בשנים האחרונות, בינה מלאכותית (AI) יושמה בהדרגה בשלבים שונים של עיבוד מינרלים, כגון ניתוח וזיהוי מאפייני עפרות, שליטה חכמה בהפרדת כוח הכבידה, הפרדה מגנטית, הציפה ואופטימיזציה של תהליכי ריסוק וטחינה.
בהשוואה לטכנולוגיות בקרה מסורתיות ושיטות-ממוחשבות, AI מציג יתרונות משמעותיים בפתרון בעיות מורכבות, הדמיית התנהגות אנושית והתאמה לשינויים בסביבה החיצונית. זה נחשב לנתיב בלתי נמנע לקידום תעשיית העיבוד העמוק של מינרלים-.
ניתוח וזיהוי אינטליגנטי
בניתוח וזיהוי עפרות, למידה עמוקה מצטיינת במיוחד בעיבוד תמונה. בשילוב עם אלגוריתמים כגון רשתות עצביות קונבולוציוניות (CNNs), הוא יכול לנתח ביעילות תמונות מיקרוסקופיות או נתוני סריקת עפרות. על ידי עיבוד נתונים ספקטרליים של מינרלים, רשתות עצביות יכולות לזהות באופן אוטומטי את ההרכב הכימי והמבנה של מינרלים שונים, ולבטל שלבי ניתוח ידני מייגעים.
זיהוי אוטומטי של סוגי עפרות שונים ממלא תפקיד מכריע בהערכת משאבי מינרלים ובדירוג איכות עפרות. חוקרים שילבו גם מודלים של למידה עמוקה- כדי לחלץ אוטומטית מאפייני הפצת מינרלים מתמונות מיקרוסקופיות ותמונות סורקת מיקרוסקופיה אלקטרונית (SEM), כדי לחשב את גודל השחרור של מינרלים.
הפרדת כבידה חכמה
היתרונות של הפרדת כבידה חכמה טמונים בעובדה שהציוד עצמו אינו כרוך בתוספת מגיב ובעלויות תפעול נמוכות. בקרת AI-בסיוע יכולה לשפר עוד יותר את דיוק ההפרדה ואת רמות האוטומציה, מה שהופך אותו למתאים במיוחד לחומרים בתפזורת כגון פחם, אילמניט וכרום.
עם זאת, המגבלות של הפרדת כוח הכבידה התבונית הן גם ברורות למדי. רוב המחקרים נשארים בשלב המעבדה או הפיילוט-עם חוסר חמור של אימות מקוון תעשייתי. שיטות זיהוי ממשק המבוססות על -ראייה- של מכונה מושפעות מאוד מעכירות תפוחים, כיסוי קצף ותנאי תאורה, וכתוצאה מכך יכולת הסתגלות לא מספקת. מנגנוני האינטראקציה ההידרודינמית ורב-חלקיקים בהפרדת כוח הכבידה הם מורכבים, וחיישנים קיימים אינם מסוגלים לספק מידע עשיר מספיק על מצב זמן אמת-, מה שמגביל את ממדי הקלט של מודלים מונעי- נתונים. יתר על כן, מאפייני ההפרדה משתנים מאוד בין סוגי עפרות ושברי גודל שונים, מה שמקשה על נדידת המודל.
בעתיד, הפיתוח המושכל של הפרדת הכבידה ידרוש טכניקות זיהוי מקוונות מתקדמות יותר (למשל, מהירות דופלר קולית, טומוגרפיה של התנגדות חשמלית) ושילוב תוצאות הדמיית דינמיקת נוזלים חישובית (CFD) במסגרות דוגמנות היברידיות.
הפרדה מגנטית חכמה
מחקר על הפרדה מגנטית חכמה החל מאוחר יחסית אך התפתח במהירות, בעיקר תוך התמקדות באופטימיזציה של פרמטרים תפעוליים, חיזוי ציונים מקוונים ומערכות בקרה חכמות.
היתרונות של הפרדה מגנטית חכמה כוללים: משתני הקלט של תהליך ההפרדה המגנטית מוגדרים היטב-באופן יחסי, עם אי-לינאריות נמוכה יותר מאשר ציפה, מה שמאפשר לשיטות מונעות-נתונים להשיג תוצאות משביעות רצון ביתר קלות; מכשירים קונבנציונליים (אמפרמטרים, מדי זרימה, צפיפות) מציעים דיוק גבוה ותחזוקה פשוטה, וכתוצאה מכך עלויות רכישת נתונים נמוכות; והפרדה מגנטית מסודרת לרוב בסדרות מרובות-שלבים, כך שאופטימיזציה מקומית יכולה להניב יתרונות משמעותיים.
החסרונות הם כדלקמן: עבור מינרלים מגנטיים חלשים, מאפייני המגנטיזציה והתנהגות הצבירה של חלקיקים מורכבים, ורוב המודלים הקיימים כמעט ולא משלבים גורמים מיקרוסקופיים (כגון התפלגות רגישות לחלקיקים ומגנטו הידרודינמיקה). במפרידים מגנטיים- גבוהים, המטריצה נוטה להיסתם לאחר פעולה ממושכת, מה שמוביל לירידה בשיפוע השדה המגנטי, אך חיישני הזרם מתקשים לספק אזהרות מוקדמות. כאשר מפרידים מגנטיים מרובים פועלים בתיאום, אופטימיזציה מקומית של יחידה בודדת לא בהכרח שווה אופטימיזציה גלובלית, מה שמצריך מסגרת אופטימיזציה שיתופית-רחבה במפעל. בנוסף, התנהגות ההפרדה המגנטית של שברים גסים ועדינים שונה מאוד, מה שמקשה על מודל אמפירי מאוחד לכסות את כל המקרים.
הנפה חכמה
מחקר בינה מלאכותית מתקדם ביותר בתחום הציפה, ומתרכז בעיקר בשלושה תחומים: ניתוח תמונת קצף, חיזוי ביצועי ציפה ובקרה ואופטימיזציה חכמה.
יתרונות הליבה של הציפה חכמה הם: הפחתה משמעותית של ההסתמכות על ניסיון אנושי, שיפור ההתנגדות של התהליך להפרעות, והשגת מעבר מ"הסתמכות על ניסיון לקריאת קצף" ל"רגולציה מדויקת מונעת- של נתונים". הוא מסוגל לטפל בקשרים לא ליניאריים רב-מימדיים ולחשוף דפוסים נסתרים שקשה לבני אדם לזהות. לאחר שליטה בלולאה סגורה, השונות של מדדי ביצועים מרכזיים מצטמצמת ויציבות המוצר משתפרת.
במונחים של יתרונות בפועל, מקרים מדווחים מראים שלאחר יישום AI, דרגת התרכיז יכולה לעלות ב-3-6%, ההתאוששות יכולה להשתפר ב-2-5%, וצריכת הריאגנטים יכולה לרדת ב-8-15%. עם זאת, היישום התעשייתי בקנה מידה גדול של הנפה חכמה עדיין עומד בפני אתגרים רציניים.
אופטימיזציה של תהליכים
אופטימיזציה מבוססת בינה מלאכותית של תהליכי ריסוק וטחינה כוללת: שימוש במודלים כגון יערות אקראיים, מכונות וקטור תמיכה ורשתות עצביות קונבולוציוניות לזיהוי קשיות עפרות, הערכת גודל וחלוקת גודל החלקיקים, אופטימיזציה של פעולות ריסוק, חיזוי טחינת עפרות באופן מקוון וביצוע אופטימיזציה מרובה-פרמטרים של טחינה. מאמצים אלו הופכים ריסוק וטחינה מבקרה ידנית לפעולה חכמה ושיתופית, ומשדרגים את התהליך מ"התאמה פסיבית" ל"ניבוי אקטיבי".
ביישומים מעשיים, זיהוי מקוון של גודל חלקיקי טחינה וצפיפות העיסה כבר השיג יישום תעשייתי, כאשר טכנולוגיות כגון-מדידת גודל חלקיקי עקירה-בלייזר וזיהוי ריכוזי Na-22 מקור פטור- מיושמות באופן מסחרי.