Дайджест по разработкам искусственного интеллекта в сфере медной промышленности

№4, 29 ноября, 2021 г. ДАЙДЖЕСТ по разработкам искусственного интеллекта в сфере медной промышленности Центр научно-технической информации при Министерстве инновационного развития Республики Узбекистан Ташкент - 2021 г.

\"Главная цель наших усилий – создать в ближайшие годы кластер с полным циклом производства готовой металлической продукции \"с нуля\"\" Президент Республики Узбекистан Ш.М. Мирзиёев “Дайджест по разработкам искусственного интеллекта в сфере медной промышленности” - Т.: 2021. С.14. «Дайджест по разработкам искусственного интеллекта в сфере медной промышленности» подготовлен Научно-техническим центром при Министерстве Инновационного развития Республики Узбекистан. Коллектив авторов: Технический редактор: Абдурахмoнов И.Ю. Райимджанов Х.Г. Турдикулова Ш.У. Абдувалиев А.А. Мусаева Р.А. Барбу Г.Ф. © Центр научно-технической информации при Министерстве инновационного развития Республики Узбекистан, 2021 г. 2

Искусственный интеллект в медной промышленности В медной промышленности искусственный интеллект (ИИ) может помочь в управлении над производственными процессами и повышении безопасности сотрудников на рабочем месте. Основные пересекающиеся направления применения ИИ: − преобразование процессов; − применение данных в совокупности с ИИ для достижения экспоненциального роста; − переосмысление взаимодействия человека с машиной. Говоря о перспективах внедрения ИИ в медную промышленность основное внимание уделяется использованию ИИ в таких областях, как отслеживание, прогнозирование и управление качеством, а также устранение сбоев путем изучения исторических данных. Наконец, ИИ может снизить потребность в кризисном управлении, собирая и комбинируя данные и многолетний опыт, чтобы помочь людям быстрее принимать оптимальные решения [1]. 3

Искусственный интеллект в медной промышленности Однако, внедрять ИИ в производственные процессы необходимо осторожно, силами специалистов, обладающими пониманием не только методов машинного обучения, но и знанием производственных процессов и методологий внедрения технологий. Если цифровой советчик выдаст неправильную рекомендацию по изменению технологического режима промышленного предприятия, последствия могут касаться жизни и здоровья людей. Вторая сложность при создании решений на базе технологии ИИ - это недостаточное количество и качество данных. Генерируемые данные о техпроцессе долгое время находились в разных системах и не использовались для целей анализа, потому что отсутствовали инструменты для их использования, то есть бизнес-приложения, которые создавали бы ценность для компаний. Все эти сложности замедляют проникновение технологий в производственные процессы, увеличивая стоимость их внедрения [2]. 4

Разработки искусственного интеллекта в сфере медной промышленности Горнодобывающая компания Freeport-McMoran успешно протестировала технологии ИИ на своем интеллектуальном карьере в Аризоне, США. Она планирует увеличить производство меди на 90 тыс. тонн при минимальных капиталовложениях. Благодаря передовой аналитике и технологиям ИИ Freeport-McMoRan может сканировать огромное количество собранных данных, выявлять еще больше операционных изменений, которые могут повысить производительность, и проверять их в полевых условиях. Специалисты написали алгоритмы, чтобы различать связи между типом руды, рабочими показаниями датчиков завода, количеством руды, проходящей через мельницу, и количеством извлеченной меди. Затем они разработали дополнительные алгоритмы для прогнозирования производительности предприятия на основе измерений датчиков. После нескольких недель применения разработки члены команды повысили точность прогнозов производительности модели до достаточно высокого уровня – до 96 %. В ходе испытаний выявлено, что модель правильно интерпретирует данные, поступающие от датчиков комбината, и связывает их с настройками управления комбинатом. Затем команда поставила перед собой задачу использовать инструменты ИИ не только для прогнозирования производительности, но и для ее улучшения. Для того, чтобы определить, сколько меди может дать комбинат, команда разработчиков поставила цель - максимизировать производство меди по разумной цене с небольшими новыми капиталовложениями. В ходе серии итераций команда разработала, протестировала и усовершенствовала алгоритмы, которые будут рассматривать данные, генерируемые датчиками, и рекомендовать настройки управления для максимального увеличения выхода меди. 5

Разработки искусственного интеллекта в сфере медной промышленности Новые алгоритмы, известные как генетические алгоритмы, использовали принципы естественного отбора для «развития» параметров, позволяющих производить наибольшее количество меди для конкретного типа руды. Как итог, команда расширила модель прогнозирования до MVP модели оптимизации, получившей название TROI, которая была способна выдавать рекомендации каждые 12 часов, по одному разу для каждой из двух дневных смен комбината [3]. Система определила, что на шахте добывалось семь типов руд, а метод их обогащения, который подразумевал использование флотационных резервуаров, может быть улучшен за счёт регулировки уровня водородного показателя (pH). Применив новый метод на практике, Freeport-McMoRan смогла получить на 9000 тонн больше меди по итогам года, что в самой компании охарактеризовали как «выдающийся успех» [4]. 6

Технологии искусственного интеллекта в геологоразведке медных месторождений Помимо добывающего сектора, технологии на основе ИИ применяются и в геологоразведке. Они позволяют более эффективно интерпретировать данные сейсмических исследований и разведочного бурения. Это даёт возможность сократить число пробуренных скважин и научных изысканий, направленных на определение характеристик месторождений, то есть также способствует снижению расходов [5]. Процесс геологоразведки с помощью ИИ состоит из следующих этапов: Сбор данных. В качестве систем ИИ при сборе геологических данных выступают системы беспилотных летательных аппаратов (БПЛА). По словам А. Паршина, научного директора Сибирской школы наук о Земле ИрНИТУ, впервые внедрённые в 2013 г БПЛА имели высокую погрешность измерений, и были пригодны только для обнаружения аномалий. Теперь они помогают получать ранее недоступные для геологии массивы высокодетальных и точных данных, причем в любых по сложности условиях, в том числе о подземном строении земли. Хранение данных. Эволюция систем сбора геологических данных потребовала создания интеллектуальных алгоритмов хранения и управления этими данными. На данный момент актуальна задача создания web-приложений, которые будут выступать в качестве платформы с геологическими данными по единому универсальному протоколу. Приложения такого типа будут полезны аналитикам и исследователям. Обработка и анализ данных. Как отмечает генеральный директор Научно- технического центра \"Газпром нефти\" Марс Хасанов, применение ИИ-систем в предыдущих этапах работы с данными привело к постоянному увеличению объёма получаемой информации. При этом только 10% от этого объема представляется в привычном структурированном виде, как таблицы, упорядоченные базы данных и т.д. 90% информации хранится в неструктурированном виде. 7

Технологии искусственного интеллекта в геологоразведке медных месторождений Человеческих ресурсов не хватает, поэтому применение ИИ-систем в обработке и анализе геологических данных стало необходимым. По мнению И. Никулина, в этой области есть 2 задачи: − повысить оперативность обработки и анализа данных; − автоматизировать построение статистических моделей. Преимущество статистических моделей, полученных в результате машинного обучения, в их однозначности. Даже в случае нечетких данных благодаря стандартизированному виду среды машинного обучения модели будут понятны любому исследователю. Так, международные игроки рынка ИИ используют узкоспециализированные системы ИИ. Например, проект «Когнитивный геолог» - применение ИИ для интерпретации данных сейсмических исследований и разведочного бурения. Была создана самообучающаяся модель геологического объекта, в основе которой — нейронная сеть. Она позволяет обрабатывать исходную геологическую информацию и данные геологоразведки в 6 раз быстрее и на 1/3 точнее, чем это делает команда экспертов-людей. За счет этого весь цикл геологического анализа сокращается с 6 месяцев до 1-2 недель [6]. 8

Автономные самосвалы сокращают расходы на горнодобычу Крупнейшие горнодобывающие корпорации все активнее внедряют беспилотные автопарки: это повышает безопасность и эффективность при перемещении больших объемов материалов. Так, в Белоруссии продемонстрировали самосвалы-беспилотники. Машины грузоподъёмностью 130 тонн могут управляться вручную или дистанционно, а также ехать автономно по заданному маршруту благодаря GPS/ГЛОНАСС. Грузовики оснащены оптико-электронной системой, позволяющей им работать в любое время суток и при любых погодных условиях. Инженеры и конструкторы БелАЗа занимались уникальным проектом на протяжении шести лет [7]. В ноябре 2018 года автономная система транспортировки (AHS) Komatsu Front Runner достигла важной вехи - беспилотные карьерные самосвалы компании переместили более 2 млрд тонн поверхностного материала, предназначенного для превращения в медь, а также железную руду. Первые коммерческие развертывания системы Komatsu AHS происходили еще в 2008 году на медном руднике Кодрико Габриэла Мистраль (Gaby) в Чили, а также на железнорудном руднике Рио-Тинто в Австралии. С тех пор рост производства шел по экспоненте. В 2016 году была пройдена отметка в 1 млрд тонн, в конце 2017 года – 1.5 млрд тонн. Этот результат обеспечили более, чем 130 автономных грузовиков, находящихся в эксплуатации на сегодняшний день. Система Front Runner AHS работает круглосуточно, перевозя медную и железную руду, а также нефтеносные пески на семи участках на трех континентах. В ближайшие 7 лет на канадских нефтеносных песках развернут еще 175 автономных самосвалов. Соответствующий контракт был подписан Komatsu с компанией Suncor Energy, работающей на нефтеносных песках Альберты, Канада. 9

Автономные самосвалы сокращают расходы на горнодобычу К 2019 году систему FrontRunner на испытательном полигоне в Тусоне, Аризона, перевели на использование частной сети 4G/LTE. Соответствующее решение Future X предоставила компания Nokia. Подключение роботизированных грузовиков к стандартизованным 3GPP сетям связи 4G/5G может вскоре стать трендом. Komatsu не одинока в своем стремлении к автоматизации горнодобычи. В ноябре 2018 года компания Caterpillar сообщила, что ее карьерные самосвалы, оснащенные системой Cat Command, достигли рубежа в 1 млрд перевезенных тонн. Это также беспилотные самосвалы, которые самостоятельно реагируют на вызовы, перемещаются в нужное положение, перевозят породу к месту разгрузки и предоставляют необходимую телеметрию, включая отчеты, необходимые для принятия решений о необходимости техобслуживания. 10

Автономные самосвалы сокращают расходы на горнодобычу Cat Command - это набор решений, от телеуправления до полностью автономных систем самоуправления. Система позволяет автономизировать не только перевозку породы, но также, например, работу бульдозеров. Компании по всему миру, особенно, в Чили, Австралии и Канаде, переходят от парка пилотируемых грузовиков к беспилотным роботам. Водителя в них замещает локальная система самоуправления и центральный контроллер. Для навигации автопилоты используют спутниковую навигацию GPS, также она используется для определения местоположения, скорости и направления движения других транспортных средств. Внедрение автономных перевозок означает для компании прямой рост производительности, поскольку больше материала может быть перемещено эффективно и безопасно [8]. 11

Анализ медной руды Анализ медной руды – один из важнейших этапов оценки качества месторождения полезных ископаемых. Благодаря ИИ, нейронным сетям и методам машинного обучения можно получить точное прогнозирование гранулометрического состава и структурных характеристик меди без привлечения группы экспертов [9]. На сегодняшний день в рамках пилотных проектов применяется система, которая будет анализировать содержимое конвейера и определять состав руды в реальном времени. Один из вариантов применения данной системы - установление ультразвуковых либо рентгеновских датчиков для контроля состава породы на ленте. Второй вариант - комбинация видеокамер и инструментов компьютерного зрения. Процесс анализа руды состоит из следующих этапов: Установленные промышленные камеры делают фотоснимки руды, на которые в полуавтоматическом режиме наносятся разметки, для того, чтобы отличить от песка, пыли и мусора руду, которую нужно отправить на дальнейшую переработку. Затем алгоритм ИИ преобразует эти данные в числовые метрики и вычисляет площадь каждого кусочка руды, что даёт нам средние значения (соотношение площади пикселей нужных камней к площади конвейера). Точность на выходе оказалась порядка 80%, в масштабах завода и конвейерных условиях, это неплохой результат. С помощью всей этой информации алгоритм определяет процент крупности гранул руды [10]. 12

Источники 1. Как искусственный интеллект применяется в металлургии // https://gmk.center/opinion/kak-iskusstvennyj-intellekt-primenyaetsya-v- metallurgii/ 2. Барьеры применения искусственного интеллекта в промышленности и способы их устранения // https://vc.ru/offline/144773-barery-primeneniya- iskusstvennogo-intellekta-v-promyshlennosti-i-sposoby-ih-ustraneniya 3. Inside a mining company’s AI transformation // https://www.mckinsey.com/industries/metals-and-mining/how-we-help- clients/inside-a-mining-companys-ai-transformation 4. Робохроники ИИ: анатомия дипфейка, ИИ под ключ и как алгоритмы добывают медь // https://vc.ru/ml/91649-robohroniki-ii-anatomiya-dipfeyka- ii-pod-klyuch-i-kak-algoritmy-dobyvayut-med 5. Australian mine safety: создана рабочая группа по внедрению искусственного интеллекта в горном деле // https://forpost-sz.ru/a/2018- 11-15/australasian-mine-safety-journal-sozdana-rabochaya-gruppa-po- vnedreniyu-iskusstvennogo 6. Искусственный интеллект в геологоразведке // https://geo- guru.ru/chronika/iskusstvennyy-intellekt-v-geologorazvedke/ 7. Карьерный разум: БелАЗ показал самосвалы с искусственным интеллектом // https://russian.rt.com/ussr/video/569375-belorussiya-samosval- bespilotnik 8. Автономные самосвалы сокращают расходы на горнодобычу // http://robotrends.ru/pub/1911/avtonomnye-samosvaly-sokrashayut-rashody- na-gornodobychu 9. Bahram Jafrasteh, Nader Fathianpour, Alberto Suárez. Comparison of machine learning methods for copper ore grade estimation // https://www.researchgate.net/publication/326629287_Comparison_of_mac hine_learning_methods_for_copper_ore_grade_estimation_httpsrdcube3xqu 10. Машинное зрение на производстве железной руды // https://redmadrobot.ru/konsalting/ii-na-proizvodstve 13

Центр научно-технической информации при Министерстве инновационного развития Республики Узбекистан Ташкент - 2021 г.