La Inteligencia Artificial está haciendo olas al interrumpir casi todos los aspectos de nuestras vidas, negocios e industria, y la minería no es la excepción.
El término AI se acuñó por primera vez en la década de 1950 como»la capacidad de una máquina para imitar el comportamiento humano inteligente», pero desde entonces su capacidad ha avanzado tan rápido que las máquinas ahora pueden superar fácilmente el rendimiento humano.
La familia más común de técnicas utilizadas para la AI es el Machine Learning, que a menudo se utiliza para ayudar a los humanos o para automatizar completamente las tareas repetitivas.
Por ejemplo, Caterpillar integra inteligencia artificial para apoyar la visión artificial en camiones de acarreo, lo que mejora la seguridad al identificar obstáculos automáticamente y aumenta la productividad al respaldar las operaciones autónomas.
El proceso de entrenamiento de un camión para identificar objetos en imágenes requiere miles de imágenes etiquetadas que se utilizan para ajustar la AI, que en este caso se basa en un algoritmo de aprendizaje profundo. Este algoritmo de aprendizaje profundo imita al cerebro humano para identificar objetos en función de su experiencia.
Newcrest Mining ha integrado AI para ayudar a la operación de una planta de flotación de procesamiento de minerales al proporcionar información en tiempo real sobre la eficiencia de la planta y la aparición de fallas.
Esta información se genera utilizando un modelo, que en algunos casos se conoce como gemelo digital, de la planta.
Aquí, las mejoras de productividad se logran a medida que la AI procesa grandes cantidades de datos y los compara con un buen desempeño pasado, alertando a los operadores cuando ocurre una divergencia.
En tiempo real, el modelo proporciona información sobre el comportamiento del equipo que es difícil de identificar e interpretar para los humanos. Esta intervención a tiempo permite a los operadores manejar operaciones complejas de la planta durante largos turnos en entornos a veces hostiles.
La integración de la inteligencia artificial puede proporcionar un cambio radical en el rendimiento operativo, por lo que las empresas quieren entender cómo pueden comenzar.
Para comenzar y obtener soporte comercial, es importante elegir un problema que ofrezca un gran valor de producción si se puede automatizar total o parcialmente.
Una consideración secundaria es garantizar que los datos de producción estén disponibles, ya que esto permitirá que el proyecto gane impulso rápidamente. Ejemplos de datos de producción podrían ser sistemas de monitoreo de cámaras existentes o datos de plantas de producción existentes.
Por último, asegúrese de tener disponible una plataforma de implementación confiable y de confianza integrada con los sistemas de producción existentes. La mayoría de los proyectos de AI fracasan en esta etapa final ya que no son confiables y no pueden integrarse en un entorno de producción.
MATLAB proporciona una plataforma de desarrollo de AI que respalda el proyecto desde el concepto hasta la implementación de producción:
MATLAB admite todo el flujo de trabajo de AI para proyectos mineros, desde el concepto hasta la producción, con una implementación multiplataforma dirigida a hardware integrado, hardware OT, sistemas de TI empresariales y la nube.
Limpieza y exploración de datos: la calidad de los datos es un desafío recurrente en la minería. En el caso de Newcrest Mining, los aportes de los metalúrgicos y operadores proporcionaron contribuciones valiosas en la tarea de separar los problemas de datos de las anomalías reales de la planta.
Este dominio, o primeros principios, conocimiento se aprovechó en la creación de características derivadas o diseñadas a partir de los datos sin procesar. Con Caterpillar, el desafío era la recolección y el etiquetado de grandes cantidades de imágenes.
Desarrollo del modelo: al construir un modelo, puede ser difícil identificar la estructura correcta del modelo.
MATLAB admite flujos de trabajo de alto nivel para evaluar y optimizar los numerosos tipos diferentes de modelos que admiten usuarios nuevos y experimentados. Típicamente, el proceso de minería puede describirse parcialmente por los primeros principios y esto combinado con el Machine Learning produce excelentes resultados.
En el caso de Newcrest, los expertos en dominios ayudaron a identificar la estructura de la planta y el flujo del proceso. Este conocimiento se utilizó para representar la planta más grande como una serie de modelos más pequeños. El flujo de trabajo de alto nivel agilizó la creación y evaluación de muchos modelos candidatos para cada proceso de unidad.
Implementación de producción: los requisitos de implementación varían mucho para cada aplicación. MATLAB proporciona una implementación multiplataforma flexible que puede apuntar tanto a entornos de producción IT / OT como al hardware de la máquina mediante la generación de C / C ++ independiente, texto estructurado y código CUDA.
Newcrest implementó los modelos en el entorno de TI que interconectó los datos de la planta a través de los historiadores de la planta. En este caso, la facilidad de implementación y actualización del modelo fueron requisitos importantes.
Por otro lado, Caterpillar apunta a hardware integrado de alta potencia que se ejecuta en el camión de transporte utilizando tecnología de generación de código. En este caso, la velocidad, la pequeña huella de memoria y los requisitos de fiabilidad eran imprescindibles.
La inteligencia artificial y su capacidad para ayudar en la automatización de tareas ofrecen grandes beneficios a la industria minera. Estos beneficios vienen en forma de mayor seguridad y rendimiento operativo mejorado.
Para integrar con éxito la AI en los procesos de producción, es importante comprender los requisitos de integración e integridad de la producción desde el comienzo del proyecto.
Para reducir aún más el riesgo del proyecto, es importante consultar a expertos en la materia y asociarse con proveedores experimentados.
