توسعه مدل هوشمند اکتشاف مس با تلفیق هوش مصنوعی و داده‌های زمین‌شناسی

به گزارش خبرگزاری مهر به نقل از دانشگاه صنعتی امیرکبیر، یوسف بهرامی با راهنمایی حسین حسنی و مشاوره عباس مقصودی از اعضای هیئت علمی دانشکده مهندسی معدن این دانشگاه طرحی را با عنوان «بهینه سازی مدل‌های تلفیقی پیشگوی مناطق مستعد کانی - زایی مس پورفیری بر اساس کاربرد الگوریتم‌های نوین» اجرایی کردند. بهرامی علت اصلی انتخاب این تحقیق را وجود یک شکاف پژوهشی و عملیاتی واضح در حوزه اکتشاف سیستماتیک ذخایر مس پورفیری در ایران، به ویژه در منطقه استراتژیک و پرپتانسیل پاریز - چهارگنبد کرمان عنوان کرد.

وی این شکاف را در چند محور اصلی دانست که یکی از آن‌ها را پراکندگی و عدم انسجام مطالعات پیشین عنوان کرد و گفت: اگرچه مطالعات پراکنده‌ای در گذشته روی این منطقه انجام شده بود، اما این پژوهش‌ها اغلب مقطعی، محدود به یک حوزه خاص (مثلاً فقط ژئوشیمی یا فقط سنجش از دور) و فاقد یک رویکرد یکپارچه و جامع بودند. مانند این بود که هر بخش از یک پازل به صورت جداگانه بررسی شده، اما هیچ‌گاه تصویر کامل و قابل اطمینانی از کل منطقه ارائه نشده بود. این پراکندگی، منجر به عدم شناسایی دقیق نواحی امیدبخش و افزایش ریسک سرمایه‌گذاری در اکتشاف می‌شد.

این دانش آموخته دانشگاه صنعتی امیرکبیر عدم بهره‌گیری از رویکردهای نوین به ویژه رویکردهای مبتنی بر هوش مصنوعی پیشرفته را از موضوعات مطرح در این زمینه دانست و ادامه داد: مطالعات قبلی عمدتاً بر روش‌های سنتی و کلاسیک تکیه داشتند و از قدرت الگوریتم‌های پیشرفته هوش مصنوعی، یادگیری ماشین و یادگیری عمیق برای تحلیل داده‌های پیچیده زمین‌شناسی بهره چندانی نبرده بودند. این در حالی است که ساختارهای زمین‌شناسی کنترل‌کننده کانی‌زایی، بسیار پیچیده و غیرخطی هستند و پردازش آن‌ها نیازمند ابزارهای قدرتمند محاسباتی است.

بهرامی با بیان اینکه هدف این بود که از این رویکردها برای دیده شدن الگوهای پنهان در داده‌ها که از چشم روش‌های سنتی پنهان می‌ماند، استفاده شود، نیاز مبرم به کاهش هزینه و ریسک عملیات اکتشاف را شکاف دیگر در این حوزه ذکر کرد و افزود: فرآیند اکتشاف معدنی، بسیار پرهزینه و پرریسک است. هرچه دقت مدل‌های پیش‌بینی بالاتر باشد، برای مطالعات بعدی (مانند کنترل‌های صحرایی، نمونه‌برداری و حفاری) مناطق هدف دقیق‌تر و با صحت بالاتری تعیین شده و به این واسطه از هزینه‌های بیهوده جلوگیری می‌شود. بنابراین، هدف اصلی این تحقیق، توسعه یک مدل تلفیقی هوشمند بود که با یکپارچه‌سازی همه داده‌های موجود و پردازش آن‌ها با الگوریتم‌های نوین و خلاقانه، یک نقشه راه با قابلیت اطمینان بسیار بالا برای تیم‌های اکتشافی تهیه کند تا آن‌ها بتوانند منابع و زمان خود را بر روی امیدبخش‌ترین نواحی متمرکز کنند.

وی هدف این تحقیق را پاسخ به یک نیاز علمی و عملی در صنعت معدن توصیف کرد که چگونه می‌توان با دقتی بی‌سابقه، گنجینه‌های پنهان مس در اعماق زمین را قبل از حفاری پیدا کرد و فرآیند پرهزینه و زمان‌بر اکتشاف را بهینه‌سازی کرد و اضافه کرد: هدف این پایان‌نامه ایجاد یک چارچوب یکپارچه بوده است که در آن ما ابتدا در هر بخش داده (از استخراج دگرسانی‌های گرمابی با روش‌های پیشرفته و شبکه‌های عمیق، شناسایی و تدقیق گسل‌ها با استفاده از تصاویر ماهواره‌ای، تهیه نقشه لیتولوژی با جزئیات بالا تا تفکیک آنومالی‌های ژئوشیمیایی با روش‌های پیچیده غیرخطی) بهینه‌سازی حداکثری انجام شد.

بهرامی ادامه داد: سپس در مرحله نهایی تلفیق لایه‌های شاهد حاصل از منابع داده مختلف، با بهره‌گیری از روش‌های پیشرفته، از جمله روش‌های یادگیری عمیق گرافی، به بهینه‌سازی بیشینه می‌رسیم. این استراتژی دومرحله‌ای (یعنی بهینه‌سازی لایه‌ای و سپس بهینه‌سازی تلفیق) باعث کاهش ملموس عدم‌قطعیت در هر گام و در نتیجه ارتقای دقت و قابلیت اعتماد مدل‌های پتانسیل حاصله شده است.

دانش آموخته دانشگاه صنعتی امیرکبیر ارتقای مرزهای دانش و نوآوری روش‌شناختی را از دستاوردهای این پژوهش دانست و گفت: این پژوهش، مرزهای دانش در حوزه مدل‌سازی پتانسیل معدنی (MPM) را با معرفی و به کارگیری یک چارچوب کاملاً نوآورانه پیش برده است.

به گفته وی ترکیب چندمرحله‌ای و هیبریدی روش‌ها شامل فیوژن تصاویر ماهواره‌ای مختلف با رویکردهای بهینه، استخراج دگرسانی‌های گرمابی از تصاویر ماهواره‌ای توسط روش‌های زیرپیکسلی دقیق، تهیه نقشه زمین‌شناسی با جزئیات بالا با طراحی و توسعه معماری‌های عمیق پیشرفته ترکیبی نظیر CNN-GoogleNet-HHO، طراحی و توسعه یک زنجیره پردازشی پیشرفته نظیر Autoencoder-UMAP-GAN-Bisecting K-means جهت تفکیک آنومالی‌های ژئوشیمیایی و بهره‌گیری از روش‌های پیشرفته نظیر شبکه‌های یادگیری عمیق گرافی (مثل GAT) برای تلفیق و مدل سازی نهایی پتانسیل مس می‌شود.

بهرامی با بیان اینکه این دستاورد، مستقیماً بر کاهش هزینه‌های کلان بخش اکتشاف تأثیر می‌گذارد، کاهش ریسک و هزینه‌های وابسته به امور اکتشاف، افزایش اثربخشی سرمایه‌گذاری اکتشافی، قابلیت بالای تجاری‌سازی را از جمله دستاوردهای این طرح نام برد.

وی تاکید کرد: ایران با دارا بودن ذخایر عظیم معدنی، همواره با چالش اکتشاف سیستماتیک و کم‌هزینه این ذخایر روبرو بوده است. این مدل، یک روش استاندارد جدید را معرفی می‌کند که می‌تواند به عنوان یک الگو برای سایر مناطق معدنی ایران (مانند کمربندهای آهن، طلا و سرب و روی) نیز تعمیم داده شود. این پژوهش، به افزایش نرخ کشف ذخایر جدید معدنی در کشور کمک می‌کند که زیربنای توسعه صنعتی و ایجاد ثروت ملی است.

مجری طرح مهم‌ترین ویژگی این تحقیق را قابلیت اطمینان بالای آن در شناسایی مناطق مستعد دانست و خاطر نشان کرد: در گذشته، تصمیم‌گیری برای ادامه عملیات اکتشاف و حفاری بر اساس تفسیرهای کیفی و نیمه‌کمی بود که با عدم قطعیت بالایی همراه بود. این مدل، یک پشتوانه کمی و آماری مستحکم برای تصمیم‌گیری‌های مدیران معدنی فراهم می‌کند. همچنین، با اتوماسیون بخش عظیمی از پردازش داده‌ها، سرعت تحلیل و تهیه نقشه‌های پتانسیل معدنی به شکل قابل توجهی افزایش می‌یابد.

وی نتایج این تحقیق را یک دستاورد بین‌رشته‌ای توصیف کرد و گفت: حوزه معادن و اکتشافات معدنی، شرکت‌های مهندسی مشاور، سازمان زمین‌شناسی و اکتشافات معدنی کشور، صنایع ملی مس، وزارت صمت، ایمیدرو، شرکت تهیه و تولید مواد معدنی، سازمان‌های فضایی و فعال در حوزه سنجش از دور، صنایع الکترونیک و کابل‌سازی و دانشگاه و پژوهشگاه‌ها از کاربران اصلی این طرح به شمار می‌روند.

وی در ادامه گفت: این طرح از مزایایی چون ارائه راهکار یکپارچه و منحصربه‌فرد، طراحی ماژولار و قابل توسعه، کاهش هزینه و زمان اکتشاف، دقت فوق العاده و قابلیت توسعه و امکان تطبیق سریع چارچوب برای سایر مناطق معدنی و عناصر مثل طلا، سرب و روی، آهن و حتی عناصر استراتژیک مثل لیتیوم و عناصر نادرخاکی برخوردار است.