Šiuolaikinė visuomenė susiduria su metalų problema. Augant vartotojiškos kultūros poreikiams, vykstant energetikos pertvarkai ir sparčiai plintant dirbtiniam intelektui bei robotikai, susiformavo sudėtinga dilema.

Paklausai didėjant, daugelio metalų pasiūla atsidūrė siauroje vietoje. Tam įtakos turi įvairūs veiksniai – nuo biurokratinių kliūčių ir pilietinių neramumų iki nepakankamų kapitalo investicijų, dėl kurių mažėja naujų telkinių atradimų ir naujų kasyklų plėtros.

Be to, kasybos bendrovės, orientuotos į tokius svarbius metalus kaip varis, susiduria ir su papildomais sunkumais. Daugeliu atvejų lengviausiai randami telkiniai jau yra atrasti, o esamose kasyklose rūdos kokybė prastėja, todėl pasiūlos apribojimai dar labiau stiprėja.

„BHP“ skaitmeninės veiklos vadovas Mikko Tepponenas 2026 metų Kanados žvalgytojų ir plėtotojų asociacijos konferencijoje teigė, kad būtent technologijos, kurios pačios priklauso nuo metalų ir kasybos, gali tapti šios problemos sprendimu.

Duomenų fragmentacijos problema žvalgyboje

Kai bendrovės vėl pradeda daugiau investuoti į kasybos sektoriaus žvalgybą, iškyla keli svarbūs klausimai, o pagrindinis iš jų – kur yra naudingosios iškasenos?

Iš esmės žvalgyba remiasi geologijos mokslais: geologai dirba lauke, ima uolienų mėginius, atlieka tyrimus ir, remdamiesi surinktais duomenimis, nustato tinkamiausias vietas gręžiniams, kad būtų galima pažvelgti giliau po žemės paviršiumi.

Kasyba yra duomenimis grindžiama veikla, o priklausomai nuo projekto, informacija gali būti gaunama labai įvairiais būdais – nuo šiuolaikinių metodų iki istorinių stebėjimų. Dėl to duomenys dažnai būna išskaidyti po skirtingus šaltinius ir pateikiami įvairiais formatais.

Dirbtinis intelektas ir mašininis mokymasis gali būti labai naudingi apdorojant ir interpretuojant didelius informacijos kiekius. Tačiau papildoma kliūtis išlieka duomenų prieinamumas.

„Visoje mūsų pramonėje milžiniški žvalgybos duomenų kiekiai tebėra užrakinti archyvų patalpose, o senosios sistemos nepajėgia nuskaityti trečiųjų šalių duomenų rinkinių. Tie duomenys nėra nei struktūruoti, nei lengvai ieškomi, nei suderinami tarpusavyje. Tai reiškia, kad dirbtiniam intelektui sunku juos suprasti, o daugeliu atvejų tie duomenys apskritai niekada nebuvo išgauti“, – teigė M. Tepponenas.

Jo įsitikinimu, vienas svarbiausių iššūkių, kurį turi įveikti kasybos pramonė, yra būtent duomenų fragmentacija. Neturint pakankamai duomenų arba tinkamos informacijos, gerokai išauga neteisingų žvalgybos sprendimų rizika.

„Laikas yra svarbus, nes kapitalas yra ribotas. Gręžimo metrai kainuoja brangiai, o sprendimai dėl kapitalo paskirstymo gali turėti kelerių metų pasekmes“, – sakė jis.

„BHP“ šią problemą sprendžia taikydama į duomenis orientuotą metodą – kuria centrinę duomenų platformą, kuri sujungia dešimtmečiais kauptus žvalgybos duomenis, juos standartizuoja ir padaro prieinamus per centralizuotą bendrovės komandą.

Pasak M. Tepponeno, ši platforma palaiko 52 standartizuotus pagrindinius geologinių mokslų duomenų tipus ir remiasi daugiau nei 100 metų kaupta informacija, todėl žvalgybos komandos gali sutaupyti ištisus mėnesius darbo laiko.

„Mūsų geologai viename portale gali pasiekti daugiau nei 4 milijonus gręžinių branduolių ir 9 tūkstančius geofizinių tyrimų“, – pridūrė jis.

Naudodama vidinį „BHP“ dirbtinio intelekto duomenų išgavimo įrankį, viena geologų komanda iš tūkstančių gręžinių surinko informaciją iš 30 tūkstančių senųjų dokumentų įrašų. Vėliau, pasitelkusi centrinę duomenų platformą, ji šiuos duomenis sujungė su šiuolaikinių gręžimų informacija.

Anot M. Tepponeno, visa tai buvo atlikta per kelias valandas, nors rankiniu būdu toks darbas būtų trukęs mėnesius, o gauti rezultatai buvo kokybiškesni nei taikant ankstesnį metodą.

Vis dėlto jis pabrėžė, kad dirbtinio intelekto integravimas į darbo procesus nėra skirtas geologų komandoms pakeisti, bet veikiau sustiprinti jų galimybes, suteikiant skaitmeninius įrankius, kurie leistų susitelkti į didesnę vertę kuriančias užduotis.

Be to, platformoje esanti informacija neapsiriboja vien „BHP“ duomenimis. M. Tepponenas aiškino, kad visa sistema sukurta atvirojo kodo duomenų bazės pagrindu, siekiant mažinti duomenų atskirtį ir sudaryti sąlygas skirtingų sektorių bendradarbiavimui.

Tiksliniai optimizavimo sprendimai, padedantys išvengti sutrikimų

Nors žvalgyba yra viena iš pagrindinių kliūčių naujų projektų plėtrai ir būsimai pasiūlai, esamų operacijų sutrikimai turi didelę įtaką dabartinei gamybai.

Didelių įvykių, tokių kaip ekstremalūs orai, pilietiniai neramumai ar reguliavimo pokyčiai, dažnai neįmanoma tiksliai numatyti. Tačiau dalį trikdžių, dėl kurių visoje pramonėje kasmet prarandama šimtai darbo valandų, operatoriai gali numatyti iš anksto.

M. Tepponenas išskyrė vieną nuolat pasitaikančią problemą – per didelius akmenis ir pašalinius daiktus, patenkančius į perdirbimo įrenginius.

„Jei į smulkintuvą patenka nesusmulkinamas akmuo arba metalo gabalas, tai gali sukelti užsikimšimus, sugadinti juostas ir lemti didelius prastovų nuostolius. Jei toks objektas nukeliauja toliau per sistemą, jis gali pažeisti įrangą ir sukurti kritines siauras vietas“, – sakė jis.

Vakarų Australijoje „BHP“ taiko stebulės ir stipinų modelį, jungiantį penkias kasyklas su vienu centriniu perdirbimo objektu. Jei vienas iš tokių pavojų sutrikdo šio centro veiklą, pasekmės gali paliesti ir visas su juo susietas kasyklas.

Be to, šių problemų šalinimas verčia techninės priežiūros komandas atlikti didesnės rizikos užduotis, todėl problemos pašalinimas iš anksto didina ne tik produktyvumą, bet ir saugumą.

M. Tepponenas aiškino, kad anksčiau pavojai būdavo nustatomi darbuotojams dar prieš pakraunant medžiagas į sunkvežimius, tačiau joms patekus ant konvejerio, tokius objektus pašalinti tapdavo gerokai sudėtingiau.

Dabar bendrovė naudoja realiojo laiko stebėsenos sistemą, kuri aptinka objektus, perspėja kontrolės centrą ir prireikus gali automatiškai sustabdyti konvejerį.

„Iš tiesų tai labai paprastos, rinkoje lengvai prieinamos technologijos – kameros ir mašininio mokymosi pagrindu veikiančios valdymo sistemos, pritaikytos realiai veiklos problemai spręsti“, – teigė jis.

Pasak M. Tepponeno, per ankstesnius trejus metus šie incidentai buvo sukėlę daugiau kaip 1 000 valandų prastovų. Tačiau nuo tada, kai buvo įdiegta stebėsenos sistema, bendrovė nepatyrė didesnių sutrikimų ar įrangos pažeidimų dėl per didelių akmenų, o tai, jo teigimu, reiškia šimtais tūkstančių metrinių tonų per metus išaugusį perdirbimo mastą.

„Tai nedidelis sistemos lygmens optimizavimas, galintis atnešti neproporcingai didelę grąžą dirbtinio intelekto diegimo kelyje. Tai nėra milžiniška programa. Tai paprastų apribojimų nustatymas ir patikrintos technologijos pritaikymas“, – sakė jis.

„Būtent taip iš tikrųjų vyksta sistemingos inovacijos“, – įsitikinęs M. Tepponenas.

Scenarijų testavimas pasitelkiant skaitmeninio dvynio simuliacijas

Trečiajame praktiniame pavyzdyje M. Tepponenas aptarė „BHP“ pusiau autogeninio malimo įrenginį „Escondida“ objekte Čilėje, kur skirtingas rūdos dalelių dydis ir kietumas neigiamai veikė gamybą.

Bendrovė pasitelkė dirbtinį intelektą, kad sukurtų vertės grandinės skaitmeninį dvynį. Į jį buvo įtraukta visa žinoma informacija apie operaciją: žinios apie rūdos telkinį, perdirbimo ypatybes ir eksploatacinius apribojimus.

„Ši skaitmeninė simuliacija leido testuoti įvairius scenarijus ir padėjo formuoti sprogdinimo bei rūdos maišymo strategijas, kad būtų galima prognozuoti granuliaciją“, – teigė M. Tepponenas.

Jis pažymėjo, kad mėnesiniai gamybos nuostoliai, siejami su šia problema, sumažėjo maždaug 70 procentų.

„Pamoka paprasta: kai žinios apie rūdos telkinį tiesiogiai susiejamos su perdirbimo sprendimais, sistema tampa stabilesnė ir labiau nuspėjama“, – sakė jis.

Vėliau „BHP“ šį metodą pritaikė ir kituose objektuose, įskaitant veiklą Australijoje bei Čilėje.

„Generatyviojo dirbtinio intelekto integracija yra daugiakultūrė, todėl ir techniniai, ir netechniniai naudotojai gali modeliuoti scenarijus savo gimtąja kalba“, – teigė jis.

Anot M. Tepponeno, tai ypač svarbu vietos bendrovėms ir komandoms, dirbančioms įmonės objektuose.

Pamatai ir bendradarbiavimas – esminės sąlygos dirbtinio intelekto naudai

M. Tepponenas pabrėžė, kad vien dirbtinis intelektas nėra stebuklingas sprendimas. Norint pasiekti tokių rezultatų, „BHP“ turėjo kryptingai suprojektuoti atitinkamas dirbtinio intelekto platformas.

„Viena svarbiausių pamokų, kurias išmokome, yra ta, kad vertė iš dirbtinio intelekto neatsiranda tiesiog pradedant nuo paties dirbtinio intelekto. Vertę sukuria pamatai – nuoseklūs duomenų standartai ir sistemų sąveikumas. Reikia pradėti nuo apačios ir nuosekliai kilti aukštyn“, – sakė jis.

Jis taip pat akcentavo bendradarbiavimo svarbą, pažymėdamas, kad bendrovės dažnai saugo savo intelektinę nuosavybę, tačiau taip prarandamos galimybės, kurios galėtų būti naudingos visoms pusėms.

„Skaudi tiesa yra ta, kad nė viena bendrovė viena pati neišspręs duomenų fragmentacijos ir sistemų integracijos problemos“, – teigė M. Tepponenas.

Jo teigimu, visam sektoriui būtų naudinga glaudžiau bendradarbiauti kuriant standartus, užtikrinant sistemų sąveikumą ir dalijantis duomenimis visoje vertės grandinėje.