Todos nós já ouvimos falar de como o aprendizado de máquina está revolucionando diferentes setores. Essa tecnologia apresenta oportunidades reais. Mas, com muita frequência, as manchetes da mídia e as apresentações de vendas fazem reivindicações vazias sobre sua promessa, em vez de se concentrar nos problemas de negócios que ele pode resolver. A classificação através do hype pode ser assustadora para qualquer gerente de mineração. Tais decisões geralmente envolvem trocas complexas (como entre o custo e o rendimento operacional nas plantas de processamento). No entanto, muitos gerentes tomam decisões abaixo do ideal, confiando em planilhas simples ou regras práticas. Aproveitar o aprendizado de máquina pode ajudá -los a evitar essa armadilha. Mas primeiro, eles devem se familiarizar com a tecnologia. Aprendizado de máquina
Mining managers routinely must make critical operations decisions, while meeting day-to-day obligations such as safety and production targets. Such decisions typically involve complex tradeoffs (such as between operating cost and yield in processing plants). Yet many managers make suboptimal decisions, relying on simple spreadsheets or rules of thumb. Taking advantage of machine learning can help them avoid this pitfall. But first, they must familiarize themselves with the technology.
Machine Learning: A Quick Primer
Machine learning , um subcampo de inteligência artificial, compreende algoritmos que visam entender os relacionamentos em conjuntos de dados complexos e que usam esse entendimento para fazer previsões. Essas previsões podem ser simples (como a temperatura que um componente de equipamento atingirá sob certas condições) ou complexo (por exemplo, se e quando um triturador falhará). Por meio desse aprendizado, um algoritmo pode detectar padrões complexos emergentes de milhares de variáveis - mesmo em ambientes operacionais complexos, como minas. Novas ferramentas analíticas, algoritmos e tecnologias de transmissão de dados permitem que os gerentes analisem os dados que anteriormente não podiam. O armazenamento barato e fácil, juntamente com aumentos maciços no poder de computação (incluindo computação em nuvem escalável), tornaram a análise de dados mais acessível do que nunca. Os mineradores de visão de futuro estão aproveitando esses desenvolvimentos para explorar os benefícios do aprendizado de máquina para suas operações. Aqui estão cinco exemplos comprovados, ilustrados na exposição abaixo, que os mineradores podem considerar começar:
The algorithms “learn” by discovering relationships in the data, without a person having to program specific rules, relationships, or equations. Through such learning, an algorithm can detect complex patterns emerging from thousands of variables—even in complex operating environments such as mines.
In fact, machine learning today routinely tackles problems that were impossible to solve as recently as five years ago, owing to the wealth of data available and the rise of cheap sensors and smart devices. New analytical tools, algorithms, and data transmission technologies let managers analyze data they previously could not. Cheap and easy storage, along with massive increases in computing power (including scalable cloud computing), have made data analysis more affordable than ever. Forward-thinking miners are taking advantage of these developments to explore the benefits of machine learning for their operations.
Machine Learning in Action in Mining
Machine learning can help miners uncover valuable insights, drawing on the real-time, high-volume, and unstructured data typically seen in mining. Here are five proven examples, illustrated in the exhibit below, that miners could consider to get started:
BLASTING. Varia e você não pode repetir uma explosão? Uma empresa de mineração ligou para uma equipe de cientistas de dados para responder a essa pergunta. Os cientistas aplicaram técnicas de aprendizado de máquina para entender a relação entre padrões de furo, design de explosão, tipo explosivo, geologia e fragmentação de rochas observadas a partir de aproximadamente 80 eventos de explosão em seis meses. Depois que seu modelo de análise aprendeu as inter -relações nos dados, ele poderia fazer previsões confiáveis sobre a fragmentação que teria acontecido se um tipo explosivo diferente tivesse sido usado. A empresa de mineração pode usar essas informações para selecionar os explosivos corretos para minimizar o custo para o resultado de fragmentação de rochas desejado. Com isso em mente, uma mina de cobre congolesa - com vários poços e estoques, uma rede rodoviária complexa e uma força de trabalho amplamente não qualificada - apareceu para quantificar o impacto do mau comportamento do operador no consumo de combustível. Ele trouxe cientistas de dados, que usaram rastreadores e drones espaciais de baixo custo para capturar informações em tempo real sobre a localização, hora, velocidade e vibração dos caminhões. Os cientistas então usaram software especializado e uma caixa de ferramentas estatística que alavancou técnicas de rede neural para analisar o despacho de caminhões e rastrear o movimento do veículo. O resultado foi um feedback direto que mostrou aos operadores como eles estavam dirigindo seus caminhões. Armados com esse conhecimento, eles foram capazes de limitar a velocidade de pico, reduzir paradas e reinicializações curtas e evitar frenagem abrupta e aceleração forte. Em apenas oito semanas, o consumo de combustível caiu 7%. How do you measure the impact of a high-energy explosive at a mine site when every blast varies, and you can’t repeat a blast? One mining company called in a team of data scientists to answer this question. The scientists applied machine-learning techniques to understand the relationship between drill hole patterns, blast design, explosive type, geology, and observed rock fragmentation from roughly 80 blast events over six months. Once their analytics model had learned the interrelationships in the data, it could make reliable predictions about the fragmentation that would have happened had a different explosive type been used. The mining company could then use this information to select the right explosives to minimize cost for the desired rock fragmentation outcome.
Haulage. When it comes to haulage, driver behavior powerfully influences fuel consumption in open-pit mines. With this in mind, a Congolese copper mine—with multiple pits and stockpiles, a complex road network, and a largely unskilled workforce—set out to quantify the impact of poor operator behavior on fuel consumption. It brought in data scientists, who used low-cost spatial trackers and drones to capture real-time information about trucks’ location, time, speed, and vibration. The scientists then used specialized software and a statistical toolbox that leveraged neural-network techniques to analyze truck dispatching and track vehicle movement. The result was direct feedback that showed operators how they were driving their trucks. Armed with this knowledge, they were able to limit peak speed, reduce short stops and restarts, and avoid abrupt braking and strong acceleration. In just eight weeks, fuel consumption dropped by 7%.
Manutenção. Com sensores de baixo custo, mais dados do que nunca estão disponíveis sobre o status do equipamento, mas isso pode levar à sobrecarga de informações para engenheiros e gerentes. Em alguns casos, os algoritmos podem detectar falha iminente dias de antecedência. Essa análise pode ajudar os mineradores a agendar com eficiência a manutenção. O resultado? Aumento do tempo de atividade do equipamento e uma proporção maior de manutenção planejada (menor custo e seguro). Mas os complexos relacionamentos de dados e variáveis múltiplas e em constante mudança as impediram. A empresa trouxe cientistas de dados para construir uma rede neural artificial que analisou os dados de anos. O modelo mostrou que os rendimentos em declínio surgiram da receita química - não a temperatura como suspeita. A fundição implementou um novo conjunto de regras operacionais que não exigiram despesas de capital e alcançaram uma melhoria de 2% no rendimento. O lastro de trilho - a cama de pista na qual dormentes, ou ferrovias, são depositados - fica sujo e empoeirado ao longo do tempo, levando a deformações perigosas da pista. Prever quando e como isso acontecerá não é fácil. Normalmente, os operadores ferroviários coletam dados extensos, mas têm dificuldade em antecipar quais áreas de lastro precisarão de limpeza quando e qual a limpeza de impacto terá. Consequentemente, eles gastam até 20% de sua manutenção anual e sustentando orçamentos de capital na limpeza de lastro. Eles integraram conjuntos de dados de radar, manutenção e clima de penetração no solo; construiu um modelo para prever incrustações de lastro; e projetou uma ferramenta de otimização personalizada para ajudar os gerentes a identificar as melhores seções da faixa para remediar. Os gerentes descobriram que poderiam reduzir os custos de limpeza de lastro em até 13%, eliminando a manutenção desnecessária. Leva tempo para decidir quais dados usar, limpar os dados e experimentar vários modelos de análise. Além disso, não há um algoritmo de aprendizado de máquina "certo" para todos os problemas de negócios. Cada empresa deve selecionar e adaptar os algoritmos que melhor refletem seus próprios desafios e circunstâncias. Mais importante, eles podem abordar decisões de negócios atualmente enfrentando. Essas decisões são difíceis de tomar, devido à sua complexidade. Eles estão sendo feitos usando o instinto intestinal ou ferramentas de análise não sofisticadas (como planilhas), e as apostas são altas, porque a diferença entre uma boa decisão e a melhor decisão tem um impacto material no valor. Mining equipment often exhibits a signature “fingerprint” (pressure or temperature spikes, electrical signals, oil leaks, noise, and vibration) before it breaks down. With low-cost sensors, more data than ever is available on equipment status, but this can lead to information overload for engineers and managers.
Algorithms can learn to identify the unique (and often complex) signatures of a failure by modeling the relationship between observed failures and data on factors influencing equipment status, such as operator behavior, historical maintenance, and weather. In some cases, the algorithms can detect impending failure days in advance. Such analysis can help miners efficiently schedule maintenance. The result? Increased equipment uptime, and a higher proportion of (lower-cost and safer) planned maintenance.
Processing. At a midsize copper smelter struggling with thin margins, engineers had tried for years to optimize yield, using their knowledge of chemistry and physics. But the complex data relationships and multiple, ever-changing variables stymied them. The company brought in data scientists to build an artificial neural network that analyzed years’ worth of data. The model showed that declining yields stemmed from the chemical recipe—not temperature as suspected. The smelter implemented a new set of operating rules that required no capital expenditure and achieved a 2% yield improvement.
Transport. Ballast fouling is a major problem for rail networks used in mining. Rail ballast—the track bed on which sleepers, or railroad, ties are laid—becomes dirty and dusty over time, leading to dangerous track deformations. Predicting when and how this will happen isn’t easy. Typically, rail operators collect extensive data but have difficulty anticipating which ballast areas will need cleaning when and what impact cleaning will have. Consequently, they spend as much as 20% of their annual maintenance and sustaining capital budgets on cleaning ballast.
One rail operator asked data scientists to conduct a five-week machine-learning proof of concept. They integrated data sets from ground-penetrating radar, maintenance, and weather; built a model to predict ballast fouling; and designed a customized optimization tool to help managers identify the best sections of track to remediate. Managers discovered that they could reduce ballast-cleaning costs by up to 13% by eliminating unnecessary maintenance.
Getting Started
While machine learning can help miners transform their operations, leveraging it takes some work. It takes time to decide which data to use, clean the data, and try various analytics models. Plus, there’s no one “right” machine-learning algorithm for all business problems. Each company must select and tailor algorithms that best reflect its own challenges and circumstances.
That being said, miners can take a few steps to begin exploiting machine learning—even if they don’t yet have sophisticated IT systems and tech-savvy experts at hand. Most important, they can address business decisions currently facing them. These decisions are difficult to make, owing to their complexity. They are being made using gut instinct or unsophisticated analytics tools (such as spreadsheets), and the stakes are high, because the difference between a good decision and the best decision has a material impact on value.
Para essas decisões, o aprendizado de máquina pode ser uma ferramenta poderosa. "Sprints" podem ajudar os mineradores a gerar valor tangível dentro de semanas. Esses projetos piloto usam aprendizado de máquina para resolver um problema específico que atenda a esses critérios. Eles são implementados em etapas de equipes que compreendem cientistas de dados e tomadores de decisão internos. Mas, para aproveitar ao máximo os sprints, os mineiros devem adotar uma abordagem focada em valor. Eles devem identificar os projetos de aprendizado de máquina mais promissores usando a entrada de diversas partes da organização e trazer os recursos certos de ciência de dados para apoiar os projetos. Mas os aplicativos de hoje são apenas um ponto de partida. O futuro trará oportunidades ainda maiores para os mineiros que lançam as bases agora para tirar proveito dessa poderosa tecnologia.
Successful sprints can inspire confidence and build momentum for additional testing and learning and a broader digital-mine program. But to get the most from sprints, miners should adopt a value-focused approach. They should identify the most promising machine-learning projects using input from diverse parts of the organization and bring in the right data science capabilities to support the projects.
Machine learning is helping miners sharpen their competitive edge. But today’s applications are just a starting point. The future will bring even greater opportunities for miners who lay the groundwork now to take advantage of this powerful technology.
Este artigo foi publicado pela primeira vez em
Jornal de mineração
em 23 de junho de 2017.
