Por que o Aprendizado de Máquina é Crucial para o Futuro das Operações Seguras de Mineração?
Engenheira de Software da GroundProbe – Aprendizado de Máquina, Alice Nguyen
Aprendizado de Máquina: Onde tudo começou?
Quando o assunto é Aprendizado de Máquina (em inglês, machine learning), muitos logo pensam em tecnologias elaboradas, executadas em máquinas de alto desempenho computacional. Por incrível que pareça, o aprendizado de máquina remonta a 1943, quando o primeiro modelo matemático de uma rede neural foi desenvolvido por Walter e Warren para se assemelhar aos processos do pensamento humano. Só muito recentemente que a aplicação do aprendizado de máquina se tornou lugar-comum, com a introdução de algoritmos e conjuntos de dados melhorados.
Hoje, estamos rodeados por aplicações de aprendizado de máquina na forma de carros autônomos, sistemas de recomendação em lojas online e sugestão de filmes em diversas plataformas de streaming.
Sempre que existem dados, e onde quer que eles existam, há a possibilidade de aplicar o aprendizado de máquina em múltiplos formatos e entre diferentes setores, incluindo a indústria mineradora.
A aplicação e os benefícios do aprendizado de máquina na indústria mineradoray
Veja a seguir exemplos simplificados dos muitos benefícios da aplicação do aprendizado de máquina na indústria mineradora.
Otimização das operações com segurança e economia de custos
Trens, perfuratrizes, carregadeiras e caminhões de transporte pesado sem condutor são exemplos de sistemas com aprendizado de máquina integrado já em uso na indústria mineradora, muitos dos quais usados para concluir trabalhos antes considerados não seguros para os funcionários. De acordo com a Rio Tinto, a automação dos maquinários autônomos reduziu seus custos com veículos convencionais em cerca de 15%. Além de otimizar as operações de trabalho com segurança, bem como a economia de custos, os veículos autônomos também promovem o aumento da produtividade e a capacidade de carregamento/elevação de pesos.
Algoritmos supervisionados e não supervisionados são aplicados para “ensinar” ao maquinário como concluir a tarefa. Enquanto os algoritmos supervisionados, que incluem regressão, classificação e detecção de objetos ou eventos anormais, se concentram no aprendizado a partir de dados rotulados e fazem previsões; os algoritmos não supervisionados, como os agregadores, encontram as similaridades e disparidades entre os pontos de dados e detectam padrões. Esses algoritmos são considerados o “cérebro” das máquinas, fornecendo as informações necessárias para a tomada de decisões acerca de para onde se mover e quais objetos pegar ou evitar, e emitindo alertas quando detecta algo incomum.
Capacidade de salvar vidas e auxílio para a tomada de decisões cruciais
De acordo com o Safe Work Australia, as lesões e doenças relacionadas ao trabalho em 2012-2013, custaram US$ 61,8 bilhões para a economia australiana, representando 4,1% do PIB e tendo a maior parte dos custos (77%) arcada pelos próprios trabalhadores.
Colocando a segurança em primeiro lugar, muitas companhias mineradoras introduziram sistemas adicionais de alerta precoce 24/7, como o RGR-Velox da GroundProbe. A tecnologia avançada do radar foi desenvolvida para detectar e rastrear os riscos geológicos em tempo real. Os dados históricos e coletados em tempo real são extraídos pelo radar e coordenados em modelos de aprendizado de máquina para a previsão de futuros padrões e emissão de alertas precoces no intuito de impedir possíveis eventos perigosos. Isso garante a continuidade das práticas seguras de mineração e previne falhas catastróficas de taludes que poderiam levar à perda de vidas e/ou gigantescos danos ambientais.
O que será do futuro?
Pessoalmente, prevejo que, com o avanço do aprendizado de máquina, veremos mais aplicações desempenhando papéis cruciais na otimização das operações seguras de mineração em todo o mundo, agora e no futuro.