شرکت‌های معدن و فلزات نیز از این قاعده مستثنی نیستند و باید علاوه بر ایجاد توسعه‌‌‌های جدید برای مقابله با کمبودهای تامین، تلاش ‌‌‌کنند تا ارزش بیشتری از دارایی‌‌‌های موجود استخراج کنند. افزایش کارآیی عملیاتی و بهبود بهره‌‌‌وری، دو راهکار کلیدی برای حل این مشکل است.

این موضوعات از قبل در ذهن شرکت‌های معدنی وجود داشته است؛ چرا که سال‌هاست با کاهش عیار معادن و افزایش هزینه‌‌‌های عملیاتی روبه‌‌‌رو بوده‌‌‌اند.
در سال ۲۰۲۲، ۴۰شرکت معدنی برتر دنیا، حدود ۶۷۰میلیارد دلار صرف هزینه‌‌‌های عملیاتی خود کرده‌‌‌اند که نسبت به سال قبل ۵.۵‌درصد افزایش داشته است. امروزه، بینش‌‌‌های مبتنی بر داده و فناوری‌‌‌های دیجیتال، شرکت‌ها را قادر می‌‌‌سازد تا در عین رعایت الزامات عرضه، بین منافع پیچیده و گاهی متضاد تعادل برقرار کنند.

ترکیبی از فناوری‌‌‌های عملیاتی (OT)، مدل‌‌‌سازی پیشرفته و ابزارهای تحلیلی، انقلابی در تصمیم‌گیری و تغییر رویکرد در عملکردهای طولانی‌‌‌مدت، مانند برنامه‌‌‌ریزی و تعمیر و نگهداری معدن ایجاد می‌کند و درعین‌‌‌حال معیارهای عملیاتی را بهبود می‌‌‌بخشد.

ساخت پایگاه ‌‌‌داده قوی
از آنجا ‌‌‌که شرکت‌های معدنی دستگاه‌‌‌ها، برنامه‌‌‌ها و ماشین‌‌‌های بیشتری را خودکار، برق‌‌‌رسانی و متصل می‌کنند، داده‌‌‌ها در زنجیره ارزش افزایش می‌‌‌یابد. به‌‌‌عنوان ‌‌‌مثال، در سال ۲۰۱۸، عملیات استخراج سنگ‌آهن ریوتینتو که در آن زمان شامل ۱۶معدن، ۱۵۰۰کیلومتر راه‌آهن و سه‌بندر بود، در هر دقیقه ۲.۴ترابایت داده از تجهیزات و سنسورهای متحرک ایجاد می‌کرد.

این رقم احتمالا امروز بسیار بیشتر خواهد بود. با این حال، به‌رغم اینکه شرکت‌های معدنی دارای داده‌‌‌های فراوانی هستند، بیشتر آنها به‌درستی جمع‌‌‌آوری، زمینه‌‌‌سازی، پیش‌پردازش، ذخیره یا تجزیه و تحلیل نمی‌‌‌شوند، بنابراین همیشه نمی‌‌‌توان به طور قابل اعتماد در تصمیم‌گیری از آنها استفاده کرد.

یکی از حوزه‌‌‌های پایه‌‌‌ای که شرکت‌ها باید به آن توجه کنند، حوزه داده‌‌‌های اصلی دارایی و متاداده‌‌‌های سازمانی یا به عبارتی سیستم مدیریت منابع سازمانی (ERP) یا مدیریت دارایی سازمانی (EAM) آنهاست.

ساختارهای شیءگرا (سلسله‌‌‌مراتب تجهیزات) و کدهای خرابی بسیار حیاتی هستند تا اطمینان حاصل شود که خرابی‌ها به‌‌‌درستی ثبت می‌‌‌شوند و باعث می‌شود تا مجموعه‌‌‌داده قابل‌‌‌اطمینانی برای پردازش و تجزیه‌‌‌وتحلیل در اختیار مهندسان قرار گیرد.

بیشتر برنامه‌‌‌های بهینه‌‌‌سازی عملیاتی در معدن برای انجام بهره‌‌‌وری‌‌‌های تدریجی و بهبودهای ایمنی و/یا کاهش هزینه در برخی فرآیندها و عملکردها تمرکز داشته‌‌‌اند. بااین‌‌‌حال، با وجود‌ پایگاه‌‌‌داده قوی، معادن می‌‌‌توانند از رویکرد پیشرفته و یکپارچه‌ای برای مدیریت نیازها و محدودیت‌های گسترده‌‌‌ای که امروزه با آنها روبه‌‌‌رو هستند، استفاده کنند.

به‌‌‌عنوان‌‌‌مثال در خط تولید کنسانتره، عملکرد خط به طور سنتی توسط بازیابی اندازه‌‌‌گیری شده است که اصولا توسط ظرفیت ورودی محدود می‌شود. بااین‌‌‌حال، در آینده، نیاز به گزارش‌‌‌دادن اثر کربن هر خط تولید و تعادل آن با اندازه‌‌‌گیری‌‌‌های سنتی بهره‌‌‌وری و سوددهی می‌‌‌تواند به اولویت‌‌‌های متضاد در ارتقای عملکرد خطوط تولید منجر شود.

با بهره‌‌‌گیری از تکنولوژی‌‌‌های عملیاتی برای جمع‌‌‌آوری اطلاعات مربوط به دارایی‌‌‌های فیزیکی -مانند کارخانه، کامیون یا کوره- و سازماندهی این داده‌‌‌ها، شرکت‌ها می‌‌‌توانند این دارایی‌‌‌ها را به همراه ورودی‌‌‌ها و خروجی‌‌‌هایشان در دنیای دیجیتال بازسازی کنند (به‌‌‌عبارت‌‌‌دیگر، یک «دوقلوی دیجیتال»). این ام این امکان را فراهم می‌کند که دارایی‌‌‌ها، فرآیندها و سیستم‌های اطراف آنها را مشاهده و شبیه‌‌‌سازی کرده و پیش‌بینی بهتری از عملکرد و شکست‌‌‌های ممکن در آینده داشته باشیم.

به طور فزاینده، از شبیه‌‌‌سازی با ابزارهای بهینه‌‌‌سازی ریاضی استفاده می‌شود تا بهترین راه‌‌‌حل ممکن برای یک مساله با توجه به اهداف و محدودیت‌های عملیاتی کسب‌وکار پیدا شود. به‌‌‌عنوان‌‌‌مثال، شرکت تخصصی داده PETRA در استرالیا، به‌‌‌تازگی به یک عملیات مس آهن در غرب استرالیا کمک کرد تا با بهینه‌‌‌سازی فاز حفاری و انفجار، بهبود ۵.۵درصدی را در ظرفیت کارخانه به دست آورد.

از داده‌‌‌های مختلف برای ایجاد دوقلوی دیجیتال استفاده شد تا زمان خرابی‌‌‌های سنگ‌‌‌شکن با توجه به مدل زمین‌‌‌شناسی و طراحی آتشباری هماهنگ شود. این برنامه به برآورد سود مالی سالانه بیش از ۴۵۰میلیون دلار استرالیا (تقریبا ۲۸۵میلیون دلار آمریکا) منجر شد.

چابکی از طریق تصمیم‌گیری خودکار
شبیه‌‌‌سازی و بهینه‌‌‌سازی می‌‌‌توانند به طور استراتژیک، تاکتیکی و عملی برای تعیین اینکه کدام سرمایه‌گذاری، سناریو یا فرآیند احتمالا بیشترین ارزش را در طول زمان‌‌‌های مختلف ارائه می‌دهد، استفاده شوند.

پیشرفت‌‌‌های کنونی در بسته‌‌‌های نرم‌‌‌افزاری و ظرفیت پردازش کامپیوتری به این معناست که شبیه‌‌‌سازی‌‌‌هایی که قبلا روزها یا هفته‌‌‌ها طول می‌‌‌کشیدند، اکنون می‌‌‌توانند در عرض چند دقیقه به اتمام برسند. یکی دیگر از این کاربردها، تصمیم‌گیری خودکار است؛ به‌‌‌عنوان‌‌‌مثال در عملیاتی مانند برنامه‌‌‌ریزی معدن.

این مفهوم هنوز در صنایع معدنی نسبتا تازه است؛ اما در نهایت می‌‌‌تواند به عملیاتی چابک‌‌‌تر و تطبیق‌‌‌پذیرتر منجر شود. یکی از حوزه‌‌‌های دیگری که تصمیم‌گیری خودکار ممکن است مفید باشد، تعمیرات و نگهداری پیشگیرانه تجهیزات است. این تکنولوژی اولویت بسیاری از شرکت‌های معدنی پیشگام در حال حاضر است.

نظرسنجی انجام‌شده توسط GlobalData در سال ۲۰۲۳ نشان داد که ۶۸درصد معادن سرمایه‌گذاری‌‌‌های متوسطی را برای نگهداری پیشگیرانه ماشین‌‌‌آلات انجام داده بودند، ۴۰درصد از آنها انتظار داشتند که در طول دوسال آینده برای اولین‌‌‌بار یا بیشتر در این فناوری سرمایه‌گذاری کنند. هزینه‌‌‌های نگهداری معمولا یک تا ۳درصد از کل درآمد سالانه شرکت‌های معدنی را تشکیل می‌دهد، بنابراین حتی صرفه‌‌‌جویی کوچک در این زمینه می‌‌‌تواند صرفه‌‌‌جویی قابل‌‌‌توجهی در سود نهایی را به همراه داشته باشد.
چالش بسیاری از شرکت‌ها در زمینه بهینه‌‌‌سازی روش‌های نگهداری ماشین‌‌‌آلات است؛ چرا که می‌‌‌خواهند علاوه بر افزایش زمان بهره‌‌‌وری، هزینه‌‌‌های عملیاتی را کاهش دهند. استفاده از تصمیم‌گیری خودکار با توجه ‌‌‌به ذهنیت مهندسی سنتی و ذات آماری آن، نیاز به تغییر فرهنگی خواهد داشت. بااین‌‌‌حال، با گذر زمان این روش نتایج مثبتی را برای صنایع معدنی به ارمغان خواهد آورد.

انتقال از نگهداری واکنشی به پیشگیرانه
شرکت تاتا استیل که سفر تبدیل دیجیتال خود را در سال ۲۰۱۶ آغاز کرد، به سمتی قدم برمی‌دارد که رویکرد نگهداری خود را یک‌گام جلوتر ببرد. این شرکت برای تمامی فرآیندهای حیاتی و پیچیده خود، از جمله معادن، کارخانه‌‌‌ها و کوره‌‌‌های آهنگری دوقلوی دیجیتال ایجاد می‌کند.

نگهداری پیشگیرانه یک راهبرد نگهداری دارایی است که از یادگیری ماشین برای تنظیم شرایط عملیاتی در جهت کسب نتایج مطلوب و همچنین برنامه‌‌‌ریزی و زمان‌بندی هوشمند نگهداری دارایی استفاده می‌کند.

این یک گام پیشتاز از نگهداری پیش‌بینی‌شده و نشان‌‌‌دهنده تغییر از مدیریت عملکرد دارایی واکنشی به پیشگیرانه است. اگر معادن بتوانند داده‌‌‌های خود را در زمینه محتوا استانداردسازی کنند، احتمالا فرصت‌‌‌های بیشتری برای مقابله با افزایش هزینه‌‌‌های عملیاتی از طریق کاهش هزینه‌‌‌ها و قطعات نگهداری وجود خواهد داشت و می‌‌‌توانند انتظار داشته باشند که عملکرد ایمنی و پایداری عملیاتی بیشتری ارائه دهند.

از مثال‌‌‌های دیگر می‌‌‌توان به شرکت Aspen Mtell اشاره کرد که توانسته است با ایجاد سیستمی خرابی پمپ‌‌‌ها را ۴۰روز زودتر گزارش کند. آنچه در این مقاله سعی شد بر آن تاکید شود، استراتژی‌‌‌های اتخاذ تصمیمات هوشمند و خودکار بوده که روزبه‌‌‌روز در صنعت معدن جای خالی چنین تکنولوژی‌‌‌ای احساس می‌شود. اما برای رسیدن به این سطح از تکنولوژی تولید، ذخیره‌‌‌سازی و پردازش داده‌‌‌های قابل اطمینان بسیار حائز اهمیت و پیش‌شرط اساسی این تکنولوژی است.
محمد فهیمی‌نیا/ پژوهشگر هوش مصنوعی و هوشمندسازی معادن
امید اصغری/ دانشیار دانشکده مهندسی معدن دانشگاه تهران
منبع: دنیای اقتصاد