Ett av de områden där AI spås kunna göra stor nytta är mineralprospektering. Gruvdrift kräver enorma initiala investeringar och det första, kritiska steget är att lokalisera rätt plats för att utvinna en malmkropp. Detta är en lång och komplicerad process där AI kan hjälpa geologerna att fatta väl informerade beslut.
Vissa experter menar till och med att med AI i verktygslådan kan inslaget av gissningslek i prospekteringsfasen helt elimineras.
Text: Simon Matthis
AI är på frammarsch inom flera områden av gruvindustrin – och prospekteringsfasen är ett av dem. Men vilka är de andra? Konsultföretaget GlobalData pekar på prediktivt underhåll av utrustning som ett av de mest lovande områdena för AI-lösningar. För gruvbolag kan maskinhaverier leda till kostsamma produktionsavbrott, men med AI skulle tillståndsanalyser kunna förbättras så att komponenter kan bytas ut innan de går sönder och reservdelar beställas med god framförhållning. Praktiskt sett innebär det att AI används för att analysera data från sensorer monterade på maskiner och utrustning, vilka indikerar när det är dags för underhåll- eller reparationsåtgärder.
Generativ AI
Även den nu så uppmärksammade grenen generativ AI är av högintresse för gruvnäringen. ”Det kommer att vara särskilt viktigt att företag investerar i denna teknik för både marknadsföring och förstudier, där det kommer att avsevärt förbättra effektiviteten”, hävdar George Trotter, analytiker på Global Data.
Generativ AI används redan av den amerikanska plattform Akkio som är specialiserat på att förutse fluktuationer i råvarupriser. ”Råvaruprisförändringar har en betydande inverkan på gruvföretag, eftersom gruvbolagens vinster är direkt kopplade till det pris som de kan sälja metallerna de gräver upp för”, säger George Trotter.
Pionjärerna
Generellt kan man säga att de företag som är först ut med att införa AI-lösningar tillika är de som tidigt satsat på förarlösa fordon. Föga förvånande är Australien det land som kommit längst inom förarlösa transporter, en automationstrend som delvis är driven av att det är så svårt att locka kompetens till landets omfattande gruvindustri.
Gruvbolagen Fortescue, Teck Resources och Vale leder automationsligan, enligt GlobalData, som i sammanhanget särskilt lyfter fram brasilianska Vale som en pionjär, då de sjösatt ett AI-center som analyserar och leder den autonoma fordonsflottan. Till centret har man knutit omkring 50 experter som leder olika AI-projekt.
En utmaning för AI-projekt är, paradoxalt nog, höga kostnader (AI sägs ju leda till sänkta kostnader). Men i en bransch som går på knäna ekonomiskt tvingas ledningarna i bolagen prioritera var de ska investera. Enligt Global Data kan detta på kort sikt hämma investeringar och införande av AI-lösningar.
Väl informerade beslut för prospektering
Inom prospektering tror man att stora besparingar kan möjliggöras med AI, tack vare att tekniken gör det lättare och snabbare att fatta väl informerade beslut inför provborrningar. Insatserna är höga eftersom man riskerar att kasta miljontals kronor i sjön genom att dra igång omfattande borrprogram i fel riktning. Men det handlar inte bara om ekonomiska besparingar.
Med mer träffsäkra provborrningar med AI:s hjälp kan man också skona natur och miljö. De stora ingrepp i naturen som ändå är oundvikliga vid mineralutvinning kan åtminstone hållas till ett minimum.
Fler datakällor
Prospekteringsbolag använder olika tekniker för att identifiera nya och potentiellt värdefulla mineralförekomster. Traditionellt sett samlar man in data in från mönstermatchning, geofysiska, geokemiska och geologiska data bland annat, liksom från historiska källor om mineralfyndigheter. Med AI:s hjälp kan fler datakällor integreras i analysarbetet för att därmed förbättra oddsen att hitta ekonomiskt hållbara mineraliseringar. Data som hämtas in från satelliter eller drönare exempelvis: fjärranalys-, gravitations- aeromagnetiska och radiometriska mätningar. Geologens uppgift blir då i högre grad att analysera data, vilket naturligtvis också är en av huvuduppgifterna för AI, istället för att samla in data. 88 startupbolag inom prospektering AI är särskilt lämpat för att analysera stora mängder data – vilket också är en av de största utmaningarna i prospekteringsfasen. Följaktligen har många startupbolag med AI-profil sökt sig till mineralprospektering för att hitta en nisch där. Den österrikiska plattformen Startus Insights, som är informationssajt om startupbolag och innovativa tekniker, har identifierat inte mindre än 88 startupbolag verksamma inom AI för mineralprospektering. Av dem har man valt ut fem lösningar, som man tror särskilt mycket på och presenterar utförligare. Som av en händelse är tre av dem baserade i Australien. Det handlar om företagen Earth AI (Australien), Aganitha (Indien), Minerva (Kanada), Orefox (Australien) samt Datarock (Australien) som presenteras i det följande.
Earth AI
Earth AI utvecklar AI-baserade algoritmer för gruvprospektering. Med hjälp av maskininlärningstekniker identifierar uppstarten mineralfyndigheter i greenfield-projekt. Dessutom samlar drönare in geofysisk data som möjliggör autonom borrning, vilket kan minska kostnaderna för prospektering och borrning.
Aganitha Cognitive Solutions
Aganitha Cognitive Solutions skapar AI-baserade prospekteringsmodeller genom att kombinera geologiska, geografiska och geofysiska data. Maskininlärning det dessutom möjligt för startupen att generera ledtrådar till mineraliseringar för att identifiera potentiella ”hot spots” för prospektering.
Minerva Intelligence
Minerva Intelligence tillhandahåller en AI-plattform, Terra, för mineralprospektering. Genom att kombinera AI, geologiska modeller och historiska data från prospekteringar kan startupen optimera prospekteringsarbetet genom att identifiera potentiella mineralfyndigheter. Lösningar utlovar lägre driftskostnader och förbättrad avkastning på investeringar för gruvprospekteringsföretag.
OreFox
Startupen OreFox har tagit fram två AI-system, Prospector AI och Hunter AI, för mineralprospektering. Prospector AI använder algoritmer för djupinlärning och jämför befintliga data om mineraltillgångar med prover. Hunter AI använder dessa resultat och förfinar modellerna ytterligare med hjälp av maskininlärning, för att tillhandahålla en informativ, visuell representation av prospekteringsområdet.
Datarock
Datarock tar höjd för den ekologiska risken med gruvdrift. Startupen drar nytta av datorseende, en gren inom datalogin som arbetar med datorer som automatiskt bearbetar och förstår innehållet i digitala bilder, och algoritmer för djupinlärning. Startupens molnbaserade bildanalysplattform hjälper till att kategorisera och segmentera geologiska bilder och videor. Tack vare automatiseringen kan geologerna lägga mer tid på att tolka resultaten, snarare än att arbeta med data.