تریبون معدن | پژوهشگران دانشگاه تهران با توسعه یک سامانه هوشمند مبتنی بر داده و یادگیری ماشین، به‌دنبال کاهش مصرف انرژی در یکی از پرمصرف‌ترین بخش‌های کارخانه‌های فرآوری مواد معدنی هستند؛ راهکاری که می‌تواند هم‌زمان هزینه تولید را کاهش دهد و کیفیت محصول را حفظ کند.

این پژوهش با تمرکز بر مدارهای خردایش و آسیاب‌کنی انجام شده است؛ بخشی از فرآیند فرآوری که به‌دلیل مصرف بالای برق، سهم قابل‌توجهی در هزینه‌های عملیاتی کارخانه‌های معدنی دارد. جواد نقوی، دانشجوی دکتری فرآوری مواد معدنی دانشگاه تهران، این طرح را با هدایت علمی مهدی قراباغی، استاد تمام این دانشگاه، پیش برده است.

در این سامانه، داده‌های واقعی و عملیاتی کارخانه با استفاده از هوش مصنوعی و الگوریتم‌های یادگیری ماشین تحلیل می‌شوند تا ارتباط میان شرایط کارکرد تجهیزات، توان مصرفی آسیاب‌ها و اندازه ذرات محصول مشخص شود. هدف این است که اپراتورها بتوانند شرایط بهینه بهره‌برداری را بر اساس داده‌های واقعی انتخاب کنند، نه صرفاً تجربه و آزمون‌وخطا.

مدل‌های توسعه‌یافته توانسته‌اند اندازه محصول را با خطای پیش‌بینی حدود ۵ میکرون یا کمتر برآورد کنند. این دقت می‌تواند به جلوگیری از خردایش بیش از نیاز، کاهش مصرف برق و حفظ کیفیت محصول کمک کند. در این رویکرد، کاهش انرژی باید بدون افت کیفیت و با در نظر گرفتن ظرفیت تولید انجام شود.

فاز نخست این پژوهش، شامل هوشمندسازی عملکرد آسیاب‌ها و مدارهای آسیاب‌کنی، با نتایج مطلوب به پایان رسیده است. تیم پژوهشی اکنون چشم‌انداز توسعه سامانه برای مدیریت هوشمندتر کل فرآیندهای فرآوری مواد معدنی را دنبال می‌کند.

بر اساس برآورد مطرح‌شده در گزارش، اگر این سامانه در کارخانه‌های فرآوری کشور به‌کار گرفته شود، امکان کاهش حدود یک درصدی مصرف برق کشور وجود دارد. همچنین کاهش متوسط یک مگاوات از توان مصرفی در یک سال، معادل صرفه‌جویی بالقوه ۷۵۰۰ مگاوات‌ساعت برق خواهد بود؛ رقمی که در گزارش به‌عنوان مثال محاسباتی بیان شده و صرفه‌جویی محقق‌شده این پروژه نیست.

این پژوهش نشان می‌دهد هوشمندسازی فرآیندهای معدنی می‌تواند فراتر از افزایش دقت عملیاتی عمل کند و با کاهش خردایش اضافی و استفاده مؤثرتر از تجهیزات، به کاهش هزینه تولید، افزایش بهره‌وری و مدیریت مصرف انرژی در صنعت معدن کمک کند.