40 گام به سوی آینده‌ای هوشمند - مجموعه وبینارهای رایگان در حوزه هوش مصنوعی
Filter by دسته‌ها
chatGTP
آموزش هوش مصنوعی و انواع آن
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
پایتون و ابزارهای یادگیری عمیق
کتابخانه‌ های یادگیری عمیق
یادگیری با نظارت
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
اخبار
تیتر یک
رسانه‌ها
آموزش پردازش زبان طبیعی
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
رویدادها
کاربردهای هوش مصنوعی
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
 آینده‌ای پاک با کشف ذخایر جدید مس

آینده‌ای پاک با کشف ذخایر جدید مس

بیشتر از یکصد کشور، از جمله ایالات متحده و کشورهای عضو اتحادیه اروپا، متعهد شده‌اند انتشار گاز کربن را تا سال ۲۰۵۰ به صفر برسانند. به منظور تحقق این هدف، جهان به مقدار زیادی فلز، به ویژه مس نیاز دارد.

اخیراً زنگ هشدار آژانس بین المللی انرژی در مورد عرضه جهانی مس به عنوان پرکاربردترین فلز در فناوری‌های انرژی تجدیدپذیر به صدا در آمده است. با توجه به پیش‌بینی بانک گلدمن ساکس در مورد رشد ۶۰۰ درصدی تقاضای مس تا سال ۲۰۳۰، و پُرتَنش شدنِ عرضه جهانی آن، روشن است که باید سریعاً برای پیدا کردن ذخایر جدید و بزرگ مس دست‌به‌کار شویم.

این حجم عظیم تنها با کشف ذخایر بزرگ و جدید به دست می‌آید. با این حال، به دلیل پایین بودن قیمت مس، طی دهه‌های گذشته تلاش چندانی برای اکتشاف آن صورت نگرفته است.

دانشمندان به دنبال توسعه نرم‌افزاری برای مدل‌سازی زمین به صورت چهار بعدی هستند تا با بررسی اعماق سیاره و بازگشت به گذشته، محل ذخایر مس در رشته کوه‌های قدیمی را کشف کنند. این نرم‌افزار GPlates نام دارد و یک سیستم اطلاعاتی چهار بعدی قدرتمند برای زمین شناسان به شمار می‌آید.

ذخایر بزرگ مس چگونه تشکیل می‌شوند؟

بسیاری از غنی‌ترین ذخایر مس جهان در امتداد رشته کوه‌های آتشفشانی مانند راکی و آند ​​تشکیل شده‌اند. در این مناطق، طی فرایندی به نام «فرورانش»، پوسته‌ی اقیانوسی و قاره‌ای با یکدیگر برخورد می‌کنند و صفحه اقیانوسی به زیر لبه قاره می‎لغزد.
در نتیجه این فرآیند، انواع سنگ‌های آذرین و ذخایر مس در امتداد لبه قاره و در عمِق یک تا پنج کیلومتری پوسته تشکیل می‌شوند.  لبه قاره محلی است که مواد مذابِ حاوی مس (و سایر کانی‌ها) در پهنه گسل جریان دارند. پس از گذشت میلیون‌ها سال و با حرکت صفحه و فرسایش بیشتر آن، این ذخایر گران‌بها به سطح زمین نزدیک‌تر شده و آماده کشف هستند.

مس
نمونه ای از مس که به صورت ماده معدنی به نام کالکوپیریت در یک رگه‌ کوارتزی جای گرفته است. هنگامی که در معرض هوا قرار می‌گیرد، سطح کانی اکسید می‌شود و به سنگ جلای زیبایی می‌دهد.

جست‌وجو برای یافتن مس

زمین‌شناسان اغلب از ابزارهای ثابتی برای جستجوی مس استفاده می‌کنند. این ابزارها شامل نگاشت نقشه‌های زمین‌شناسی، نمونه‌برداری ژئوشیمیایی، بررسی‌های ژئوفیزیکی و سنجش از راه دور است. با این حال هیچ یک از آن‌ها خاستگاه مواد مذاب را عاملی برای تشکیل ذخایر مس نمی‌دانند.

ماگما، یا مواد مذاب، از «گُوه گوشته» بیرون می‌ریزند. گوه گوشته قطاع مثلثی شکل است که بر اثر برخورد دو صفحه اقیانوسی و قاره‌ای تشکیل و آب اقیانوس وارد آن می‌شود. صفحه اقیانوسی هنگام فرورانش گرم شده و در نتیجه آن مایعات آزاد می‌شوند و زیر لایه بالایی (یعنی پوسته قاره‌ای) قرار می‌گیرند. در نهایت، این فعل و انفعالات منجر به بروز فعالیت‌های آتشفشانی در سطح زمین و تجمع فلزاتی مانند مس می‌شود.

راز زمان و مکان شکل‌گیری معادن مس ممکن است در انواع فرورانش و خصوصیات صفحه‌های اقیانوسی نهفته باشد. با این حال، این اطلاعات به طور معمول در اکتشاف مس مورد استفاده قرار نمی‌گیرد.

زمین مجازی

دانشمندان گروه پژوهشی EarthByte، با کمک نرم‌افزار شبیه‌سازی صفحات تکتونیک به نام GPlates، در حال ساخت یک زمین مجازی هستند. با کمک این نرم‌افزار دانشمندان می‌توانند به گذشته بازگردند و لایه‌های زیرین پوسته زمین را بررسی کنند. یکی از موارد کاربرد این فناوری شناسایی محل شکل‌گیری ذخایر مس در کمربندهای کوهستانی است.

مس
ذخایر مس در بالای پهنه فرورانش در امتداد رشته‌کو‌های آتشفشانی تشکیل می‌شوند. این شماتیک مقیاس بندی نشده ‌است.

دانشمندان این گروه تحقیقاتی، در مقاله‌ای که اخیراً منتشر شده است، نحوه شکل‌گیری ذخایر مس را توضیح دادند. آن‌ها وضعیت ۸۰ میلیون سال را از لحاظ این ذخایر بررسی کردند زیرا بیشترین ذخایر اقتصادی مس کشف شده در امتداد رشته‌کوه‌ها، در این دوره تشکیل شده‌اند. از طرفی در مدل پیشنهادی، این دوره بالاترین دقت را دارد.

این دانشمندان با استفاده از یادگیری ماشین ارتباط بین ذخایر مس کشف شده در امتداد رشته‌کو‌ه‌ها و تکامل پهنه فرورانش را بررسی کردند. مدل جدید پارامترهای مختلف را در پهنه فرورانش بررسی می‌کند و میزان ارتباط هر یک از این پارامترها را با معادن کشف‌شده نشان می‌دهد.

سرعت حرکت صفحات به سمت یکدیگر، مقدار کربنات کلسیم موجود در پوسته فرورانش و رسوبات اعماق دریا، سن و ضخامت صفحه فرورانش، و فاصله صفحه تا نزدیکترین گوه در هر پهنه فرورانش از جمله اطلاعات مهم در شناسایی ذخایر مس هستند.

رویکرد یادگیری ماشین

با استفاده از این رویکرد یادگیری ماشین، می‌توانیم نقاط مختلف جهان را بررسی کرده و مناطقی را که در زمان‌های مختلف شرایط مناسبی برای تشکیل رسوبات مس را داشته‌اند، پیدا کنیم. تاکنون در ایالات متحده چند منطقه مستعد تشکیل معدن مس شناسایی شده‌ است، از جمله آلاسکای مرکزی، نوادای جنوبی، کالیفرنیای و آریزونای جنوبی، و مناطق مختلفی در مکزیک، شیلی، پرو، و اکوادور.

آگاهی از زمان احتمالی تشکیل کان‌سنگ مس از این جهت که کمک می‌کند کاوشگران تلاش خود را بر روی سنگ‌های دروه‌‌ای خاص متمرکز کنند، بسیار مهم است. همچنین دانستن این زمان نشان می‌دهد ذخایر مورد نظر احتمالاً تا چه حد به سطح زمین نزدیک‌تر شده‌اند.

استرالیا ذخایر مشابهی دارد، از جمله مجتمع معادن طلا و مس کادیا، واقع در نیو ساوت ولز. قدمت این سنگ‌ها بسیار بیشتر از قدمت کانی‌های معادن آمریکا است (این سنگ‌ها حدوداً ۴۶۰ تا ۴۳۰ میلیون سال پیش تشکیل شده‌اند). بنابراین، لازم است مدل‌های شبیه‌سازی زمین گذشته‌های دورتری را بررسی کنند.

حرکت صفحات زمین و تخمین سِن پوسته اقیانوسی، با تعیین سنِ لایه سنگ آذرین روی ذخایر طلا و مس

 

آینده اکتشاف معدن

پیدا کردن ۱۰ میلیون تن از این فلز تا سال ۲۰۳۰_ یعنی هشت برابر استخراج از بزرگترین ذخایر مس امروزی_ چالش‌ بسایر بزرگی را پیش روی بشر قرار داده‌ است.

اکنون بیش از یک دهه است که مرکز تحقیقات زمین‌شناسی AuScope و طرح راهبرد زیرساخت تحقیقاتی همکاری‌های ملی (NCRIS)، در این زمینه فعالیت دارند. با پشتیبانی این نهادها، آماده مقابله با این چالش هستیم. با تقویت GPlates در تلسکوپ زمین‌شناسی استرالیا، در کنار هوش مصنوعی و توان محاسباتی بسیار بالا، می‌توانیم این اهداف را عملی کنیم.

استارت‌آپ‌های استرالیایی، مانند Lithodat و DeeperX و شرکت‌های معدنی در کنار همکاری با دانشگاه‌ها، به طور فزاینده‌ای از این فناوری‌های نوظهور استفاده می‌کنند تا پتانسیل عظیم هوش مصنوعی را برای کشف مواد معدنی حیاتی افزایش دهند.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

میانگین امتیاز / ۵. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
[wpforms id="48325"]