Por qué el Aprendizaje Automatizado es Crucial para el Futuro de las Operaciones Mineras Seguras
GroundProbe Ingeniera de Software – Aprendizaje Automatizado, Alice Nguyen
Aprendizaje Automatizado – Dónde empezó?
Cuando se habla de aprendizaje automatizado (ML por sus siglas en inglés), muchos se imaginan tecnología avanzada que se ejecuta en máquinas de alta complejidad. Sin embargo, el ML se remonta a 1943 cuando Walter y Warren desarrollaron el primer modelo matemático de una red neuronal para imitar los procesos de pensamiento humano. No fue hasta tiempos recientes que, la aplicación del ML se volvió más común con el lanzamiento de algoritmos y conjuntos de datos mejorados.
Hoy en día, estamos rodeados de aplicaciones que contienen aprendizaje automatizado como, por ejemplo, los automóviles autónomos, los sistemas de recomendación para compras en línea y las sugerencias de películas en distintas plataformas de streaming.
Dondequiera que existan datos, siempre existe la oportunidad de aplicar ML, en múltiples formatos y en múltiples industrias, incluida la industria minera.
La aplicación y los beneficios del aprendizaje automatizado para la industria minera
Los siguientes son ejemplos simplificados de los muchos beneficios de aplicar el ML a la industria minera.
Optimización de operaciones seguras y ahorro de costos
Los camiones, cargadores, taladros y trenes de transporte pesado sin conductor son ejemplos de sistemas de ML integrados que ya se utilizan en la industria minera, y muchos se utilizan para completar trabajos antes considerados inseguro para los obreros. Según Rio Tinto, la automatización de la maquinaria autónoma ha reducido sus costos de vehículos convencionales en ~ 15%.
Además de optimizar las operaciones de trabajo seguras y el ahorro de costos, los vehículos autónomos también brindan una mayor productividad y capacidades de carga/elevación pesadas.
Se aplican algoritmos supervisados y no supervisados para «enseñar» a la maquinaria a completar la tarea. Mientras que los algoritmos supervisados como la regresión, la clasificación y la detección de objetos o eventos anormales se enfocan en aprender de los datos etiquetados y hacer predicciones, los algoritmos no supervisados como la agrupación encuentran similitudes y diferencias entre los puntos de datos y detectan patrones. Estos algoritmos se consideran los «cerebros» de las máquinas: proporcionan la información necesaria para tomar decisiones sobre dónde moverse, qué objetos recoger o evitar y señalar una alerta si se detecta algo inusual.
Capacidad para salvar vidas y ayudar a tomar decisiones cruciales.
Según Safe Work Australia, en 2012-2013 las lesiones y enfermedades relacionadas con el trabajo le costaron a la economía australiana 61.800 millones de dólares, lo que representa el 4,1% del PIB y la mayor parte del costo (77%) fue asumido por los trabajadores.
Al priorizar la seguridad, muchas empresas mineras han introducido sistemas adicionales de alerta temprana auto-operativas las 24 horas, los 7 días de la semana, como el RGR-Velox de GroundProbe. La tecnología avanzada del radar está diseñada para detectar y rastrear geoamenazas en curso en tiempo real. Tanto los datos históricos como los de transmisión se obtienen del radar y se coordinan en modelos de ML para predecir patrones futuros y proporcionar alarmas de advertencia temprana para evitar posibles eventos peligrosos. Esto asegura prácticas mineras seguras y continuas y evita fallas catastróficas de taludes que pueden causar la pérdida de vidas y/o daños ambientales masivos.
¿Qué nos aguarda en el futuro?
Mi predicción personal es que, con el avance del ML, veremos más aplicaciones desempeñando un papel crucial en la optimización de las operaciones mineras seguras en todo el mundo.