معدنکاران در جست‌وجوی استخراج ارزش از داده


پرستو مرادی- پایش معدن هوشمند

امروزه تعداد زیادی حسگر در معادن و کارخانه‌های فرآوری، وظیفه ثبت و ارسال داده‌های عملیاتی را بر عهده دارند. پایش داده‌ها به‌صورت لحظه‌ای قدرت تصمیم‌گیری مدیران و کارشناسان را افزایش می‌دهد و به آنها کمک می‌کند بر اساس داده‌های واقعی عملیات خود را پیش ببرند. ثبت لحظه‌ای داده‌های تولیدشده توسط صدها حسگر در معادن باعث شده علم کلان داده‌ها به کمک معدنکاران بیاید تا با جمع‌آوری و بایگانی این داده‌ها، ارزش جدیدی در اختیار معادن بگذارد. تحلیل و مطالعه داده‌ها با روش‌های مختلف علم داده‌ها مانند داده‌کاوی یا یادگیری ماشین تأثیر بسیار مهمی در فهم ارتباط عناصر مختلف عملیات با هم دارد و امکان پیش‌بینی آینده را تسهیل می‌کند.  از این‌رو، معدنکاری نیز همانند صنایع مالی، پزشکی و الکترونیک برای داشتن افق روشن‌تری از اتفاقات آینده عملیات خود و کاهش عدم قطعیت‌هایی که در سراسر صنعت خود با آن‌ دست و پنجه نرم می‌کند، وارد عرصه پردازش و استخراج ارزش از کلان داده‌ها برای پیش‌بینی آینده کسب‌وکار خود شده‌است؛ به‌طوری که هم‌اکنون برخی غول‌های معدنی جهان استفاده از این علم را از نان شب واجب‌تر می‌دانند و برخی مثل ریوتینتو تحلیل و مدیریت کلان داده را مرحله پایانی معادنِ فردای خود معرفی می‌کنند.

هوش پیش‌گو در اتاق هیات مدیره انگوامریکن

انگوامریکن، یکی از بزرگ‌ترین شرکت‌های معدنی جهان از جمله شرکت‌های پیشرو در زمینه استفاده از علم داده‌هاست. این شرکت در حال آزمایش کردن الگوریتم‌هایی است که بتوانند به سوالاتی از این دست پاسخ دهد که  چگونه می‌توان موقعیت ماده معدنی و باطله را در ذخیره با دقت بالاتری پیش‌بینی کرد و همچنین ماده معدنی با بالاترین عیار در کجای ذخیره قرار دارد؟ یک پیش‌بینی که بدون شک نتایج آن بسیار هیجان‌انگیز خواهد بود.

الگوریتم‌های مورد آزمایش انگلوامریکن حاصل حرکت این شرکت به‌سوی ادغام داده‌های موجود در زنجیره ارزش و تجزیه و تحلیل پیشرفته و استفاده از دانش یادگیری ماشین است. در واقع آن‌ها به سمت استخراج داده با استفاده از فناوری‌های هوش مصنوعی حرکت کرده‌اند که ارزش‌هایی را آشکار می‌سازد که تصمیم‌گیری‌های هوشمندانه بر پایه ارزش را پشتیبانی می‌کند. تصمیماتی که کاهش هزینه‌های عملیاتی، کاهش ریسک، افزایش بهره‌وری، افزایش تولید و افزایش درآمد را به‌دنبال خواهد داشت. این نوع هوش پیش‌گویانه[۱] به این معناست که آن‌ها زمان کمتری برای اندازه‌گیری و نظارت بر داده‌های عملیاتی صرف می‌کنند و در مقابل زمان بیشتری برای حل مسائل سرمایه‌گذاری صحیح و بازدهی برنامه‌ریزی خواهند داشت.

حضور هوش پیش‌گویانه منجر به این شده است که این شرکت “معدنکاری هوشمند آینده” خود را این‌گونه تعریف کند: «معدنی را تصور کنید که در آن علوم داده و یادگیری ماشین برای ایجاد یک معدن واقعا هوشمند با یکدیگر ادغام شوند و حجم بالای داده دریافتی از حسگرها را به هوش پیش‌گویانه‌ای در اتاق هیات مدیره تبدیل کنند».

پس می‌توان گفت که کلان داده نه تنها یک فناوری است، بلکه یک استراتژی کسب‌وکار برای سرمایه‌گذاری بر اساس منابع اطلاعاتی لحظه‌ای و دقیق است.

مرکز کلان داده ریوتینتو

در کنار انگلوامریکن، همتای دیگر آن یعنی ریوتینتو نیز در سال ۲۰۱۵ اعلام کرد که مرکز تحلیل کلان داده را ایجاد کرده است که بهره‌وری تجهیزات را در عملیات جهانی خود افزایش خواهد داد. کار این مرکز این است که حجم عظیمی از اطلاعات ثبت‌شده توسط حسگرهای متصل به تجهیزات ثابت و متحرک ریوتینتو را ارزیابی و به کارشناسان کمک کند تا خرابی موتورها یا دیگر حوادث از کارافتادگی را پیش‌بینی یا جلوگیری کنند. این امر به افزایش قابل‌توجه بهره‌وری و ایمنی منجر می‌شود.

در واقع متخصصین تحلیل داده در این مرکز که در شهر پونای[۲] هند واقع شده، با استفاده از علوم ریاضی پیش‌گویانه[۳]، یادگیری ماشین و مدل‌سازی پیشرفته در حال پیش‌بینی مجموعه مشکلات پیش از وقوع آن‌ها هستند. این امر هزینه‌های نگهداری و تلفات تولید ناشی از خرابی‌های پیش‌بینی نشده را کاهش داده و عملیات قابل‌پیش‌بینی و کارآمدتری را فراهم می‌کند.

 گِرگ لیلیمان،[۴]مدیر اجرایی گروه فناوری و نوآوری ریوتینتو در خصوص این مرکز گفته است: «تحلیل کلان داده دنیای فردا را به امروز می‌آورد. ما تجربه انسانی را با هوش ماشینی ترکیب و از عملیات خود پشتیبانی بیشتری می‌کنیم».

در حال حاضر نیز اعلام شده که این مرکز آخرین فاز از برنامه Mine of the FutureTM ریوتینتو است که به دنبال یافتن راه‌های پیشرفته برای بهبود ایمنی و بهره‌وری اختصاص داده شده است.

کلان داده چیست و به چه کاری می‌آید؟

در سال ۲۰۰۹ میزان داده‌های تولیدی در جهان ۸۰۰ هزار پتابایت (۱۰ به توان ۱۵) گزارش شد. پیش‌بینی می‌شود این تولید داده یک رشد ۴۴ برابری را تجربه خواهد کرد و در سال ۲۰۲۰ به عدد ۳۵ زتابایت (۱۰ به‌توان ۲۱) خواهد رسید. تنوع این داده‌ها نیز به‌قدری بالاست که ۸۰ درصد داده‌های جهان سازمان نیافته اعلام شده است. به‌علاوه سرعت تولید آن‌ها چنان شتابی دارد که تنها شمارنده‌ها و حسگرهای فناوری رادیو شناسه (RFID[5]) 30 میلیارد داده تولید می‌کنند. این در حالی است که گفته می‌شود تنها ۱ از ۳ رهبر کسب‌وکارهای بزرگ جهان به اطلاعات کسب‌شده از کلان‌داده اعتماد ندارد. از این‌رو پیداست که چرا کلان داده یکی از موضوع‌های جذاب امروز فناوری اطلاعات است و توانسته به سایر حوزه‌های کسب‌وکار راه یابد.

کلان‌داده اصطلاحی است که در سال ۱۹۴۴ توسط «فرمونت ریدر»[۶]، کتابدار کتابخانه دانشگاه وسلیان به کار برده شد. او اولین کسی که وسعت کتابخانه‌های امریکا را تا سال ۲۰۴۰ تخمین زد و اشاره کرد که در سال ۲۰۴۰ بیش از ۲۰۰ میلیون جلد کتاب در مسافتی بیش از شش هزار مایل قفسه را اشغال خواهند کرد. با این‌حال این اصطلاح در قالب تخصصی‌تر اولین بار در سال ۱۹۹۷ در مقاله‌ای تحت عنوان «مدیریت کلان داده برای تجسم علمی[۷]» توسط مایکل کاکس[۸] و دیوید الس ورث[۹] ، استفاده شد. آن‌ها کلان داده را کلکسیونی جمع‌آوری شده از مجموعه داده‌ها تعریف کردند که معمولا چند رشته‌ای بوده و از چند منبع کسب می‌شوند.

مرکز «گارتنر»[۱۰] کلان داده را اینگونه تعریف کرده است: «کلان داده، دارایی‌های اطلاعاتی یک مجموعه یا سازمان است که حجمی بالا دارند، با سرعت زیاد تولید می‌شوند، تنوع گسترده دارند و نیازمند شیوه‌های پردازش نوآورانه با هزینه‌ی مناسب هستند تا بتوان از آن‌ برای اتوماسیون فرایندها، تصمیم‌گیری و بهبود شهود و بینش [در سازمان] بهره گرفت».

همان‌طور که از تعریف گارتنر مشخص است، سه ویژگی کلان داده؛ حجم [۱۱]، سرعت[۱۲] و تنوع[۱۳] است. این سه اصطلاح منجر به ارائه مدلی برای آشنایی با کلان داده تحت عنوان V3   شده است. شرکت [۱۴]PWC به‌عنوان یکی از بزرگان مشاوره مدیریت در جهان با استفاده از این مدل کلان داده را تعریف کرده است. شرکت «ارنست اند یانگ» نیز در کنار این سه مولفه، مولفه درستی و صحت[۱۵]را به مدل خود اضافه و مدل V4 را برای آشنایی با کلان داده ارائه کرده است. به‌تعبیر دیگر ارسنت اند یانگ به اهمیت دقیق بودن و قابل‌اتکا بودن داده‌ها نیز توجه داشته است. در شکل ۱ تصویری از مدل‌های کلان داده نشان داده شده است.

شکل ۱- مدل‌های معرفی کلان داده: (راست) مدل V3 و (چپ) مدل V4

کلان داده‌ها، تقاضا برای متخصصان این حوزه را به قدری افزایش داده است که شرکت‌هایی همانند IBM، Microsoft، SAP و دیگران بیش از ۱۵ میلیارد دلار برای توسعه نرم‌افزارهای مدیریت و تحلیل داده سرمایه‌گذاری کرده‌اند.

مقصد حرکت معدنکاران در کلان داده‌ها کجاست؟

 به‌رغم اهمیت روزافزون کلان داده، حجم فراوان داده‌ها که پیوسته در حال افزایش است، به خودی خود کاربردی ندارد و اگر تنها انباشته شوند، یک انبار بلاستفاده است که بهره‌ای از آن نمی‌توان برد. از این‌رو متخصصان علوم داده‌، هوش مصنوعی[۱۶] و فعالان داده‌کاوی وارد عمل شده‌اند و به‌دنبال کاردبردهای کلان داده در حوزه‌های مختلف هستند. آن‌ها روش‌های مختلف بهره‌گیری و الگوریتم‌هایی را ایجاد می‌کنند تا بتوانند نهایت استفاده را از این حجم وسیع داده داشته باشند. یکی از جالب‌ترین کاربردهای کشف شده در این زمینه در حوزه پزشکی است که در قالب پروژه Google Flu اجرا شد. هدف این پروژه، پیش‌بینی آمار و روند شیوع آنفولانزا در نقاط مختلف، بر اساس میزان جست‌وجوی کاربران است.

حال در کنار کاربردهای سلامت و بانکداری، مدیریت شهری و دیگر کاربردها، کلان داده در عرصه معدنکاری نظیر شاخه اکتشاف و ارزیابی ذخایر معدنی نیز ورود سازنده‌ای داشته است. چرا که ذخایر معدنی از جمله سرمایه‌های طبیعی هر کشور محسوب می‌شود و شناسایی و اکتشاف صحیح منابع معدنی، باعث پیشگیری از هدر رفتن منابع مالی و انسانی می‌شود. استفاده از روش‌های مختلف هوش مصنوعی مانند کلان داده‌، یادگیری ماشین و یادگیری عمیق برای ارزیابی و تحلیل اطلاعات بدست آمده در حین اکتشاف ذخایر معدنی، تاثیر بسزایی در کاهش عدم قطعیت و ریسک‌های همراه با عملیات اکتشاف دارد. امروزه شرکت‌های فعال در زمینه اکتشاف با جمع‌آوری بانک داده ذخایر با ویژگی‌های مشابه از جمله ماده معدنی، زمین‌شناسی و سنگ‌شناسی و همچنین استفاده از الگوریتم‌های پیشرفته یادگیری ماشین، سعی بر افزایش دقت عملیات اکتشاف در محدوده‌های جدید دارند. این افزایش دقت همراه با افزایش راندمان عملیات اکتشاف، کاهش هزینه‌های اجرایی و همچنین کاهش ریسک می‌باشد. معدنکاران پا را فراتر از اکتشاف گذاشته و در برنامه‌ریزی تولید، استخراج، حفاری و انجفار و فرآوری از کلان داده‌ها و یادگیری ماشین استفاده می‌کنند.

در واقع یادگیری ماشین از مهم‌ترین بخش‌های هوش مصنوعی است که از علوم کامپیوتر آغاز شده و به‌سرعت در حال رشد است. یکی از تعاریف ارائه شده از یادگیری ماشین این است که اگر یک برنامه کامپیوتری بتواند عملکرد خود در انجام یک وظیفه را با استفاده از تجربیات قبلی‌اش بهبود ببخشد آن‌گاه می‌توانید بگویید که آن ماشین یاد گرفته است؛ بنابراین، یادگیری ماشین عبارت از بهینه‌سازی یک عملکرد با استفاده از تجربیات گذشته است.

در حال حاضر پژوهش‌های مرتبط با الگوریتم‌های یادگیری ماشین، عملکرد و نتایج قابل قبولی را در علوم زمین و معدن برای تخمین ذخیره معادن، پیش‌بینی‌ عملیات استحراج مانند خرابی ماشین‌آلات، نتایج انفجار، میزان تولید و غیره ارائه کرده‌اند.

منابع مطالعاتی

  • motamem.org
  • angloamerican.com
  • riotinto.com
  • slideshare.net
  • Michael Cox, David Ellsworth, Managing Big Data for Scientific Visualization, 1997.
  • B. Saraladevia, N. Pazhanirajaa, and et al, Big Data and Hadoop-A Study in Security Perspective, 2015, Procedia Computer Science V50, pp.596 – ۶۰۱.
  • تهیه نقشه پتانسیل مس-طلا و طراحی نقاط حفاری تکمیلی با بکارگیری الگوریتم های یادگیری ماشین در کانسار مس-طلای شادان، خراسان جنوبی؛ حسن حسین زاده؛ کارشناسی ارشد؛ دانشگاه بیرجند ۱۳۹۵.

[۱] Predictive Intelligence

[۲] Pune

[۳] Predictive Mathematics

[۴] Greg Lilleyman

[۵] Radio Frequency Identification

[۶] Fremont Rider

[۷] Managing Big Data for Scientific Visualization

[۸] Michael Cox

[۹] David Ellsworth

[۱۰] Gartner

موسسه گارتنر در سال ۱۹۷۹ توسط جیدی‌یِن گارتنر (Gideon Gartner) تأسیس شده و دفتر مرکزی‌اش در ایالت کانکتیکات (کانتیکت) آمریکاست. فعالان مدیریت و کسب و کار، گارتنر را معمولاً به خاطر دو ابزاز ارائه شده این شرکت در زمینه ارزیابی و تحلیل تکنولوژی می‌شناسند.

[۱۱] Volume

[۱۲] Velocity

[۱۳] Variety

[۱۴] PriceWaterhouseCoopers

[۱۵] Veracity

[۱۶] Artificial Intelligence