هوش مصنوعی، بیولیچینگ فلزات را متحول می‌کند

پژوهشگران با توسعه یک مدل هیبریدی مبتنی بر هوش مصنوعی، گام مهمی در شبیه‌سازی و بهینه‌سازی فرآیند هیپ لیچینگ (Heap Leaching) سنگ‌های اکسیدی مس برداشته‌اند. این پژوهش با ترکیب مدل‌های فیزیکی جریان سیال در محیط‌های متخلخل و شبکه‌های عصبی مصنوعی (ANN)، امکان پیش‌بینی دقیق‌تر میزان بازیابی مس و مصرف اسید را در فرآیند لیچینگ فراهم کرده است. در این روش، به جای استفاده از مدل‌های پیچیده سینتیک انحلال، شبکه عصبی مصنوعی رفتار واکنش‌های شیمیایی را بر اساس داده‌های آزمایشگاهی فرا می‌گیرد. نتایج آموزش مدل نشان داد که این سامانه توانسته با خطای بسیار پایین عملکرد فرآیند را شبیه‌سازی کند. هرچند اختلاف میان پیش‌بینی‌ها و نتایج واقعی عمدتاً ناشی از تفاوت‌های کانی‌شناسی نمونه‌های معدنی بوده است؛ عاملی که هنوز به‌طور کامل در داده‌های آموزشی لحاظ نشده است. اعتبارسنجی مدل در مقیاس ستونی نیز نشان داد که این رویکرد توانایی قابل قبولی در پیش‌بینی عملکرد فرآیند دارد و می‌تواند با توسعه پایگاه داده‌های متنوع‌تر، دقت بالاتری کسب کند. پژوهشگران تأکید می‌کنند که کیفیت و تنوع داده‌های تجربی، نقش تعیین‌کننده‌ای در افزایش توان تعمیم این مدل دارد. این دستاورد می‌تواند به ابزاری ارزشمند برای مدیریت و بهینه‌سازی عملیات هیپ لیچینگ تبدیل شود؛ به‌گونه‌ای که مهندسان معدن بتوانند برنامه آبیاری توده‌های لیچینگ، مصرف اسید و میزان بازیابی فلز را با دقت بیشتری پیش‌بینی کنند. استفاده از چنین مدل‌هایی علاوه بر کاهش هزینه و زمان انجام آزمایش‌های میدانی، می‌تواند بهره‌وری فرآوری مواد معدنی را افزایش داده و به توسعه روش‌های پایدارتر و اقتصادی‌تر در صنعت معدن کمک کند.