تیمی از پژوهشگران دانشگاه تهران، سامانه‌ای مبتنی بر هوش مصنوعی و یادگیری ماشین برای بهینه‌سازی مدارهای آسیاکنی و کارخانه‌های فرآوری مواد معدنی توسعه داده‌اند که با تکیه بر داده‌های واقعی فرآیند، دقت پیش‌بینی اندازه ذرات محصول را به خطایی کمتر از ۱۰ میکرون رسانده است.
به گزارش روابط‌عمومی دانشگاه تهران، این سامانه که توسط تیم فناور دانشگاه تهران (OptiMine) با هدایت علمی و راهبردی دکتر مهدی قراباغی، عضو هیأت علمی دانشکده مهندسی معدن دانشکدگان فنی دانشگاه تهران و با مشارکت مهندسان ابوالفضل محمدخدایی، پوریا ضیایی و شهریار محمدی و دیگر اعضا، توسعه داده شده است، با تکیه بر داده‌های واقعی فرآیند، به دنبال کاهش اتلاف انرژی، افزایش بهره‌وری تولید و استفاده هوشمندانه‌تر از ظرفیت تجهیزات موجود است.
دکتر مهدی قراباغی، سرپرست این تیم پژوهشی درباره اهمیت 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 یادگیری ماشین برای بهینه‌سازی عملکرد مدارهای آسیاکنی و کارخانه‌های فرآوری مواد معدنی توسعه داده‌اند. این طرح که توسعه آن از رساله دکتری جواد تقوی آغاز شد، نمونه‌ای از حرکت پژوهش دانشگاهی به سوی حل مسائل واقعی صنعت است که حمایت اولیه از آن توسط طرح هاتف انجام شده است.
ایده محوری پروژه، بهره‌گیری از یادگیری ماشین و هوش مصنوعی برای تبدیل داده‌های عملیاتی به دانش کاربردی، هوشمندسازی صنعت و شناسایی شرایطی است که در آن بتوان با حداقل‌سازی مصرف انرژی و حداکثرسازی کمیت و تناژ، کیفیت محصول را در محدوده مطلوب حفظ کرد. این رویکرد، به‌جای اتکا صرف به تنظیمات ثابت و تجربه راهبری سنتی در کارخانه‌های فرآوری، امکان تحلیل نظام‌مند رفتار پیچیده مدار و پشتیبانی داده‌محور از تصمیم‌های بهره‌برداری را فراهم می‌کند.»
وی افزود: «یکی از دستاوردهای فنی مهم این پروژه، توسعه و ارزیابی مدل‌های یادگیری ماشین برای پیش‌بینی اندازه ذرات محصول و توان مصرفی آسیاها بر پایه داده‌های واقعی صنعتی است. در ارزیابی‌های انجام‌شده، دقت پیش‌بینی اندازه محصول به خطایی کمتر از ۱۰ میکرون رسیده است؛ نتیجه‌ای که ظرفیت روش‌های هوشمند را برای شناخت و پیش‌بینی رفتار مدارهای پیچیده آسیاکنی نشان می‌دهد. علاوه بر این، توسعه سایر بخش‌های مدار کارخانه فرآوری نیز در دست اقدام است. این دستاوردها، گامی اساسی در مسیر شناسایی عوامل اثرگذار بر عملکرد مدار و استخراج شرایط عملیاتی مناسب برای بهبود هم‌زمان شاخص‌های انرژی و تولید محصول با کیفیت به شمار می‌رود.»
عضو هیأت علمی مهندسی معدن دانشگاه تهران اظهار داشت: «هدف محوری OptiMine فراتر از پیش‌بینی عملکرد تجهیزات بوده و شامل حرکت به‌سوی کاهش واقعی مصرف انرژی در کارخانه‌های فرآوری بدون افت کیفیت محصول و فراهم‌کردن زمینه افزایش تناژ تولید محصول است. در صنعت فرآوری مواد معدنی که انرژی مصرفی بخش مهمی از هزینه‌های عملیاتی را تشکیل می‌دهد، کاهش میزان مصرف انرژی از منظر اقتصادی و زیست‌محیطی ارزشمند است.»
دکتر قراباغی درباره چشم‌انداز فعالیت‌های آتی این تیم گفت: «چشم‌انداز این تیم، هوشمندسازی کارخانه فرآوری و توسعه سامانه‌ای هوشمند و قابل توسعه برای پایش عملکرد کارخانه‌های فرآوری است؛ سامانه‌ای که بتواند زمینه عبور از بهره‌برداری تجربی به تصمیم‌گیری هوشمند و مبتنی بر شواهد را فراهم سازد. این تیم با پیوند دانش مهندسی فرآوری مواد و فناوری‌های نوین هوش مصنوعی، در پی برداشتن گامی عملی برای ارتقای بهره‌وری انرژی، افزایش ظرفیت تولید و هوشمندسازی فرآیندهای معدنی است.»
گفتنی است این طرح فناور، یکی از ۲۰ دستاورد برگزیده ارائه شده در نخستین نمایشگاه هاتف دانشگاه تهران بود.