چاپ

سیاست و بازاریابی - پژوهشگران دانشگاه با توسعه سامانه‌های هوش مصنوعی، دقت پیش‌بینی اندازه ذرات در کارخانه‌های فرآوری مواد معدنی را بهبود داده و خطای پیش‌بینی را به کمتر از ۱۰ میلیون رسانده‌اند.

به گزارش خبرگزاری مهر به نقل از دانشگاه تهران، تیمی از پژوهشگران دانشگاه، سامانه‌های تولید بر روی هوش مصنوعی و ماشینی برای بهینه‌سازی مدارهای آسیاکنی و کارخانه‌های فرآوری مواد معدنی توسعه داده شده‌اند که با تکیه بر روش‌های واقعی، دقت پیش‌بینی اندازه‌های ذرات محصول را به خطایی کمتر از ۱۰ میلیون رسانده است.
این سامانه که توسط تیم فناور دانشگاه تهران (OptiMine) با هدایت علمی و راهبردی مهدی قراباغی، عضو هیئت علمی دانشکده مهندسی معدن دانشکدگان فنی دانشگاه تهران و با مشارکت مهندسان ابوالفضل محمدخدایی، پوریا ضیایی و شهریار محمدی و سایر اعضای تولید شده، توسعه داده شده است. هوشمندانه‌تر از تجهیزات موجود است. مهدی قراباغی، سرپرست تیم پژوهشی درباره طراحی این سامانه گفت: مصرف بالای انرژی الکتریکی یکی از چالش‌های اساسی در معادن و صنایع معدنی به شمار می‌رود. در همین راستا، تیم فناور دانشگاه تهران (OptiMine) راهکاری هوشمند مبتنی بر هوش مصنوعی و ماشین برای بهینه سازی عملکرد مدارهای آسیاکنی و کارخانه های فری مواد معدنی توسعه داده شده است. این که توسعه آن از رساله دکتری جواد تقوی آغاز شد، نمونه‌ای از پژوهش پژوهشی دانشگاهی برای حل مسائل واقعی صنعت است که طرح حمایت از آن توسط طرح هاتف انجام شده است. پروژه ایده‌آل، بهره‌برداری از ماشین و هوش مصنوعی برای تبدیل عملیات‌سازی به دانش کاربردی، صنعت هوشمند و شناسایی شرایطی است که در آن می‌توان با کمترین مصرف انرژی و مقدار کمیت و تناژ، کیفیت محصول را در حد مطلوب حفظ کرد. این موضوع، به‌جای اتکا فقط به نقطه‌نظر ثابت و تجربه راهبری سنتی در کارخانه‌های فرآوری، امکان تحلیل نظام‌مندی را می‌دهد و از تصمیم‌گیری‌های بهره‌برداری را پشتیبانی می‌کند. وی افزود: یکی از تحقیقات فنی مهم این پروژه، توسعه و ارزیابی مدل‌های ماشین برای پیش‌بینی اندازه‌های محصول و مصرف انرژی آسیایی بر پایه داده‌های واقعی صنعتی است. در ارزیابی های انجام شده، دقت پیش بینی اندازه گیری محصول به خطایی کمتر از ۱۰ میکرون رسیده است. نتیجه‌ای که روش‌های هوشمند را برای شناخت و پیش‌بینی رفتارهای پیچیده آسیاکنی نشان می‌دهد. علاوه بر این، سایر بخش‌های مدار کارخانه فرآوری نیز در دست اقدام است. این مجموعه‌ها، گامی اساسی در شناسایی عوامل تأثیرگذار بر عملکرد و هم شرایط عملیاتی مناسب برای بهبود شاخص‌های انرژی و تولید محصول با کیفیت به شماره می‌رود. عضو هیأت علمی مهندسی معدن دانشگاه تهران اظهار داشت: هدف محوری OptiMine فراتر از پیش‌بینی عملکرد تجهیزات بوده و شامل حرکت به‌سوی کاهش مصرف انرژی در کارخانه‌های فرآوری بدون کیفیت محصول و فراهم‌کردن زمینه افزایش تناژ تولید محصول است. در صنعت فرآوری مواد معدنی که انرژی مصرفی بخش مهمی از هزینه‌های عملیاتی را می‌دهد، کاهش مصرف انرژی از نظر اقتصادی و زیست‌محیطی ارزشمند است.
قراباغی درباره چشم‌انداز فعالیت‌های آتی این تیم گفت: چشم‌اندازی این تیم، کارخانه هوشمندسازی فرآوری و توسعه سامانه‌های هوشمند و قابل توسعه برای تولید پایش کارخانه‌های فرآوری است. سامانه‌ای که زمینه عبور از بهره‌برداری تجربی به تصمیم‌گیری هوشمند و مبتنی بر شواهد را فراهم می‌کند. این تیم با پیوند دانش مهندسی فرآوری مواد و فناوری‌های نوین مصنوعی، در پی برداشتن گامی عملی برای افزایش بهره‌وری انرژی، افزایش توان تولید و هوشمندسازی فرآیندهای معدنی است. گفتنی است این طرح فناور، یکی از ۲۰ برگزیده شده در اولین نمایشگاه هاتف دانشگاه تهران بود.