمایشات فیزیکی و مشاهده‌ای، مطالعات زمین‌شناسی و نقشه‌برداری، نمونه‌برداری جهت پی‌جویی کانسار‌های غیرفلزی و زغال سنگ که اغلب دارای رخنمون هستند یا در زیر روباره‌های کم عمق واقعند، مناسب هستند؛ در مقابل برای کانسار‌های فلزی بکارگیری روش‌های غیرمستقیم مانند روش‌های ژئوفیزیکی، ژئوشیمیایی و گیاه‌شناسی تقریبا اجتناب ناپذیر است.
پی‌جویی ژئوفیزیکی
در میان روش‌های پی‌جویی غیرمستقیم روش یا روش‌های ژئوفیزیکی در راس قرار دارند. در این روش، تغییراتی را در شرایط زمین‌شناسی که امکان دارد ناشی از وجود کانسار‌های کانی اقتصادی باشد، از فاصله‌ای مشخص کشف می‌کنند و با استفاده از ابزار‌های بسیار حساس، تغییرات خواص فیزیکی زمین انداره‌گیری میشوند. این تغییرات میتواند ناشی از وجود یک کانسار کانسنگ باشند یا نباشند، اما تشخیص این امر تا حدی پیچیده و مشکل است. دامنه نفوذ روش‌های ژئوفیزیکی هوابرد تقریبا نامحدود است، اما نفوذ آن‌ها در زمین به ندرت از ۹۰ متر فراتر می‌رود.
کاربرد ژئوفیزیک در ابتدا برای پی‌جویی و اکتشاف در صنایع نفت و گاز طبیعی آغاز شد و بیشترین میزان موفقیت را تاکنون در این زمینه به دست آورده است. از طریق ژئوفیزیک همچنین می‌توان اطلاعات باارزشی برای تهیه نقشه‌های زمین‌شناسی که موقعیت فضایی کانسار (مانند عمق و شکل) یا شکل‌های زمین (مانند چین‌ها و گسل‌ها) را بیان میکند، به دست آورد.
هر روش جهت اندازه‌گیری خاصیت یا مشخصه خاصی است که برای کانی‌های مختلف متفاوت است در نتیجه می‌توان گفت برای هر کانی یا کانسار خاص از روش‌های ژئوفیزیکی خاصی می‌توان بهره گرفت. این روش‌ها شامل روش ثقل سنجی، لرزه ای، مغناطیسی، الکتریکی، الکترومغناطیسی، قطبش القایی، مقاومت ویژه و رادیواکتيویته میشود.
پی‌جویی ژئوشیمی
ژئوشیمی روشی جدید‌تر از ژئوفیزیک است. پی‌جویی ژئوشیمیایی تعیین‌کننده تغییرات جزئی ناشی از وجود ماده معدنی (معمولا فلزی) در نزدیکی محل پی‌جویی است، این تغییرات توسط بررسی ترکیب شیمیایی نمونه‌هایی از آب، هوا، خاک و گیاهان مشخص میشود. نکته حائز اهمیت این است که کشف اولیه ماده معدنی به وسیله روش ژئوشیمی تنها مقدمه کشف مستقیم از طریق پی‌جویی زمین‌شناسی یا پی‌جویی ژئوفیزیکی خواهد بود. باید دانست که ژئوشیمی برای یافتن زغال سنگ، کانی‌های غیرفلزی، بوکسیت، سنگ‌های قیمتی یا کانسنگ‌های آهن، منگنز، کرومیت و تیتان مورد استفاده قرار نمی‌گیرند.
پیش پردازش داده های بدست آمده از پی جویی
اپراتور (متخصص) مربوط داده های بدست آمده از پی جویی های گذشته، داده های اطلاعات دفتری و… را برای پیش پردازش آماده میکند.
پیش پردازش یا Preprocessing مرحله اصلی و مهم و اولین مرحله هوش مصنوعی برای دریافت اطلاعات قابل فهم است که زمان و دقت بسیاری میبرد. هر چه داده های پیش پردازش بهتری شده باشند نتیجه پیش بینی هوش مصنوعی دقیقتر و خطاها کمتر میشوند.
پیش بینی توسط هوش مصنوعی
هوش مصنوعی با استفاده از کتابخانه هایی همچون Tensorflow قابلیت پیش بینی دقیق را با استفاده از داده های گذشته و اکنون بدست می آورد که میتواند نقاط یا ناحیه های که مستعد وجود معدن مورد نظر ما هستند را شناسایی و مختصات دقیق آن ها را برای مطلاعات میدانی به ما ارائه کند.
پیش بینی کنسانتره سیلیس توسط سیستم هوش مصنوعی مدرن اندیشان
داده ی مورد بررسی توسط هوش مصنوعی حجم بسیاری زیادی دارد وبابت آن هزینه ی بسیاری شده، شما میتوانید تصویر داده های مورد نیاز برای این پیش بینی را مشاهده کنید:
مراحل زیر ابتدا صورت میگیرد:
- در مجموعه داده باید درصد کنسانتره سیلیس را پیش بینی کنیم.
- کنسانتره سیلیس ناخالصی موجود در سنگ آهن است که باید حذف شود.
- فرآیند فعلی تشخیص سیلیس ساعت ها طول می کشد.
با کمک برخی تحلیل‌ها و مدل‌سازی داده‌ها، می‌توان تقریب خوبی از کنسانتره سیلیس ارائه داد که زمان و تلاش زیادی را برای فرآوری سنگ آهن کاهش می‌دهد.
نمودار بالا همبستگی بین ویژگی ها را نشان می دهد. از نمودار می توانیم ویژگی هایی را که بیشترین تأثیر را بر درصد کنسانتره سیلیس می گذارد، دریابیم. و در نهایت با استفاده روش های پیش بینی همچون رگرسیون یا LSTM پیش بینی میزان سیلیس را بدست آوریم. میزان بدست آمده با اختلاف 9% با مقدار واقعی شگفت انگیز است.
