Σήμερα βρισκόμαστε στην αρχή μιας νέας τεχνολογικής επανάστασης (industry 4.0), η οποία δεν χαρακτηρίζεται από την ανάπτυξη μίας μόνο τεχνολογίας, αλλά από την απρόσκοπτη ενοποίηση ενός αριθμού συστημάτων, εργαλείων και καινοτομιών που είναι σε θέση να καταγράψουν να αναλύσουν να κατανοήσουν και τελικά να οδηγήσουν στη βελτιστοποίηση των χαρακτηριστικών της παραγωγής. Η εφαρμογή της μηχανικής μάθησης στον τομέα της μεταλλευτικής βιομηχανίας προσφέρει τεράστιες δυνατότητες βελτίωσης της απόδοσης και της αποτελεσματικότητας. Ωστόσο, αντιμετωπίζονται πολυάριθμες προκλήσεις, όπως η ανάγκη για αξιόπιστα και εκτενή δεδομένα, η ανάπτυξη νέων μεθόδων επεξεργασίας δεδομένων και η απαίτηση για την ορθή κρίση του μηχανικού κατά την ερμηνεία των αποτελεσμάτων. Με σωστή προσέγγιση, η μηχανική μάθηση μπορεί να αποτελέσει ισχυρό εργαλείο για τη βελτίωση των διαδικασιών και την ανάπτυξη της βιομηχανίας, παρέχοντας ταυτόχρονα λύσεις σε σημαντικά προβλήματα της μεταλλείας.
Του Καθηγητή Ανδρέα Μπενάρδου, Σχολή Μεταλλειολόγων – Μεταλλουργών Μηχανικών ΕΜΠ
Η καινοτομία αποτελεί αναπόσπαστο μέρος της εξορυκτικής βιομηχανίας, η οποία ενσωμάτωνε πάντα τις πλέον πρωτοποριακές εξελίξεις της επιστήμης και τις εφαρμογές της. Από την καινοτομία στην αποθήκευση και επαναχρησιμοποίησης του νερού στα πλυντήρια εμπλουτισμού του – άνυδρου – αρχαίου Λαυρίου, στην πρώτη εμπορική χρήση της ατμομηχανής στα υπόγεια ανθρακωρυχεία της Μεγ. Βρεταννία για την απάντληση υδάτων το 1700, στην ανάπτυξη της δυναμίτιδας από τον Νομπέλ το 1800, στην χρήση των πρώτων Η/Υ για μεταλλευτική έρευνα στις αρχές της δεκαετίας του 1980, η βιομηχανία μας ήταν πάντα εκεί για να δοκιμάσει, να σχεδιάσει αλλά και να επωφεληθεί από τις δυνατότητες που προσφέρουν τα νέα τεχνολογικά «εργαλεία».
Σήμερα βρισκόμαστε στην αρχή μιας νέας τεχνολογικής επανάστασης (industry 4.0), η οποία δεν χαρακτηρίζεται από την ανάπτυξη μίας μόνο τεχνολογίας, αλλά από την απρόσκοπτη ενοποίηση ενός αριθμού συστημάτων, εργαλείων και καινοτομιών που είναι σε θέση να καταγράψουν να αναλύσουν να κατανοήσουν και τελικά να οδηγήσουν στη βελτιστοποίηση των χαρακτηριστικών της παραγωγής. Αυτή η ψηφιακή μετασχηματιστική διαδικασία αναδιαμορφώνει όχι μόνο τον τρόπο με τον οποίο εργαζόμαστε, αλλά και την ίδια την ουσία της παραγωγικής διαδικασίας.
Η Μηχανική Μάθηση αποτελεί το κομβικό σημείο της όλης διαδικασίας, προσφέροντας ακριβώς τη σύνθεση της πληροφορίας (data fusion), δηλαδή την ενσωμάτωση όλων των δεδομένων από τις διαφορετικές πηγές για να δημιουργεί αυτόνομες δομές ανάλυσης, κατανόησης και πρόβλεψης του ζητούμενου αποτελέσματος. Στην περίπτωση της μεταλλευτικής και της μεταλλουργίας οι νέες εξελίξεις μπορούν να προσφέρουν:
- Εισαγωγή αυτοματοποίησης και ρομποτικής. Με την εφαρμογή αυτοματοποίησης διεργασιών, αυτόνομων ή μη ρομποτικών συστημάτων, γίνεται δυνατή η βελτίωση της αποδοτικότητας, της παραγωγικότητας αλλά και της ασφάλειας, μειώνοντας την ανθρώπινη παρουσία μόνο στις πλέον απαραίτητες διεργασίες. Ο συγκεκριμένος τομέας είναι σήμερα ο πλέον διαδεδομένος σε μεταλλευτικές εργασίες εξόρυξης και ίσως αυτός με την μεγαλύτερη πρόοδο την επόμενη περίοδο.
- Διαδίκτυο των πραγμάτων (internet of things – IoT) και δεδομένα: Οι αλγόριθμοι μηχανικής μάθησης μπορούν να χρησιμοποιηθούν για τη εγκαθίδρυση ενός πλήρως ελεγχόμενου περιβάλλοντος εργασίας, μεταδίδοντας σε πραγματικό χρόνο στοιχεία λειτουργίας του εξοπλισμού, της κατάστασης, χρησιμοποίησης και παραγωγικότητάς του, τις συνθήκες που επικρατούν στο μεταλλείο σε πραγματικό χρόνο (π.χ. συνθηκών ευστάθειας, αερισμού, κ.α.). Τα δεδομένα αυτά μπορούν να αναλυθούν για τη βελτιστοποίηση των διαδικασιών, την πρόβλεψη των αναγκών συντήρησης και τη βελτίωση της συνολικής επιχειρησιακής απόδοσης της εκμετάλλευσης.
- Βελτιστοποίηση στην έρευνα εντοπισμού κοιτασμάτων. Σε αντίθεση με τις παραδοσιακές μεθόδους έρευνας που απαιτούν σημαντικούς πόρους αλλά και χρόνο, η ανάλυση ιστορικών στοιχείων έρευνας, γεωλογικών, λιθολογικών και λοιπών χωρικών δεδομένων και συσχετίσεων μπορεί να προσφέρει συγκεκριμένες στοχεύσεις περιοχών, αυξάνοντας τις πιθανότητες επιτυχούς εντοπισμού. Μειώνει το κόστος έρευνας, τις δεσμεύσεις πόρων αλλά και ταυτόχρονα το περιβαλλοντικό αποτύπωμα των εργασιών έρευνας.
- Βελτίωση της απόληψης και εκμετάλλευση «πτωχών» κοιτασμάτων. Η πλήρης γνώση και μοντελοποίηση του κοιτάσματος μέσω ψηφιακών διδύμων (digital twins), δημιουργώντας ένα δυναμικά διαμορφούμενο σύστημα είναι σε θέση να οδηγήσει στο βέλτιστο σχεδιασμό των έργων εκμετάλλευσης, εφαρμόζοντας στοχευμένες λύσεις υψηλής ακριβείας. Αυτό επιτρέπει την μεγιστοποίηση της απόληψης, μειώνοντας περιττά έργα, την αύξηση της εκλεκτικής εκμετάλλευσης και την μείωση του κόστους εμπλουτισμού.
- Ελαχιστοποίηση Περιβαλλοντικού Αποτυπώματος: Η ανάπτυξη έξυπνων και στοχευμένων λύσεων με την μείωση των περιοχών παρέμβασης ή τη μείωση των απαιτούμενων έργων στα απαραίτητα στην περίπτωση της εκμετάλλευσης κοιτασμάτων, αλλά και η ανάπτυξη ψηφιακών διδύμων ή αλγορίθμων μηχανικής μάθησης για την αυτόματη ρύθμισης των παραμέτρων των μεταλλουργικών διεργασιών, μειώνουν τις ενεργειακές ανάγκες και το συνολικό περιβαλλοντικό αποτύπωμα της εκμετάλλευσης.
- Εικονική και επαυξημένη πραγματικότητα (VR/AR): Οι τεχνολογίες VR και AR μπορούν να χρησιμοποιηθούν για εκπαίδευση, προσομοίωση και εξ αποστάσεως βοήθεια σε εξορυκτικές εργασίες. Επιτρέπουν στους εργαζόμενους να απεικονίζουν πολύπλοκα περιβάλλοντα εξόρυξης, να σχεδιάζουν αποτελεσματικότερα τις εργασίες και να επιλύουν προβλήματα σε πραγματικό χρόνο.
- Τεχνολογία blockchain. Η εφαρμογή της τεχνολογίας blockchain μπορεί να βελτιώσει τη διαφάνεια και την ιχνηλασιμότητα στην αλυσίδα εφοδιασμού, διασφαλίζοντας την ηθική προμήθεια ορυκτών και μετάλλων. Μπορεί επίσης να βελτιώσει τις συναλλαγές, τα συμβόλαια και τις πληρωμές μεταξύ των εταιρειών εξόρυξης, των προμηθευτών και των πελατών.
Οι παραπάνω δυνατότητες είναι κάποιες μόνο από αυτές που ανοίγονται στην μεταλλευτική βιομηχανία, φέρνοντας μια ανατρεπτική καινοτομία (disruptive innovation) με σημαντικότατες νέες δυνατότητες. Συνοδεύονται όμως παράλληλα από υψηλές προκλήσεις και κυριότερα από κρίσιμες προϋποθέσεις που απαιτούνται, ώστε να επιτευχθεί η επιτυχής υλοποίησή τους.
Το πρώτο και βασικότερο είναι η κατανόηση ότι η εφαρμογή των εργαλείων Μηχανικής Μάθησης δεν αφορά αποκλειστικά σε υλοποιήσεις έργων λογισμικού που δίνουν εύκολες και γρήγορες λύσεις, απλά με το πάτημα ενός κουμπιού. Αντιθέτως, απαιτείται ένα κρίσιμο πρώτο βήμα που αφορά στη συλλογή ενός μεγάλου όγκου, σαφώς ορισμένων και στοιχειοθετημένων, δεδομένων τα οποία είναι σε θέση να αναλύσουν τη συμπεριφορά του φαινομένου / διεργασίας που αξιολογείται. Κάτι τέτοιο απαιτεί εργασίες πεδίου σημαντικής κλίμακας, που θα επιτρέψουν την συγκέντρωση μεγάλου όγκου δεδομένων, τα οποία θα χρησιμοποιηθούν για την κατάλληλη εκπαίδευση του μοντέλου. Κυριότερα όμως, σε περιπτώσεις που μοντελοποιούνται πολύπλοκα φαινόμενα απαιτείται η επεξεργασία τους, η ανάπτυξη νέων δεικτών ή χαρακτηριστικών, βασισμένων στα πρωτογενή δεδομένα, τα οποία μπορούν να αποτυπώσουν καλύτερα τις πτυχές τους. Αυτή η υλοποίηση και μηχανική χαρακτηριστικών (feature engineering) απαιτεί μια βαθιά γνώση του μοντελοποιούμενου φαινομένου, κάτι που δεν μπορεί να γίνει από τον μηχανικό λογισμικού, αλλά από τους ανθρώπους με εμπειρία και βαθιά γνώση του φαινομένου.
Το δεύτερο σημείο αφορά στη σωστή ερμηνεία των αποτελεσμάτων της μηχανικής μάθησης. Προφανώς αυτό είναι ζωτικής σημασίας για την αξιολόγηση και την εφαρμογή των μοντέλων. Η μηχανική μάθηση μπορεί να παρέχει πολύτιμες προβλέψεις και λύσεις, αλλά αυτές θα πρέπει να αξιολογούνται και να μην υιοθετούνται άκριτα γιατί «προήλθαν από το μοντέλο». Η ερμηνεία των αποτελεσμάτων απαιτεί την «κρίση του μηχανικού» (engineering judgment, Human-in-the-Loop) η οποία περιλαμβάνει την κατανόηση των αποτελεσμάτων, των περιορισμών που υφίστανται, καθώς και την αξιολόγηση των πιθανών επιπτώσεων στην πράξη. Αξιολογείται έτσι η αξιοπιστία και η εφαρμοσιμότητα των αποτελεσμάτων, διασφαλίζοντας έτσι ότι η μηχανική μάθηση συμβάλλει στην καλύτερη λήψη αποφάσεων και στην επίλυση πραγματικών προβλημάτων.
Συνοψίζοντας, η εφαρμογή της μηχανικής μάθησης στον τομέα της μεταλλευτικής βιομηχανίας προσφέρει τεράστιες δυνατότητες βελτίωσης της απόδοσης και της αποτελεσματικότητας. Ωστόσο, αντιμετωπίζονται πολυάριθμες προκλήσεις, όπως η ανάγκη για αξιόπιστα και εκτενή δεδομένα, η ανάπτυξη νέων μεθόδων επεξεργασίας δεδομένων και η απαίτηση για την ορθή κρίση του μηχανικού κατά την ερμηνεία των αποτελεσμάτων. Με σωστή προσέγγιση, η μηχανική μάθηση μπορεί να αποτελέσει ισχυρό εργαλείο για τη βελτίωση των διαδικασιών και την ανάπτυξη της βιομηχανίας, παρέχοντας ταυτόχρονα λύσεις σε σημαντικά προβλήματα της μεταλλείας.
[Πηγή: SME newsletter]