هوش مصنوعی چگونه مسیر اکتشاف ذخایر معدنی ایران را هدفمندتر می‌کند؟

توسعه فناوری‌های هوشمند در بخش معدن می‌تواند شیوه شناسایی و ارزیابی ذخایر معدنی را تغییر دهد. در شرایطی که رقابت کشورها برای دسترسی به مواد معدنی راهبردی افزایش یافته، تحلیل داده‌های اکتشافی و استخراج الگوهای پنهان از اطلاعات موجود به یکی از ابزارهای بهبود تصمیم‌گیری در این حوزه تبدیل شده است.

عادل شیرازی، دانش‌آموخته پسادکتری مهندسی معدن دانشگاه صنعتی امیرکبیر و پژوهشگر کاربرد هوش مصنوعی در اکتشاف مواد معدنی، تفسیر داده‌های ژئوفیزیکی و مدل‌سازی زمین‌شناسی، در مقاله‌ای با عنوان «هوش مصنوعی ابزار اکتشاف است، نه نقشه گنج» که در نشریه بین‌المللی European Scientist منتشر شده، به بررسی ظرفیت‌ها و محدودیت‌های این فناوری پرداخته است.

وی با اشاره به چالش‌های اکتشاف معدن در ایران اظهار کرد: مسئله تنها افزایش عملیات میدانی و حفاری نیست، بلکه انتخاب محدوده مناسب برای انجام این فعالیت‌ها اهمیت زیادی دارد. هر گمانه اکتشافی هزینه مشخصی به همراه دارد و انتخاب نادرست محل حفاری می‌تواند موجب اتلاف منابع مالی و زمان شود.

به گفته این پژوهشگر، بررسی جداگانه داده‌های زمین‌شناسی، ژئوشیمی، ژئوفیزیک و سنجش از دور، پاسخگوی تمام پیچیدگی‌های اکتشافات جدید نیست و لازم است ارتباط میان این اطلاعات به‌صورت یکپارچه تحلیل شود.

تبدیل داده‌های اکتشافی به اطلاعات قابل استفاده

شیرازی با اشاره به حجم اطلاعات تولیدشده در جریان فعالیت‌های اکتشافی کشور گفت: نقشه‌های زمین‌شناسی، نتایج نمونه‌برداری، داده‌های ژئوشیمیایی، برداشت‌های ژئوفیزیکی، تصاویر ماهواره‌ای و اطلاعات ساختاری طی سال‌های گذشته در بسیاری از محدوده‌های معدنی جمع‌آوری شده‌اند.

وی افزود: وجود حجم زیادی از داده‌ها به‌تنهایی به معنای دستیابی به دانش کاربردی نیست. این اطلاعات زمانی ارزش اقتصادی پیدا می‌کنند که ارتباط میان آن‌ها شناسایی شود و بتوان بر اساس مجموعه شواهد موجود، اهداف اکتشافی را با دقت بیشتری اولویت‌بندی کرد.

این پژوهشگر تأکید کرد هوش مصنوعی جایگزین زمین‌شناس نیست، بلکه ابزاری برای تقویت توان تحلیل متخصصان محسوب می‌شود. الگوریتم‌های یادگیری ماشین و یادگیری عمیق می‌توانند روابط پیچیده میان داده‌های مختلف را شناسایی کنند؛ روابطی که ممکن است در بررسی‌های متداول به دلیل حجم اطلاعات یا پیچیدگی ساختارهای زمین‌شناسی به‌راحتی قابل تشخیص نباشند.

با این حال، نقشه‌های پتانسیل معدنی تولیدشده با استفاده از این فناوری، به معنای اثبات وجود ذخیره نیستند. این نقشه‌ها محدوده‌های مستعد کانی‌سازی را معرفی می‌کنند و نتایج آن‌ها باید با بررسی‌های زمین‌شناسی، نمونه‌برداری، مطالعات میدانی و حفاری ارزیابی شود.

شیرازی در این زمینه هشدار داد که معرفی خروجی الگوریتم‌ها به‌عنوان کشف قطعی، بدون بررسی مستقل و تأیید زمین‌شناختی، می‌تواند به تصمیم‌گیری‌های نادرست منجر شود. به گفته وی، اعتبار یک مدل زمانی مشخص می‌شود که علاوه بر عملکرد مناسب در داده‌های آموزشی، در محدوده‌های جدید نیز نتایج قابل قبولی ارائه دهد و پیش‌بینی‌های آن در عملیات میدانی قابل ارزیابی باشد.

نتایج یک مطالعه اکتشافی در محدوده شهر بابک

این پژوهشگر برای توضیح کاربرد عملی هوش مصنوعی به مطالعه‌ای در زمینه پتانسیل‌یابی مس پورفیری در محدوده شهر بابک اشاره کرد. در این پژوهش، داده‌های زمین‌شناسی، ژئوشیمیایی و سنجش از دور با استفاده از چارچوبی مبتنی بر خودرمزگذار و روش انتخاب ویژگی با یکدیگر تلفیق شدند.

به گفته شیرازی، در این مطالعه ۱۴ رخداد معدنی شناخته‌شده به‌عنوان نقاط مرجع مورد استفاده قرار گرفتند. نتایج نشان داد نرخ پیش‌بینی مدل مبتنی بر ویژگی‌های منتخب به ۸۰ درصد رسیده است؛ در حالی که این میزان در مدل متکی بر مجموعه کامل ویژگی‌ها ۷۲ درصد بود.

وی توضیح داد که اهمیت این نتیجه تنها به بهبود شاخص آماری مدل محدود نمی‌شود، بلکه امکان شناسایی و اولویت‌بندی محدوده‌های مناسب برای ادامه عملیات اکتشافی را نیز فراهم می‌کند.

شیرازی افزود: پس از تهیه نقشه، اهداف معرفی‌شده از سوی مدل با بررسی‌های میدانی دنبال و محدوده‌های مرتبط ارزیابی شدند. این تجربه نشان می‌دهد خروجی هوش مصنوعی زمانی ارزش عملیاتی دارد که از مرحله تحلیل محاسباتی عبور کند و در فرآیند واقعی تصمیم‌گیری معدنی مورد استفاده قرار گیرد.

وی در عین حال تصریح کرد که چنین نتایجی به معنای اثبات قطعی ذخیره یا صدور مجوز بهره‌برداری نیست، بلکه می‌تواند انتخاب اهداف اکتشافی و ارزیابی محدوده‌های مستعد را هدفمندتر کند.

زیرساخت داده‌ای؛ پیش‌نیاز توسعه اکتشاف هوشمند

این پژوهشگر یکی از موانع گسترش کاربرد هوش مصنوعی در معدن ایران را پراکندگی اطلاعات، تفاوت در قالب داده‌ها، ناهمگونی کیفیت و محدودیت دسترسی به اطلاعات استاندارد دانست.

به گفته وی، عملکرد مدل‌های هوشمند به کیفیت داده‌های مورد استفاده وابسته است و آموزش الگوریتم‌ها با اطلاعات ناقص، نامتوازن یا دارای خطا می‌تواند نتایج غیرقابل اتکایی ایجاد کند. از این رو، ایجاد زیرساخت یکپارچه و استاندارد برای جمع‌آوری و پردازش داده‌های اکتشافی باید در برنامه‌های توسعه‌ای بخش معدن قرار گیرد.

شیرازی پیشنهاد کرد برنامه‌ای ملی با مشارکت سازمان زمین‌شناسی و اکتشافات معدنی کشور، ایمیدرو، دانشگاه‌ها، شرکت‌های معدنی و مجموعه‌های دانش‌بنیان تدوین شود. در این برنامه، اطلاعات اکتشافی موجود پس از پالایش و استانداردسازی و با رعایت حقوق مالکیت و محرمانگی، برای توسعه مدل‌های هوشمند به کار گرفته شوند.

وی همچنین انتخاب چند محدوده معدنی با ویژگی‌های زمین‌شناسی متفاوت را برای اجرای طرح‌های آزمایشی پیشنهاد کرد تا مدل‌ها در شرایط واقعی و با استفاده از آزمون‌های مستقل مورد ارزیابی قرار گیرند.

از دیدگاه این پژوهشگر، ارزیابی موفقیت چنین برنامه‌ای نباید صرفاً بر تعداد الگوریتم‌ها یا پیچیدگی نرم‌افزارها متمرکز باشد. میزان کاهش هزینه شناسایی اهداف، افزایش دقت اولویت‌بندی محدوده‌ها، کاهش حفاری‌های کم‌ثمر و بهبود احتمال دستیابی به اهداف جدید، از جمله معیارهایی هستند که باید در سنجش عملکرد سامانه‌های هوشمند مورد توجه قرار گیرند.

کاربرد هوش مصنوعی فراتر از مرحله اکتشاف است

شیرازی با اشاره به ظرفیت‌های این فناوری در سایر بخش‌های زنجیره معدن گفت: هوش مصنوعی علاوه بر شناسایی ذخایر، در پیش‌بینی رفتار ذخایر معدنی، بهینه‌سازی عملیات حفاری، کنترل کیفیت مواد معدنی، افزایش بازیابی در کارخانه‌های فرآوری، مدیریت مصرف آب و انرژی، نگهداری پیش‌بینانه تجهیزات و بهبود ایمنی نیز کاربرد دارد.

به گفته وی، معدن هوشمند زمانی شکل می‌گیرد که داده و تحلیل هوشمند در تمام مراحل فعالیت معدنی، از شناسایی ذخیره تا تولید محصول نهایی، مورد استفاده قرار گیرد.

این پژوهشگر با اشاره به رقابت جهانی در حوزه مواد معدنی راهبردی اظهار کرد: ایران برای تقویت جایگاه خود در این بازار، علاوه بر توسعه استخراج از ذخایر شناخته‌شده، به افزایش توان کشف منابع جدید، ارزیابی دقیق‌تر ذخایر و کاهش هزینه‌های اکتشاف نیاز دارد.

وی معتقد است مزیت رقابتی کشورها تنها به میزان ذخایر معدنی آن‌ها وابسته نیست، بلکه توانایی استفاده از دانش و فناوری برای شناسایی سریع‌تر و اقتصادی‌تر منابع نیز در این زمینه نقش دارد.

بر این اساس، تغییر رویکرد از افزایش صرف تعداد حفاری‌ها به انتخاب دقیق‌تر محل عملیات اکتشافی می‌تواند یکی از مسیرهای بهبود بهره‌وری در بخش معدن ایران باشد؛ مسیری که تحقق آن به تلفیق دانش زمین‌شناسی، فناوری هوش مصنوعی، داده‌های استاندارد و اعتبارسنجی میدانی وابسته است.
منبع: معدن ۲۴