Sztuczna inteligencja w górnictwie. Algorytm szuka surowców przyszłości

AI w górnictwie pomaga analizować dane geologiczne, wskazywać miejsca odwiertów, sterować autonomicznymi maszynami i wykrywać sygnały poprzedzające niebezpieczne zdarzenia pod ziemią. Technologia może ograniczyć liczbę nietrafionych wierceń, zużycie energii i ilość odpadów przypadających na tonę wydobytego surowca. Ten sam wzrost efektywności może jednak przyspieszyć globalny wyścig po lit, miedź, nikiel i pierwiastki ziem rzadkich, przenosząc środowiskowy koszt transformacji energetycznej do nowych regionów świata.

.Transformacja energetyczna i cyfrowa często przedstawiana jest jako odejście od gospodarki opartej na ciężkim przemyśle. Samochód elektryczny zastępuje silnik spalinowy, turbina wiatrowa elektrownię węglową, a centrum danych tradycyjne archiwum. Za tym obrazem czystej, niemal niematerialnej gospodarki kryje się jednak rosnące zapotrzebowanie na skały, metale i chemiczne procesy ich przetwarzania.

Miedź jest potrzebna sieciom elektroenergetycznym, silnikom, centrom danych i elektronice. Lit pozostaje podstawowym składnikiem najważniejszych technologii akumulatorowych. Nikiel jest wykorzystywany w części baterii oraz stopach dla przemysłu. Pierwiastki ziem rzadkich umożliwiają produkcję silnych magnesów używanych między innymi w turbinach, silnikach elektrycznych, robotyce i systemach obronnych.

Sztuczna inteligencja także zależy od tych materiałów. Chipy, serwery, transformatory, przewody, układy chłodzenia i centra danych nie powstają wyłącznie z kodu. Rozwój cyfrowej gospodarki wymaga rozbudowy materialnej infrastruktury, która zaczyna się w kopalni.

AI wchodzi więc do górnictwa w podwójnej roli. Ma pomóc znaleźć metale potrzebne do budowy przyszłości, a zarazem zwiększa popyt na część z nich. Algorytm szukający nowych złóż pracuje pośrednio także na rzecz infrastruktury, bez której sam nie mógłby istnieć.

Model szuka wzoru, geolog szuka złoża

.Poszukiwanie złóż opiera się na łączeniu niepełnych informacji. Geolog analizuje budowę skał, wyniki odwiertów, próbki geochemiczne, dane magnetyczne, grawimetryczne i sejsmiczne, zdjęcia satelitarne oraz dokumentację pozostawioną przez wcześniejsze ekspedycje. Każde źródło opisuje inny fragment podziemnej rzeczywistości, której nie można zobaczyć w całości.

Sztuczna inteligencja może zestawić te informacje w skali trudnej do osiągnięcia metodami ręcznymi. Model poszukuje zależności między cechami znanych złóż a sygnałami obecnymi na nowych obszarach. Wskazuje miejsca, w których określone układy skał, pierwiastków i struktur geologicznych zwiększają prawdopodobieństwo występowania mineralizacji.

Korzyść nie polega na magicznym odnalezieniu metalu pod ziemią. Algorytm pomaga ustalić, gdzie warto skierować geologów, wykonać dokładniejsze pomiary lub przeprowadzić kosztowny odwiert. W branży, w której większość projektów poszukiwawczych nie kończy się uruchomieniem kopalni, lepsze wybranie celu może oszczędzić lata i ogromne nakłady.

Firma KoBold Metals stała się symbolem tego podejścia. Łączy dane geologiczne, nowe metody pomiarowe, modele predykcyjne i wiedzę specjalistów, aby typować obszary poszukiwań miedzi, litu, niklu oraz innych metali. Odkrycie Mingomba w Zambii jest przedstawiane jako dowód, że połączenie nauk o Ziemi i zaawansowanej analityki może prowadzić do dużych projektów.

Przypadek ten wymaga jednak ostrożności. Złoża nie odkrył sam algorytm. Wynik powstał dzięki współpracy geologów, zespołów terenowych, danych historycznych, wierceń i modeli. AI pomogła uporządkować niepewność i wybierać kolejne działania, ale nie zastąpiła fizycznego sprawdzenia hipotezy.

Model może wskazać prawdopodobne miejsce. Dopiero odwiert pokaże, czy pod ziemią rzeczywiście znajduje się złoże, jaką ma miąższość, jakość i strukturę oraz czy jego wydobycie będzie technicznie i ekonomicznie możliwe.

Miedź, lit, nikiel i pierwiastki ziem rzadkich tworzą nową mapę siły

.Znaczenie AI w górnictwie wynika ze skali nadchodzącego zapotrzebowania. Według prognoz Międzynarodowej Agencji Energetycznej popyt na surowce krytyczne niemal podwoi się do 2040 roku przy realizacji obecnych polityk. Zapotrzebowanie na lit ma wzrosnąć ponad trzykrotnie, a popyt na nikiel i magnetyczne pierwiastki ziem rzadkich o kilkadziesiąt procent. Największy przyrost ilościowy przypadnie miedzi.

Każdy z tych surowców zajmuje inne miejsce w gospodarce.

Miedź jest metalem elektryfikacji. Bez niej trudno rozbudowywać sieci przesyłowe, instalacje odnawialnych źródeł energii, ładowarki, silniki, centra danych i systemy telekomunikacyjne. Cyfryzacja oraz transformacja energetyczna zwiększają zapotrzebowanie na ten sam materiał.

Lit stał się symbolem gospodarki akumulatorowej. Zmiany składu chemicznego baterii mogą zmniejszać wykorzystanie niektórych metali, ale rozwój samochodów elektrycznych i magazynów energii nadal oznacza silny wzrost popytu na lit.

Nikiel pozostaje ważny dla części baterii o wysokiej gęstości energii, a także dla stali nierdzewnej i specjalistycznych stopów. Jego strategiczne znaczenie nie ogranicza się więc do elektromobilności.

Pierwiastki ziem rzadkich, zwłaszcza neodym, prazeodym, dysproz i terb, są potrzebne do wytwarzania magnesów trwałych o wysokich parametrach. Znajdują zastosowanie w energetyce, motoryzacji, lotnictwie, robotyce, elektronice i systemach wojskowych.

Posiadanie zasobów geologicznych nie daje jednak automatycznie przewagi. Kluczowe są również zdolności przetwarzania, rafinacji i produkcji komponentów. Państwo może wydobywać rudę, a mimo to pozostać zależne od kraju, do którego wysyła ją w celu dalszego oczyszczania.

Globalne łańcuchy tych surowców są silnie skoncentrowane. Chiny dominują w przetwarzaniu wielu metali i pierwiastków ziem rzadkich, a Indonezja stała się centralnym graczem na rynku niklu. AI może pomóc odkrywać alternatywne złoża, ale nie zbuduje w krótkim czasie hut, rafinerii, infrastruktury energetycznej ani kompetencji potrzebnych do ich działania.

Geologia jest dopiero pierwszą warstwą suwerenności surowcowej.

Kopalnia bez kierowcy nadal potrzebuje człowieka

.Najbardziej widocznym przejawem automatyzacji górnictwa są autonomiczne ciężarówki. W wielkich kopalniach odkrywkowych pojazdy przemieszczają setki ton materiału po wyznaczonych trasach bez kierowcy w kabinie. Systemy sterujące znają położenie maszyn, ich prędkość, kierunek jazdy oraz sytuację na drogach technologicznych.

Rio Tinto wykorzystuje w australijskich operacjach ponad sto autonomicznych ciężarówek, a transport rudy pomiędzy kopalniami i portami wspiera również zautomatyzowana kolej AutoHaul. Maszyny są nadzorowane z centrów operacyjnych oddalonych o setki kilometrów od miejsca wydobycia.

Automatyzacja może ograniczać ekspozycję pracowników na pył, hałas, wysoką temperaturę, drgania i ryzyko kolizji. Pozwala również utrzymywać bardziej regularny ruch pojazdów, zmniejszać liczbę gwałtownych hamowań i lepiej planować wykorzystanie sprzętu.

Nie każda autonomiczna maszyna korzysta jednak z zaawansowanej sztucznej inteligencji. Część wykonuje powtarzalne zadania według zaprogramowanych tras i reguł. AI pojawia się tam, gdzie system analizuje otoczenie, przewiduje zachowanie innych urządzeń, wykrywa przeszkody, optymalizuje harmonogram albo reaguje na zmianę warunków.

Przeniesienie operatora z kabiny do centrum sterowania nie usuwa odpowiedzialności człowieka. Zmienia jej charakter. Pracownik przestaje bezpośrednio prowadzić jedną maszynę, a zaczyna nadzorować cały układ pojazdów, danych i automatycznych decyzji.

Awaria czujnika, utrata łączności albo błędnie sklasyfikowany obiekt może wpłynąć na wiele maszyn jednocześnie. System złożony z autonomicznych urządzeń wymaga procedur zatrzymania, fizycznego oddzielenia stref pracy oraz możliwości przejęcia kontroli.

Kopalnia bez kierowców w kabinach nie jest kopalnią bez ludzi. Potrzebuje geologów, mechaników, automatyków, specjalistów od danych, operatorów zdalnych i zespołów odpowiedzialnych za bezpieczeństwo systemu.

Tąpnięcia nie da się przewidzieć jak godziny odjazdu

.W kopalniach podziemnych największa obietnica AI dotyczy bezpieczeństwa. Czujniki mogą rejestrować mikrowstrząsy, naprężenia skał, deformacje wyrobisk, przepływ powietrza, temperaturę, obecność gazów oraz pracę urządzeń. Model analizuje strumień informacji i poszukuje układów poprzedzających niebezpieczne zdarzenia.

Uczenie maszynowe może pomóc oceniać ryzyko tąpnięcia, zawału albo gwałtownej zmiany warunków geotechnicznych. System może wskazać obszar wymagający dodatkowej obserwacji, czasowego wycofania załogi lub zmiany sposobu prowadzenia robót.

Technologia nie usuwa jednak fundamentalnej niepewności. Górotwór jest złożonym systemem, a część procesów zachodzi poza zasięgiem sensorów. Dane historyczne obejmują ograniczoną liczbę rzadkich, niebezpiecznych zdarzeń, przez co modele uczą się na materiałach niepełnych i nierównomiernych.

Wysoka skuteczność w badaniu nie oznacza pewnego przewidzenia konkretnego tąpnięcia w realnej kopalni. Model może wskazać wzrost prawdopodobieństwa, nie podaje jednak dokładnego miejsca i chwili każdego zdarzenia.

Niebezpieczne są dwa rodzaje błędów. Fałszywy alarm może prowadzić do częstych przestojów, utraty zaufania załogi i ignorowania kolejnych ostrzeżeń. Brak alarmu przed rzeczywistym zagrożeniem może kosztować życie.

Decyzja o wycofaniu ludzi nie może opierać się wyłącznie na jednej wartości wygenerowanej przez model. Potrzebuje danych z różnych systemów, wiedzy geotechnicznej oraz jasno określonych progów bezpieczeństwa.

AI może być dodatkowym zmysłem kopalni. Nie może stać się usprawiedliwieniem dla obniżenia klasycznych standardów ochrony pracowników.

Kamera widzi hełm, ale także obserwuje człowieka

.Systemy wizyjne mogą wykrywać wejście pracownika do strefy niebezpiecznej, brak wyposażenia ochronnego, zbliżenie człowieka do maszyny albo pojawienie się dymu. Czujniki noszone na ubraniu potrafią informować o położeniu załogi, upadku, wysokiej temperaturze i niektórych oznakach zmęczenia.

Zastosowania te mogą przyspieszyć reakcję na zagrożenie. W podziemnym zakładzie dokładna informacja o miejscu przebywania ludzi ma szczególne znaczenie podczas awarii lub akcji ratowniczej.

Ten sam system tworzy jednak szczegółową mapę pracy człowieka. Może mierzyć tempo wykonywania zadań, przerwy, trasę przemieszczania się i czas spędzony w konkretnym miejscu. Narzędzie bezpieczeństwa łatwo może stać się narzędziem permanentnej kontroli wydajności.

Pracownik powinien wiedzieć, jakie dane są zbierane, jak długo pozostają przechowywane oraz czy zostaną wykorzystane do oceny jego pracy. System wykrywający zagrożenie nie powinien automatycznie tworzyć profilu behawioralnego używanego przy decyzjach kadrowych.

Bezpieczeństwo nie może być uniwersalnym uzasadnieniem dla każdej formy nadzoru.

Mniej skały, energii i odpadów na tonę metalu

.AI może ograniczać środowiskowy koszt górnictwa na kilku etapach. Lepsze rozpoznanie złoża pozwala dokładniej planować wydobycie i zmniejszać ilość skały przemieszczanej bez potrzeby. Systemy sortowania rudy mogą wcześniej oddzielać materiał o niewielkiej zawartości metalu, zanim trafi on do energochłonnego kruszenia oraz dalszego przetwarzania.

Modele sterujące zakładem przeróbczym dobierają parametry pracy do zmiennego składu rudy. Mogą ograniczać zużycie energii, wody i odczynników, utrzymując jednocześnie jakość koncentratu. Predykcyjne utrzymanie maszyn pozwala wymieniać części przed awarią, ale bez niepotrzebnie wczesnego wyłączania sprawnych urządzeń.

Algorytmy mogą również monitorować zbiorniki odpadów poflotacyjnych, deformacje zapór i jakość wody. Analiza zdjęć satelitarnych, pomiarów naziemnych i danych z czujników pomaga wcześniej wykrywać zmiany wymagające interwencji.

Osobnym obszarem jest ponowne przetwarzanie odpadów wydobywczych. Materiał uznany kilkadziesiąt lat temu za nieopłacalny może nadal zawierać metale, których odzyskanie staje się możliwe dzięki wyższym cenom i lepszym technologiom. AI może pomóc ocenić skład dawnych składowisk i wybrać najbardziej obiecujące miejsca.

Ponowne wykorzystanie odpadów może jednocześnie ograniczyć potrzebę nowego wydobycia i zmniejszyć ryzyko środowiskowe pozostawionych obiektów. Nie każdy osad da się jednak bezpiecznie przetworzyć, a uruchomienie prac może ponownie uwolnić zanieczyszczenia.

Algorytm poprawia efektywność procesu. Nie zastępuje badań środowiskowych ani odpowiedzialności za wieloletnie skutki kopalni.

Większa efektywność może oznaczać więcej wydobycia

.Najważniejszy paradoks AI w górnictwie polega na tym, że ograniczenie kosztu jednostkowego nie musi zmniejszyć całkowitego wpływu na środowisko. Dokładniejsze poszukiwania, autonomiczne maszyny i wydajniejsza przeróbka mogą sprawić, że eksploatacja złóż wcześniej uznawanych za zbyt trudne stanie się opłacalna.

Kopalnia może zużywać mniej energii na tonę miedzi, ale produkować znacznie więcej ton. Lepsze zarządzanie wodą może ograniczyć jednostkowe zużycie, a jednocześnie umożliwić rozbudowę zakładu na większym obszarze. Automatyzacja może zmniejszyć liczbę wypadków, lecz także ułatwić prowadzenie prac w miejscach coraz bardziej odległych i wymagających.

Technologia optymalizuje cel, który zostanie jej wyznaczony. Jeśli przedsiębiorstwo wymaga maksymalizacji wydobycia przy określonych ograniczeniach, system będzie szukał sposobu zwiększenia produkcji. Nie zada pytania, czy całościowy koszt dla lokalnej społeczności, zasobów wodnych i przyrody pozostaje do zaakceptowania.

AI może ograniczyć ślad pojedynczej operacji. Nie gwarantuje zmniejszenia presji globalnego sektora wydobywczego.

Do odpowiedzialnej transformacji potrzebne są również recykling, projektowanie produktów zużywających mniej materiałów, możliwość naprawy urządzeń i zastępowanie surowców tam, gdzie jest to technicznie możliwe. Najczystsza tona metalu pozostaje tą, której nie trzeba było dodatkowo wydobyć.

Dane geologiczne stają się zasobem strategicznym

.Wartość modelu zależy od danych. W górnictwie szczególne znaczenie mają archiwalne wyniki odwiertów, mapy, próbki, dokumentacja kopalń, dane sejsmiczne i informacje o nieudanych poszukiwaniach. Nawet negatywny wynik może pomóc modelowi zrozumieć, gdzie złoża prawdopodobnie nie ma.

Znaczna część tych informacji jest rozproszona pomiędzy administracją, przedsiębiorstwami, uczelniami i dawnymi archiwami papierowymi. Państwa posiadające dobrze opisane i cyfrowo dostępne dane geologiczne mogą być atrakcyjniejsze dla nowych projektów oraz skuteczniej oceniać własny potencjał.

Powstaje jednak pytanie, kto kontroluje model wytrenowany na krajowej wiedzy o podziemnych zasobach. Zagraniczna firma może otrzymać dostęp do danych publicznych, połączyć je z własnym oprogramowaniem i stworzyć narzędzie, którego państwo nie będzie mogło samodzielnie odtworzyć.

Informacje o prawdopodobnym położeniu metali krytycznych nie są zwykłym zbiorem biznesowym. Wpływają na politykę przemysłową, bezpieczeństwo energetyczne, negocjacje z inwestorami i wartość gruntów.

Administracja nie musi budować wszystkich modeli samodzielnie. Powinna jednak zachować kontrolę nad danymi, prawem do audytu oraz możliwością wykorzystania wyników bez trwałego uzależnienia od jednego dostawcy.

Suwerenność surowcowa zaczyna się nie tylko od złoża, lecz także od wiedzy o jego istnieniu.

Europa chce więcej wydobywać, ale nie zniosła politycznych kosztów kopalni

.Unijny Critical Raw Materials Act wyznacza na 2030 rok cele dotyczące zwiększenia wydobycia, przetwarzania i recyklingu strategicznych surowców oraz ograniczenia zależności od pojedynczych państw trzecich. Europa chce rozwijać własne projekty, skracać procedury i dywersyfikować dostawy.

AI może pomóc lepiej wykorzystać europejskie dane geologiczne, wskazywać potencjalne złoża i poprawiać efektywność istniejących kopalń. Nie rozwiąże jednak najtrudniejszego problemu europejskiej polityki surowcowej: społecznego oporu wobec nowych inwestycji.

Mieszkańcy mogą popierać samochody elektryczne, energetykę wiatrową i niezależność od importu, a równocześnie sprzeciwiać się kopalni w pobliżu własnego miasta, źródeł wody lub obszaru chronionego. Konflikt nie wynika wyłącznie z braku informacji. Dotyczy podziału korzyści i kosztów.

Państwo oraz inwestor muszą wyjaśnić, kto otrzyma dochody, kto poniesie ryzyko, jak będzie monitorowane środowisko i co stanie się z regionem po zakończeniu wydobycia. Model geologiczny nie zastąpi zgody społecznej.

Złoże może być strategiczne dla całego kontynentu, a jego skutki pozostają lokalne.

Polska ma miedź i potrzebuje własnych kompetencji

.Dla Polski najważniejszym punktem odniesienia pozostaje miedź. KGHM posiada rozbudowane kompetencje w górnictwie podziemnym, przetwarzaniu rudy i hutnictwie, a jego działalność ma znaczenie wykraczające poza pojedyncze przedsiębiorstwo. Miedź stanowi podstawę elektryfikacji oraz jeden z materiałów, których przyszła podaż budzi coraz większe obawy.

Zastosowanie AI nie powinno ograniczać się do zakupu gotowych narzędzi. Polska potrzebuje kompetencji w analizie danych geologicznych, monitorowaniu górotworu, diagnostyce maszyn, automatyce podziemnej i zarządzaniu obiektami odpadowymi.

KGHM uczestniczy w projektach rozwijających systemy monitoringu oraz algorytmy dla infrastruktury związanej z wydobyciem. Nowa strategia grupy wskazuje również zainteresowanie rozszerzaniem wiedzy poza miedź, między innymi w kierunku litu i pierwiastków ziem rzadkich.

Najważniejsza będzie jednak zdolność utrzymania wiedzy w kraju. Model dostarczony z zewnątrz może poprawić wydajność pojedynczej operacji. Własne zespoły badawcze i inżynieryjne tworzą kompetencję, którą można rozwijać w kolejnych kopalniach, dostosowywać do lokalnej geologii i eksportować.

Polska nie wygra globalnego wyścigu samą skalą kapitału. Może budować przewagę na doświadczeniu górniczym, danych z wieloletniej eksploatacji oraz połączeniu wiedzy geologicznej z automatyką i sztuczną inteligencją.

Algorytm może znaleźć złoże. Nie odpowie, czy należy je wydobyć

.AI może zmienić górnictwo na każdym etapie. Pomoże wybrać miejsce odwiertu, dokładniej opisać złoże, sterować ciężarówką, monitorować urządzenia, analizować mikrowstrząsy i ograniczać zużycie energii. W branży działającej na olbrzymiej skali nawet niewielka poprawa efektywności może przełożyć się na znaczące oszczędności oraz większe bezpieczeństwo.

Technologia nie rozwiązuje jednak najważniejszego konfliktu. Świat potrzebuje więcej metali do budowy sieci, baterii, turbin, elektroniki, infrastruktury wojskowej i centrów danych. Wydobycie tych surowców oznacza ingerencję w krajobraz, wykorzystanie wody, produkcję odpadów i zmianę życia lokalnych społeczności.

AI może zmniejszać koszt środowiskowy przypadający na tonę surowca. Może również obniżyć ekonomiczną barierę uruchamiania kolejnych kopalń. O kierunku zmiany nie zdecyduje sam model, lecz cele zapisane przez przedsiębiorstwa, państwa i inwestorów.

Inteligentne górnictwo nie powinno oznaczać wyłącznie szybszego wydobywania. Powinno obejmować lepsze rozpoznanie konsekwencji, publiczną kontrolę danych, bezpieczeństwo pracowników, recykling oraz prawo społeczności do współdecydowania.

Algorytm może wskazać miejsce, w którym pod ziemią znajduje się miedź albo lit. Nie oceni, czy zysk gospodarczy usprawiedliwia utratę wody, przesiedlenie ludzi lub zniszczenie ekosystemu.

Maszyna może pomóc odnaleźć surowce przyszłości. O tym, jaką przyszłość z nich zbudujemy, nadal decyduje człowiek.

Szymon Ślubowski