Otsalampusta ja hakusta itseoppivaan koneälyteknologiaan – soveltava tutkimus luo ratkaisuja kaivosteollisuuden haasteisiin

Puhuttaessa kaivosalasta, saattaa monella ensimmäinen mielikuva olla vanhakantainen toimiala, jossa töitä tehdään hakuin ja lapioin kasvot mustana hiilestä. Toki kaivostoiminnalla onkin pitkä historia. Esimerkiksi kobolttia, jota tuotetaan myös Suomessa, on käytetty vuosituhansien ajan lasin ja keramiikan värjäämiseen. Vielä viime vuosisadan alussakin erilaiset väriaineet olivat kobolttiyhdisteiden pääasiallinen käyttökohde. Nykyään tämä metalli on kriittinen osa lukuisia moderneja teknologioita, kuten älypuhelimia ja lääketieteen sovelluksia, ja tulevaisuudessa siitä tulee entistä tärkeämpi esimerkiksi sähköautojen yleistyessä. Tulevaisuuden teknologiat ja kestävä kehitys ovat siis riippuvaisia kaivosteollisuudesta.

Aivan kuten nykyteknologia tarvitsee kaivoksia, tarvitsevat kaivokset jatkossa entistä enemmän uutta teknologiaa. Monet malmiesiintymistä ovat entistä niukempia, sijaitsevat hajallaan ja yleensä kaukana kaupungeista. Lisäksi kaivokset ovat toimintaympäristöinä haastavia, sillä laitteet joutuvat niissä koetukselle ja tavanomaiset paikannus- ja tiedonsiirtoratkaisut eivät useimmiten toimi. Myös turvallisuus- ja ympäristöasiat ovat entistä tärkeämpiä ja niissä on globaalilla tasolla yhä paljon kehitettävää. Nämä haasteet ovat ratkaistavissa malmien entistä tarkemmalla kartoituksella ja kaivosprosessien automatisoinnilla ja tehostamisella, mikä puolestaan vaatii uusimpia teknologioiden ja uusien ideoiden hyödyntämistä.

Turvallisuutta ja tehokkuutta teknologian ratkaisuista

VTT:llä tehdään paljon tutkimusta, joka on suoraan sovellettavissa kaivosalan haasteisiin. Esimerkiksi VTT:llä kehitetty superjatkumolaserpohjainen hyperspektrikuvantaminen mahdollistaa materiaalien heijastusominaisuuksien mittaamisen laajalla aallonpituusalueella yli kilometrin etäisyydeltä. Järjestelmää voidaan hyödyntää kivilajien ja malmipitoisuuksien kartoittamiseen. Laitteella kerätyn datan yhdistäminen koneoppiviin algoritmeihin mahdollistaa mitatun kohteen reaaliaikaiseen tunnistukseen.

Juuri äskettäin käynnistynyt RAGE-projekti (Real-Time AI-Supported Ore Grade Evaluation for Automated Mining) tuo yhteen VTT:n, Maanmittauslaitosten ja lukuisten yritysten osaamisen ja pyrkii vastaamaan kaivosten tulevaisuuden haasteisiin ja lisäämään niiden tehokkuutta ja turvallisuutta. Projekti yhdistää ylläkuvatun laserpohjaisen malmintunnistuksen, perinteiset spektroskooppiset menetelmät, sisätilapaikannuksen, uudet tiedonsiirtomenetelmät ja reaaliaikaisen koneälyn ainutlaatuisella tavalla. Projektilla on selkeä tavoite: kehittää automatisoitu, luotettava ja itseoppiva mineraalien kartoitusjärjestelmä, jota voidaan hyödyntää kaivosprosessin eri vaiheissa – alustavasta kartoituksesta loppulajitteluun saakka.

VTT:n koordinoimassa X-Mine -projektissa (Horisontti 2020 -ohjelma) taas kehitetään muun muassa uutta röntgensensoriteknologiaa ja algoritmeja mineraalien lajitteluun kaivoksilla. Lajittelun avulla voidaan poistaa hylkykiveä, jolloin jauhatuksessa säästyy energiaa ja myöhemmissä prosessivaiheissa kemikaaleja.

VTT:llä tutkitaan myös Raman-spektroskopian käyttämistä lietteiden mittaamisessa rikastusprosessissa, ja kamerapohjaisten tekniikoiden käyttöä kuplakoon mittaamiseen rikastuskennon sisältä. Näissä kummassakin tavoitteena on saada parempi kuva rikastusprosessin kulloisestakin tilasta, ja tämän avulla päästä parempaan rikastusprosessin optimointiin ja säätöön.

Uudet teknologiat esillä FEM-konferenssissa Levillä

29.-31. lokakuuta järjestetään järjestyksessään kahdestoista Fennoscandian Exploration and Mining -tapahtuma, joka tuo yhteen kaivosalan johtajia ja asiantuntijoita yli 30:stä maasta. Tilaisuudessa on erinomainen mahdollisuus kuunnella konferenssiesitelmä hyperspektrimittauksesta mallintunnistuksesta tai pysähtyä VTT:n messuosastolle keskustelemaan teknologioista tarkemmin.

Janne Paaso
Senior Scientist
Timo Dönsberg
Senior Scientist
etunimi.sukunimi@vtt.fi

Leave a Reply

This site uses Akismet to reduce spam. Learn how your comment data is processed.