اقتصاد شیراز

بخش اول: کاربردهای هوش مصنوعی در سراسر زنجیره ارزش مس

1. اکتشاف هوشمند: از سنگ‌شناسی سنتی تا ژئوساینس چابک

اکتشاف معادن مس، پرهزینه‌ترین و زمان‌برترین مرحله در زنجیره تأمین است. به طور متوسط، ۱۰ تا ۱۶ سال از کشف یک معدن جدید تا بهره‌برداری اولیه زمان لازم است . هوش مصنوعی این بازه زمانی را به شدت کاهش داده است. فناوری‌های نوین مبتنی بر یادگیری ماشین، توانایی پردازش حجم عظیمی از داده‌های زمین‌شناسی، ژئوشیمیایی و ژئوفیزیکی را در زمانی کوتاه فراهم کرده‌اند. شرکت استرالیایی Fleet Space Technologies با استفاده از ماهواره‌ها و حسگرهای زمینی، داده‌های زیرسطحی عظیمی جمع‌آوری می‌کند که پردازش آن با مغز انسان ممکن نیست. این شرکت معتقد است "لایه زیرسطحی زمین، بزرگترین مدل بنیادین هوش مصنوعی بشر خواهد شد" و این فناوری می‌تواند زمان کشف ذخایر جدید مس را از ۵۰ سال به ۳ سال کاهش دهد .

در سطح کلان، شرکت‌هایی مانند KoBold Metals با ترکیب داده‌های زمین‌شناسی و الگوریتم‌های یادگیری ماشین، زمان و هزینه شناسایی ذخایر مس، لیتیوم و کبالت را به شدت کاهش داده‌اند . همچنین، طرح‌هایی مانند CriticalMAAS زیر نظر آژانس پروژه‌های تحقیقاتی پیشرفته دفاعی آمریکا (DARPA) با همکاری سازمان زمین‌شناسی ایالات متحده، فرآیند پردازش نقشه‌های زمین‌شناسی را از چند سال به چند روز کاهش داده و استخراج خودکار ویژگی‌های معدنی را ممکن ساخته‌اند .

2. استخراج و معدنکاری: انقلاب در ایمنی و بهره‌وری

در بخش استخراج، هوش مصنوعی تحولی شگرف در ایمنی و کارایی ایجاد کرده است. نمونه بارز این تحول در معادن چین دیده می‌شود. شرکت مس چین (China Copper) در معدن دیکینگ در ارتفاع ۳۵۰۰ متری، سامانه "سپر هوشمند AI" را برای بازرسی تسمه‌های نقاله سنگ نصب کرده است. این سامانه با دقت ۹۵ درصد اشیاء مزاحم روی تسمه را شناسایی و از پارگی‌های پرهزینه (هر حادثه تا ۳۰۰۰ یوان معادل حدود ۴۲۰ هزار دلار خسارت) جلوگیری می‌کند .

همچنین، در معدن روی-سرب لانپینگ چین، ناوگان ترکیبی شامل ۵ کامیون سنگین خودران و ۵ دستگاه سرنشین‌دار با هماهنگی سکوی ابری هوآوی، عملیات حمل مواد را به صورت ۲۴ ساعته انجام می‌دهند که سالانه ۲۳۰ هزار یوان (حدود ۳۲ هزار دلار) صرفه‌جویی هزینه به همراه داشته است . در سطح جهانی، شرکت‌های بزرگی مانند ریوتینتو و BHP از کامیون‌های خودران و سیستم‌های تعمیرات پیش‌بینی‌کننده استفاده می‌کنند که مصرف سوخت را تا ۱۵ درصد کاهش داده و ظرفیت عملیاتی را ۱۰ تا ۱۵ درصد افزایش داده است .

3. فرآوری و بهینه‌سازی: انقلاب در کارایی و بازیابی

مهمترین تأثیر هوش مصنوعی شاید در بخش فرآوری مواد معدنی باشد، جایی که افزایش حتی یک درصدی بازیابی، میلیون‌ها دلار ارزش افزوده ایجاد می‌کند.

• بهینه‌سازی فلوتاسیون: شرکت IntelliSense.io با استفاده از مدل‌های دوگانه دیجیتال (Digital Twins) مبتنی بر فیزیک و یادگیری ماشین، در یک عملیات بزرگ مس در آمریکای جنوبی با بیش از ۱۲۰ سلول فلوتاسیون، موفق به افزایش ۱ تا ۳ درصدی بازیابی مس شده است که ارزشی معادل ۵.۵ میلیون دلار در ماه دارد .

• پیش‌بینی نقطه پایانی ذوب: سامانه "Tongye Zhilian" (ذوب هوشمند مس) در شرکت مس چین، با استفاده از شبکه عصبی LM-BP، نقطه پایانی ذوب در کوره‌های دمای بالای ۱۰۰۰ درجه را با دقت ۹۵ درصد پیش‌بینی می‌کند. این سامانه که به عنوان یکی از سناریوهای راهبردی هوش مصنوعی شرکت‌های دولتی چین انتخاب شده، سالانه ۵۰۰ هزار یوان (حدود ۷۰ هزار دلار) صرفه‌جویی به همراه داشته و انتشار گوگرد دی‌اکسید را ۵۱۱ تن در سال کاهش داده است .

• بهینه‌سازی مواد اولیه (مخلوط‌خور): یکی از چالش‌های اصلی صنعت مس، بهینه‌سازی ترکیب مواد اولیه با توجه به قیمت، کیفیت و موجودی است. سامانه "Gongchan Zhipei" در شرکت مس چین، با ترکیب الگوریتم‌های بهینه‌سازی و مدل بزرگ "کون‌آن"، مسئله ترکیب مواد را که قبلاً یک روز زمان می‌برد، در حداقل چند دقیقه حل می‌کند و سالانه میلیون‌ها یوان صرفه‌جویی به همراه دارد. مصرف مواد کم‌عیار و پیچیده ۳۰۰۰ تن افزایش یافته و موجودی انبار ۱۰۶۳ تن کاهش پیدا کرده است .

4. پالایش و کنترل کیفیت: هوشمندسازی خطوط تولید

در بخش پالایش و تولید محصولات نهایی، بینایی ماشین انقلاب آفریده است. شرکت مس لویانگ در چین، سامانه "Hui Mou Zhijian" را برای بازرسی سطح ورق‌های مسی توسعه داده است. این سامانه با سرعت ۴۰۰ متر در دقیقه، عیوب سطحی را در ۰.۱ ثانیه شناسایی کرده و دقت تشخیص آن ۹۵ درصد است. این فناوری وابستگی به دانش فنی خارجی را کاهش داده و امکان ردیابی کیفیت محصولات را فراهم کرده است .

همچنین، همکاری زیمنس و شرکت متالورژی پانزدهم چین منجر به توسعه اولین عامل هوشمند (AI Agent) در صنعت ذوب مس شده است که با ترکیب مدل‌های عمودی و پردازش لبه‌ای (Edge Computing)، پایداری کیفیت مات مس (Ice Copper) را ۱۵ درصد بهبود بخشیده و نرخ پذیرش توصیه‌های آن به ۹۴ درصد رسیده است .

5. ایمنی و پایداری: کاهش ریسک و آلایندگی

سیستم‌های بینایی کل‌نگر مبتنی بر هوش مصنوعی در شرکت مس چین، با پایش ۷۷۹ نقطه و توسعه ۵۳ الگوریتم برای ۲۴۵ سناریوی پرخطر، انقلابی در ایمنی ایجاد کرده‌اند. این سیستم‌ها تخلفات را در لحظه شناسایی و هشدار می‌دهند .

از نظر زیست‌محیطی، هوش مصنوعی به کاهش مصرف انرژی و آب کمک شایانی کرده است. در معدن اسکوندیدای BHP، استفاده از هوش مصنوعی از سال ۲۰۲۲ منجر به صرفه‌جویی بیش از ۳ گیگالیتر آب و ۱۱۸ گیگاوات ساعت انرژی شده است . همچنین، سیستم‌های هوشمند IntelliSense.io در تیکنرها (ضخیم‌کننده‌ها) با هشدار ۱۵ ساعته قبل از توقف‌های ناشی از گشتاور بالا، از خسارات میلیونی جلوگیری کرده و حدود ۲۲,۰۰۰ مترمکعب آب را بازیابی کرده‌اند .

بخش دوم: فناوری‌های نوظهور و آینده هوش مصنوعی در صنعت مس

آینده صنعت مس با فناوری‌های ترکیبی گره خورده است. شرکت آمریکایی Endolith با ترکیب میکروارگانیسم‌های مهندسی‌شده و هوش مصنوعی، روشی نوین برای بازیابی مس از سنگ‌های کم‌عیار ابداع کرده است. این سامانه با پایش مستمر عملکرد میکروب‌ها توسط هوش مصنوعی، قادر به افزایش ۳۰ تا ۹۰ درصدی بازیابی مس است و مورد توجه شرکت‌های بزرگی مانند BHP و ریوتینتو قرار گرفته است .

علاوه بر این، اتحادیه صنایع فلزات غیرآهنی چین به همراه ۱۰ سازمان دیگر، ائتلاف مجموعه‌داده‌های باکیفیت را تشکیل داده‌اند تا با ایجاد اکوسیستم داده‌های باکیفیت، ارزش داده‌های صنعتی را آزاد کنند . همچنین، "مدل بزرگ کون‌آن" به عنوان اولین مدل بزرگ هوش مصنوعی در صنعت فلزات غیرآهنی چین، کل زنجیره از اکتشاف تا بازیافت را پوشش می‌دهد .

در سطح بین‌المللی، تحلیل‌گران پیش‌بینی می‌کنند که مصرف مس در مراکز داده از ۵۰۰ هزار تن در سال ۲۰۲۵ به ۱.۳ میلیون تن در سال ۲۰۲۸ خواهد رسید که نشان‌دهنده رابطه دوسویه هوش مصنوعی و مس است: هوش مصنوعی هم به افزایش بهره‌وری تولید مس کمک می‌کند و هم خود به مصرف‌کننده عمده مس تبدیل می‌شود .

بخش سوم: جایگاه ایران در انقلاب هوش مصنوعی صنعت مس

ایران با ذخایر غنی مس و قرارگیری بر کمربند جهانی مس، پتانسیل بالایی برای بهره‌گیری از این فناوری‌ها دارد. تحقیقات علمی در این زمینه آغاز شده است. یک مطالعه بر روی کمربند کرمان در ایران با استفاده از پنج الگوریتم یادگیری ماشین (MLP، RBF، GRNN، SVM و RF) برای شناسایی مناطق پرپتانسیل مس پورفیری انجام شده است. نتایج این تحقیق نشان داد که با استفاده از هوش مصنوعی می‌توان مناطقی به وسعت ۱۰ درصد از محدوده مطالعه را شناسایی کرد که حدود ۸۹ درصد ذخایر شناخته شده را در خود جای داده‌اند . این دستاورد علمی نشان می‌دهد که دانش فنی هوش مصنوعی در ایران وجود دارد.

با این حال، چالش‌های جدی پیش روی صنعت مس ایران در مسیر تحول دیجیتال وجود دارد:

چالش‌ها:

• عدم وجود داده‌های ساختاریافته: مدل‌های هوش مصنوعی به داده‌های باکیفیت و حجیم نیاز دارند. نبود سیستم‌های یکپارچه جمع‌آوری داده در معادن و کارخانه‌های فرآوری ایران، بزرگترین مانع است.

• تحریم‌ها و محدودیت دسترسی به فناوری: دسترسی به پلتفرم‌های ابری پیشرفته، سنسورهای هوشمند و سیستم‌های کنترلی مدرن با محدودیت مواجه است.

• شکاف سرمایه انسانی: اگرچه پژوهش‌های دانشگاهی در زمینه یادگیری ماشین و زمین‌شناسی وجود دارد، کمبود نیروی متخصصی که هم دانش زمین‌شناسی و متالورژی و هم تسلط کافی بر هوش مصنوعی داشته باشد، محسوس است.

فرصت‌ها:

• ظرفیت علمی موجود: وجود مقالات علمی باکیفیت در زمینه اکتشافات مبتنی بر یادگیری ماشین نشان می‌دهد که هسته‌های تحقیقاتی توانمندی در کشور فعال هستند که می‌توانند پایه تحول دیجیتال باشند.

• نیاز مبرم به افزایش بهره‌وری: با توجه به محدودیت‌های سرمایه‌گذاری و فرسودگی تجهیزات، بهینه‌سازی فرآیندهای موجود با هزینه کمتر (که هوش مصنوعی وعده می‌دهد) یک فرصت طلایی است.

• پتانسیل صادرات خدمات فنی-مهندسی: در صورت موفقیت در پیاده‌سازی این فناوری‌ها، ایران می‌تواند در منطقه به قطب ارائه خدمات هوشمندسازی معادن تبدیل شود.

نتیجه‌گیری و چشم‌انداز

انقلاب هوش مصنوعی در صنعت مس دیگر یک رویا نیست، بلکه در حال وقوع است و نتایج عینی و قابل اندازه‌گیری به همراه داشته است: افزایش بازیابی ۱ تا ۳ درصدی، دقت پیش‌بینی ۹۵ درصدی، کاهش زمان تصمیم‌گیری از روز به دقیقه، و صرفه‌جویی میلیون‌دلاری. کشورهای پیشرو با سرمایه‌گذاری در مدل‌های بزرگ اختصاصی (مانند "کون‌آن" در چین) و ایجاد ائتلاف‌های داده‌ای، در حال خلق مزیت رقابتی غیرقابل جبران هستند.

برای ایران، پنجره فرصت still باز است، اما محدود. مسیر پیشنهادی عبارت است از:

1. ایجاد پایلوت‌های عملیاتی: شروع با پروژه‌های کوچک و مشخص مانند بهینه‌سازی یک خط فلوتاسیون یا بازرسی هوشمند تسمه‌های نقاله در یک معدن خاص برای اثبات کارایی و کسب تجربه.

2. تشکیل کنسرسیوم داده‌ای: ایجاد ائتلاف بین شرکت‌های بزرگ مس (ملی مس، مس باهنر)، دانشگاه‌های برتر و شرکت‌های دانش‌بنیان برای استانداردسازی، جمع‌آوری و اشتراک داده‌های صنعتی (با حفظ ملاحظات محرمانگی).

3. توسعه سرمایه انسانی دوگانه: راه‌اندازی دوره‌های مشترک بین دانشکده‌های مهندسی معدن و کامپیوتر برای تربیت نیروهای مسلط به هر دو حوزه.

4. الگوسازی از تجارب موفق: بهره‌گیری از تجارب کشورهای پیشرو در شرایط تحریمی مشابه (مانند تجربه چین در توسعه بومی پلتفرم‌های هوش مصنوعی) و تطبیق آن با شرایط ایران.

در نهایت، هوش مصنوعی می‌تواند صنعت مس ایران را از وضعیت سنتی و پرهزینه فعلی به یک صنعت مدرن، بهره‌ور و رقابت‌پذیر در سطح جهانی تبدیل کند، اما این مهم نیازمند عزم ملی، سرمایه‌گذاری هوشمندانه و مدیریت تحول است.