Madencilikte yeni bir çağ başlıyor: Zamanda yolculuk!

Teknoloji’nin her geçen gün gelişmesiyle tüm sektörler hızlı bir şekilde değişiyor. Otomotivden sağlık endüstrisine kadar pek çok alanı derinden etkileyen Makine Öğrenmesi (Machine Studying), bu sefer de madenciliğe el atıyor. Geleneksel yöntemlerden çok daha verimli çalışan bu teknoloji gelecek için ümit vadediyor.

EarthByte araştırma grubu, sanal bir Dünya inşa ediyor. Araştırmacılar, GPlates adını verdikleri bu simülasyonla zaman içindeki tektonik faaliyetleri saptamaya çalışacak. Pek çok uygulaması bulunan grubun önemli çalışmalarından biri de dağ kuşakları boyunca bakır yataklarının nerede oluştuğunu teknolojiyi kullanarak anlamak.

Makine Öğrenmesi işleri kolaylaştıracak!

Makine öğrenmenin en yaygın kullanıldığı alanlardan biri de madencilik olacak. Uluslararası Enerji Ajansı, yenilenebilir enerji teknolojilerinde en yaygın kullanılan steel olan bakırın küresel arzı konusunda uyarıyor. Önümüzdeki yıllarda Dünya’nın, özellikle bakır olmak üzere çok fazla metale ihtiyacı olacak. Goldman Sachs, 2030 yılına kadar bakır talebinin yüzde 600’e kadar artacağını ve küresel arzın giderek gerileceğini tahmin ediyor. Talepteki bu inanılmaz artış, yeni ve büyük bakır yataklarını hızla bulmamız gerektiğini gözler önüne seriyor. İşte teknoloji tam da bu noktada devreye giriyor.

Amerika Birleşik Devletleri ve Avrupa Birliği üyeleri de dahil olmak üzere 100’den fazla ülkenin 2050 yılına kadar web sıfır karbon emisyonu taahhüt etmesi bu hızı çok çabuk yakalamamız gerektiği gerçeğini kanıtlıyor. Yeni bakır yatakları keşfetmedikçe dönüşüm için gereken bakırı da elde etmemiz imkansız gibi görünüyor. Ancak uzun zamandır bakır fiyatları nispeten düşüktü. Bu sebeple son on yılda yeni maden yataklarının keşfi için doğru düzgün araştırma yapılmadı. Endüstrideki boşvermişliğin yarattığı tahribatı teknoloji giderebilir. Madencilik sektöründeki bu acil ihtiyacı son yıllarda oldukça popüler olan Makine Öğrenmesi sayesinde kolayca karşılayabiliriz.

GPlates adı verilen bu yazılım sayesinde jeologlar güçlü bir dört boyutlu bilgi sistemine sahip oluyorlar. Oluşturulan simülasyon sayesinde bakır elementinin nerede olduğunu araştırabiliyorlar. Antik dağ sıraları boyunca maden yataklarının nerede oluştuğunu gezegenin derinliklerine inerek inceleyebiliyorlar. Daha önceki çalışmalarda elde edilen veriler ışığında zamanda geri giderek yeni maden yataklarının bulunduğu yerleri saptamaya çalışıyorlar.

Araştırma grubu yakın zamanda yayınladıkları bir makalede yazılımın nasıl çalıştığını da özetledi. Dağ kuşağı boyunca bilinen ekonomik bakır yataklarının çoğu aynı dönemde oluştuğu için son 80 milyon yıla odaklandıklarını belirttiler.

İnceledikleri dönemin tektonik hareketleri ile değişen parametrelerin anlamlandırılmasında makine öğrenmesi metodunu kullandıklarını açıkladılar. Oluşturulan mannequin, birkaç farklı dalma zonu parametresine bakıp her birinin bilinen cevher yatakları ile ilişki açısından ne kadar önemli olduğunu belirliyor.

Bu sayede levhaların birbirine doğru ne kadar hızlı hareket ettiği, kabukta ve derin deniz çökellerinde ne kadar kalsiyum karbonat bulunduğu gibi önemli bilgiler çok daha az hata payı ile hesaplanabiliyor.

Makine öğrenimi yaklaşımını kullanarak dünyanın farklı yerlerine bakabilir ve farklı zamanlarda bakır yatakları oluşturmaya elverişli koşullar yaşayıp yaşamadıklarını öğrenebiliriz. Orta Alaska, Güney Nevada, Güney Kaliforniya ve Arizona dahil olmak üzere ABD’de birkaç aday bölge ve Meksika, Şili, Peru ve Ekvador’daki çok sayıda bölge çoktan belirlenmiş bile.

Maden aramanın geleceği değişmek zorunda!

2030’a kadar 10 milyon ton bakır bulmak (bugün çıkardığımız en büyük sekiz bakır yatağına eşdeğer) çok büyük bir zorluk teşkil edecek gibi. Buna karşın ortaya çıkan yeni teknolojiler artmasını öngördüğümüz talebi karşılamada bize yardımcı olacaktır. Geleceğin bize neler getireceğini bilemeyiz. Ancak bildiğimiz tek şey var ki o da büyük bir değişim yaşayacağımız.

Shiftdelete.web

Siz Makine Öğrenmesi hakkında ne düşünüyorsunuz? Alan Turing‘in de dediği gibi acaba makineler düşünebilir mi? Düşünmeyi aşıp öğrenebilir mi? Fikirlerinizi yorumlar kısmında ve SDN Discussion board‘da belirtmeyi unutmayın!