جدول المحتويات
يُستخدم الذكاء الاصطناعي في المناجم في كل مرحلة من سلسلة القيمة: نماذج الاحتمالية المعدنية ترتّب مناطق الاستكشاف، والمستشعرات والنماذج تميّز الخام من النفايات في جبهة الحفر، والشاحنات ذاتية القيادة ومراقبة الحالة تدير الأسطول، والمستشعرات البرمجية وكاميرات الرغوة توجّه وحدة الإثراء. وأفضل نقطة انطلاق قرار يتكرر كثيرًا وتتوفر بياناته أصلًا.
أهم النقاط
- في الاستكشاف، يرتّب التعلم الآلي الأراضي حسب احتمال احتوائها على مكمن. وفي دراسة شارك فيها باحثون من هيئة المسح الجيولوجي الأمريكية (USGS)، قلّصت أفضل النماذج مجال البحث بأكثر من 94% (Lawley et al., 2022).
- في جبهة الحفر، يمكن لمستشعرات مركّبة في دلو المجرفة أن تصنّف المادة دلوًا بدلو بدل كتلة بكتلة (Haest et al., AusIMM).
- النقل الذاتي تقنية ناضجة: شغّلت Komatsu شاحنتها الألف ذاتية القيادة فائقة الحمولة في أبريل 2026 (Komatsu).
- في وحدة المعالجة، يمثل التكسير والطحن عادة 25% من الاستهلاك النهائي للطاقة في قطاع التعدين، ما يجعلهما هدفًا طبيعيًا للتحسين (AusIMM).
- الذكاء الاصطناعي يساعد الجيولوجيين والمهندسين ولا يوقّع التقارير. فالإفصاح العلني عن الموارد يبقى مستندًا إلى شخص مؤهل (JORC).
أين يندرج الذكاء الاصطناعي في سلسلة القيمة المنجمية؟
ينتج المنجم بيانات في كل خطوة: المسوح الجيوفيزيائية، ولباب الحفر (carottes)، وتحاليل ثقوب التفجير، وبيانات القياس عن بُعد للشاحنات، وقواعد البيانات التاريخية (historian) لوحدة المعالجة، ونتائج المختبر، وعقود من التقارير. ويكون الذكاء الاصطناعي مفيدًا حيث تدعم هذه البيانات قرارًا متكررًا. ويلخص الجدول الاستخدامات الرئيسية التي يتناولها هذا الدليل.
| المرحلة | استخدام الذكاء الاصطناعي | البيانات اللازمة | مثال منشور |
|---|---|---|---|
| الاستكشاف | رسم خرائط الاحتمالية المعدنية، وتوصيف لباب الحفر | الجيوفيزياء، والجيوكيمياء، والخرائط الجيولوجية، وأطياف لباب الحفر | نماذج احتمالية معدنية بطريقة gradient boosting لمكامن الزنك والرصاص (Lawley et al., 2022) |
| مراقبة الرتبة | تصنيف الخام والنفايات في جبهة الحفر، ومطابقة النتائج مع الخطة | تحاليل ثقوب التفجير، وقراءات المستشعرات، وخطة المنجم | مستشعرات XRF في دلو المجرفة (Haest et al.) |
| الاستخراج والنقل | النقل الذاتي، وتوزيع الشاحنات (dispatch)، والصيانة التنبؤية | GPS، والحمولة، وبيانات المحرك والأنظمة الهيدروليكية، وأوامر العمل | شاحنات نقل ذاتية القيادة (Komatsu) |
| المعالجة | المستشعرات البرمجية، وتصوير الرغوة، وتحسين نقاط الضبط | بيانات historian، والتحاليل المخبرية، وقراءات المحللات، وصور الكاميرات | الرؤية الآلية في التعويم (Aldrich et al., 2010) |
| على مستوى الموقع كله | البحث والإجابة عن الأسئلة في الإجراءات والتقارير وسجلات الصيانة | وثائق بالعربية والفرنسية والإنجليزية | انظر دليلنا حول RAG لكتيبات الصيانة |
تذكر مراجعة حول الذكاء الاصطناعي في معالجة المعادن تراجع رتب الخامات والطلب على تعدين أخلاقي منخفض الأثر البيئي ضمن أسباب اهتمام القطاع بالذكاء الاصطناعي (Mishra, 2021). فالرتب الأدنى تعني نقل وطحن كمية أكبر من الصخور لكل طن من المعدن، لذلك تتراكم المكاسب الصغيرة في كل خطوة.
كيف يُستخدم الذكاء الاصطناعي في الاستكشاف المعدني؟
رسم خرائط الاحتمالية المعدنية. يجمع نموذج الاحتمالية المعدنية (prospectivity) طبقات مثل الجاذبية والمغناطيسية والجيولوجيا والمكامن المعروفة، ويمنح كل خلية في الخريطة درجة بحسب احتمال احتوائها على نوع معين من المكامن. وفي دراسة شملت كندا والولايات المتحدة وأستراليا، شارك في إعدادها باحثون من USGS، أعطت النماذج المرجعية بطريقة أوزان الأدلة (weights-of-evidence) نتائج ضعيفة نسبيًا على مجموعة اختبار مستقلة. أما أفضل نماذج gradient boosting فبلغت مساحة تحت المنحنى (AUC) قدرها 0.983 لمكامن الزنك والرصاص من نوع Mississippi Valley و0.991 لمكامن النوع clastic-dominated، وقلّصت مجال البحث بأكثر من 94% (Lawley et al., 2022). ويقيس مؤشر AUC قدرة النموذج على وضع المكامن المعروفة في ترتيب أعلى من الأراضي العقيمة، والقيمة 1.0 تعني ترتيبًا مثاليًا. وتقلّص منطقة البحث يعني كيلومترات مربعة أقل للعمل الميداني، لا اكتشافًا مضمونًا.
توصيف لباب الحفر. تحوّل الماسحات الطيفية لباب الحفر إلى بيانات رقمية متجانسة. يستخدم جهاز HyLogger التابع لـ CSIRO الضوء المرئي والأشعة تحت الحمراء لتوصيف معادن مختارة في لباب الحفر وفتات الحفر والعينات المطحونة، وهو مؤتمت إلى حد كبير ويعمل بنظام أخذ عينات آلي. وتستخدم هيئات المسح الجيولوجي في الولايات والأقاليم الأسترالية سبعة أجهزة HyLogging (CSIRO). وهذا هو نوع البيانات الذي يحتاجه التعلم الآلي: القياس نفسه، بالطريقة نفسها، من ثقب إلى آخر.
التقارير والخرائط القديمة. يوجد جزء كبير من معارف الاستكشاف في تقارير وسجلات وخرائط ممسوحة ضوئيًا من حملات سابقة. ورقمنتها تأتي أولًا، ويتناول دليلنا حول التعرف الضوئي على الحروف (OCR) في الوثائق التقنية الممسوحة هذه الخطوة.
ويتعمق مقالنا حول التحليل الجيولوجي بالذكاء الاصطناعي في الاستكشاف والبيانات الجيولوجية.
الجيولوجي هو من يوقّع. وفق مدونة JORC، فإن أي تقرير علني عن نتائج الاستكشاف أو الموارد المعدنية أو احتياطيات الخام «يجب أن يستند إلى وثائق أعدّها شخص مؤهل وأن يعكسها بأمانة»، ويجب أن تكون لهذا الشخص خبرة لا تقل عن خمس سنوات في نمط التمعدن أو نوع المكمن المعني (JORC). ومخرجات النموذج ليست إلا أحد مدخلات عمله.
كيف يساعد الذكاء الاصطناعي مراقبة الرتبة في جبهة الحفر؟
تحدد مراقبة الرتبة، شاحنة بعد شاحنة، ما إذا كانت المادة تذهب إلى وحدة المعالجة أو إلى مخزون أو إلى مكب النفايات. والأخطاء تقع في الاتجاهين: الخام المرسل إلى المكب يضيع، والنفايات المرسلة إلى وحدة المعالجة تخفّف رتبة التغذية.
تغيّر المستشعرات في جبهة الحفر وحدة القرار. فنظام ShovelSense من شركة MineSense يضع مستشعرات فلورة الأشعة السينية (XRF) في حافة دلو المجرفة ويربطها بنظام إدارة الأسطول، بحيث يمكن إعادة توجيه الشاحنة آليًا عندما تعطي الرتبة المقيسة تصنيفًا مختلفًا عن خطة المنجم. وقياس كل دلو يقلّص وحدة التعدين الانتقائي (SMU) من حجم كتلة تعدين (مثلًا 1,500 م³) إلى دلو واحد (مثلًا 45 م³ أو أقل) (Haest et al., AusIMM).
وبحسب المعهد الكندي للتعدين والتعدين الفلزي والبترول (CIM)، وعلى مدى جزء من عام 2023 في تسعة مناجم نحاس مكشوفة، أعاد كل نظام في المتوسط توجيه 5.9% من الشاحنات المقيسة إلى المكب بعد أن كانت مصنفة خامًا، و7.2% إلى الخام بعد أن كانت مصنفة نفايات. وتختلف نسب إعادة التوجيه بحسب درجة التباين في المكمن (CIM). وهذه أرقام يعلنها المورّد وتخص النحاس، وستختلف النتائج في مكمن آخر.
أما النصف الآخر من مراقبة الرتبة فهو التنبؤ بالرتبة انطلاقًا من بيانات الحفر والجيولوجيا والمطابقات السابقة. ويعرض دليلنا حول التنبؤ برتبة الخام ومراقبة الرتبة النماذج والبيانات وطريقة التحقق منها.
أين يساعد الذكاء الاصطناعي في الحفر والنقل والصيانة؟
النقل الذاتي. تقول Komatsu إنها كانت أول من طرح حلًا منجميًا ذاتي التشغيل تجاريًا، في عام 2008. وفي أبريل 2026 شغّلت شاحنتها الألف من شاحنات النقل ذاتية القيادة فائقة الحمولة، ونقل عملاؤها مجتمعين أكثر من 11.5 مليار طن متري من المواد بنظامها FrontRunner (Komatsu). وعادة ما يُشترى التشغيل الذاتي من الشركة المصنّعة للمعدات نظامًا متكاملًا، مع توزيع الشاحنات وتخطيط المنجم من حوله، بدل أن يطوّره المنجم بنفسه.
الصيانة التنبؤية. تنتج الشاحنات والمجارف والكسارات والمطاحن بيانات قياس عن بُعد وتحاليل زيوت وأوامر عمل. والنماذج التي تنبّه مبكرًا إلى سلوك غير طبيعي تتيح لمخططي الصيانة برمجة الإصلاحات قبل وقوع العطل. ونظرًا لندرة الأعطال الموسومة عادة، تبدأ معظم المشاريع بكشف الشذوذ؛ انظر مقارنتنا بين طرق كشف الشذوذ في البيانات الصناعية.
معارف الصيانة. يحتاج الفنيون في موقع معزول إلى الكتيبات والإجراءات وسجل الأعطال المماثلة. والمساعد الذي يبحث في هذه الوثائق باللغات المستخدمة في الموقع يوفّر الوقت في كل تدخل، بشرط أن يعمل محليًا.
كيف يُستخدم الذكاء الاصطناعي في معالجة المعادن؟
تستهلك وحدة المعالجة جزءًا كبيرًا من الطاقة. فقد وجد تقرير أعدّ بطلب من مجموعة Weir، وحلّل بيانات أكثر من 40 دراسة منشورة، أن التفتيت (comminution)، أي التكسير والطحن، يمثل عادة 25% من الاستهلاك النهائي للطاقة في قطاع التعدين (AusIMM).
المستشعرات البرمجية. غالبًا لا تُعرف نعومة الطحن ورتبة المركّز ونسبة الاسترداد إلا من خلال عينات دورية أو محللات. ويقدّرها المستشعر البرمجي باستمرار انطلاقًا من قياسات العملية، فيتمكن المشغلون وحلقات التحكم من الاستجابة أسرع. ويشرح دليلنا حول المستشعرات البرمجية كيفية بناء مستشعر والتحقق منه، مع مثال من التعويم.
تصوير الرغوة. تستخرج كاميرات مثبتة فوق خلايا التعويم خصائص فيزيائية مثل حجم الفقاعات وخصائص ديناميكية مثل سرعة الرغوة. وتتواصل الأبحاث منذ أواخر الثمانينيات وتوجد أنظمة تجارية لتصوير الرغوة، لكن مراجعة صدرت عام 2010 وجدت أن نظام تحكم آليًا بالكامل وطويل الأمد قائمًا على الرؤية الآلية «لم يتحقق بعد» (Aldrich et al., 2010). وفي الممارسة، تُستخدم كاميرات الرغوة أساسًا قياساتٍ للمشغلين ولحلقات التحكم.
تحسين نقاط الضبط والكواشف. مع سجل تاريخي كافٍ، تربط النماذج خصائص الخام وجرعات الكواشف وإعدادات التشغيل بنسبة الاسترداد والرتبة، وتقترح إعدادات للاختبار. ويجب أن تمر التغييرات عبر تجارب مع مهندسي المعادن، لا أن تُدخل مباشرة في نظام التحكم.
ما هو السياق المنجمي في الجزائر؟
يقدّم فصل الجزائر في الكتاب السنوي للمعادن لعام 2019 الصادر عن USGS صورة عن أهم المكامن (USGS, 2019). والأرقام أدناه هي المنشورة لعام 2019 وقد تكون تغيرت منذ ذلك الحين.
| المادة | المكمن أو المنجم | ما أورده USGS |
|---|---|---|
| خام الحديد | غار جبيلات (الجنوب الغربي) | 1,540 مليون طن برتبة 56% حديد |
| خام الحديد | مشري عبد العزيز (شرق غار جبيلات) | 702 مليون طن برتبة 52% حديد |
| خام الحديد | الونزة وبوخضرة (تبسة) | 80.3 مليون طن برتبة 59.5% حديد و47.1 مليون طن برتبة 48% حديد |
| الفوسفات | جبل العنق (تبسة)، SOMIPHOS | إنتاج 1.3 مليون طن في 2019؛ وموارد وطنية مقدّرة بـ 2.2 مليار طن |
| الزنك والرصاص | تالة حمزة، رخصة واد أميزور قرب بجاية | 68.6 مليون طن برتبة 4.6% زنك و1.2% رصاص |
ثلاث نقاط مهمة للذكاء الاصطناعي. أولًا، بعض المواقع معزولة: يقع غار جبيلات في جنوب غرب الجزائر قرب الحدود الموريتانية، لذلك يجب أن تعمل الأنظمة هناك في الموقع نفسه؛ ويتناول دليلنا حول تشغيل الذكاء الاصطناعي في المواقع المعزولة ضعيفة الاتصال هذا التصميم. ثانيًا، البيانات الجيولوجية وبيانات الإنتاج حساسة تجاريًا واستراتيجيًا، وهو ما يدعو إلى إبقائها على بنية تحتية يتحكم فيها المستغِل. ثالثًا، تغيّر الإطار القانوني: فالقانون رقم 25-12 المؤرخ في 3 أغسطس 2025 المتعلق بالنشاطات المنجمية ألغى القانون رقم 14-05 المؤرخ في 24 فبراير 2014 وحلّ محله (King & Spalding). تحققوا مع مستشاركم القانوني مما يفرضه القانون الجديد ونصوصه التطبيقية بشأن البيانات الجيولوجية والتصريحات والبيانات التي يحوزها المتعاقدون قبل تصميم مشروع ذكاء اصطناعي يعتمد عليها.
بأي حالات استخدام يبدأ المنجم؟
- حصر القرارات المتكررة. وجهة الشاحنات، وأولويات الصيانة، ونقاط ضبط الطحن والتعويم، وأهداف الحفر. سجّلوا تكرار كل قرار وكلفة الخطأ فيه.
- فحص البيانات وراء كل قرار. هل التحاليل مرتبطة بموقع وتوقيت؟ هل تُسجَّل الأعطال في أوامر العمل؟ هل قاعدة بيانات historian في وحدة المعالجة مكتملة؟ ويساعد تقييم الجاهزية للذكاء الاصطناعي على تنظيم هذا الفحص.
- اختيار حالة استخدام واحدة فيها قرارات متكررة وبيانات صالحة ومسؤول في الموقع يريدها.
- البدء بالتشغيل الموازي. مقارنة توصيات النموذج بالممارسة الحالية لعدة أسابيع، مع اعتماد المطابقة أو نتائج المختبر أو سجل الأعطال حَكَمًا.
- تحديد مكان التشغيل. بالنسبة للحفر المعزولة والبيانات الجيولوجية الحساسة، خططوا لخوادم محلية منذ البداية.
- التسليم إلى مسؤول. يجب أن يتابع شخص في الموقع أداء النموذج، ويبلّغ عن الانحرافات، ويقرر موعد إعادة تدريبه.
ما الذي رأيناه في KABAS AI
لم تنشر KABAS AI مشروعًا في قطاع المناجم، لذلك لا يمكننا مشاركة نتائج منجمية. لكن يمكننا وصف كيف صُممت منتجاتنا لمواجهة القيود الواردة في هذا الدليل.
يُنشر DALILE بالكامل داخل منشآت العميل (on-premise) ويعمل دون اتصال بالإنترنت. وتقدّمه صفحة حلول التعدين وسيلةً لربط بيانات الإنتاج وسجلات المعدات ووثائق السلامة، كي يتمكن المهندسون من الاستعلام عنها باللغة الطبيعية في موقع معزول. أما Virtual Lab فيتيح اختبار معاملات العملية افتراضيًا قبل إجراء التجارب، وهو ما يتوافق مع النهج الحذر في تغيير نقاط الضبط الموصوف أعلاه.
ونصيحتنا العملية واحدة لكل المناجم: ابدؤوا بقرار مهم، وأثبتوا جدوى النموذج بالتوازي مع الممارسة الحالية، واحتفظوا بالبيانات والنماذج على بنية تحتية تتحكمون فيها. وإذا كنتم تخططون لمشروع ذكاء اصطناعي في منجم أو وحدة معالجة، يمكن لفريق الاستشارات لدينا مساعدتكم في اختيار أول حالة استخدام وفحص البيانات. ويمكنكم أيضًا التواصل معنا مباشرة.
المصادر
- Lawley et al., Data-driven prospectivity modelling of sediment-hosted Zn-Pb mineral systems and their critical raw materials, Ore Geology Reviews 141, 2022 (USGS record)
- CSIRO, HyLogging
- JORC, Competent Persons
- Haest et al., ShovelSense: measuring grade at bucket resolution, AusIMM International Mining Geology Conference 2022, abstract
- CIM, Optimizing the mine-to-mill pipeline with data (MineSense spotlight), 2024
- Komatsu, Komatsu becomes first OEM to commission 1,000 ultra-class autonomous haul trucks, 22 April 2026
- AusIMM Bulletin, Recent report identifies major carbon reduction opportunities in global mining, 2021
- Aldrich, Marais, Shean and Cilliers, Online monitoring and control of froth flotation systems with machine vision: A review, International Journal of Mineral Processing 96, 2010
- Mishra, AI4R2R (AI for Rock to Revenue): A Review of the Applications of AI in Mineral Processing, Minerals 11, 2021
- USGS, The Mineral Industry of Algeria, 2019 Minerals Yearbook
- King & Spalding, Algeria Reshapes Mining Regime: New Law Signals Fresh Opportunities, 15 September 2025
الأسئلة الشائعة
من أين يبدأ المنجم مع الذكاء الاصطناعي؟
ابدؤوا بقرار يُتخذ كثيرًا، ويكلّف مالًا عندما يكون خاطئًا، وتتوفر وراءه بيانات أصلًا، مثل تصنيف الخام والنفايات، أو عطل متكرر في معدة، أو متغير نوعي في وحدة المعالجة. افحصوا البيانات أولًا، وشغّلوا النموذج بالتوازي مع الممارسة الحالية، وقارنوا النتائج قبل أن يعتمد عليه أحد.
هل يحل الذكاء الاصطناعي محل الجيولوجي أو الشخص المؤهل (Competent Person)؟
لا. يمكن للنموذج أن يرتّب الأهداف أو يقدّر الرتب، لكن وفق مدونة JORC يجب أن يستند أي تقرير علني عن نتائج الاستكشاف أو الموارد المعدنية أو احتياطيات الخام إلى وثائق أعدّها شخص مؤهل. ولمدونات الإفصاح الأخرى قواعد مماثلة، لذلك تبقى مخرجات الذكاء الاصطناعي مدخلات يحكم عليها شخص مؤهل.
هل شاحنات النقل ذاتية القيادة مستخدمة تجاريًا؟
نعم. تقول Komatsu إنها كانت أول من طرح حلًا منجميًا ذاتي التشغيل تجاريًا في عام 2008، وفي أبريل 2026 شغّلت شاحنتها الألف من شاحنات النقل ذاتية القيادة فائقة الحمولة (ultra-class). وقد نقل عملاؤها أكثر من 11.5 مليار طن متري من المواد بنظامها FrontRunner.
هل يمكن للذكاء الاصطناعي أن يعمل في منجم معزول دون اتصال بالإنترنت؟
نعم، إذا كانت النماذج والبيانات التي تحتاجها وواجهة المستخدم تعمل على خوادم في الموقع. عندئذ لا يُستخدم الاتصال إلا لمزامنة البيانات وتلقي التحديثات. خططوا للعتاد والطاقة والتبريد وتحديث النماذج في الموقع قبل اختيار هذا التصميم.
لماذا يُعد التعويم هدفًا شائعًا للرؤية الحاسوبية؟
يعكس مظهر الرغوة أداء الخلية، ويمكن للكاميرا أن تقيس باستمرار خصائص مثل حجم الفقاعات وسرعة الرغوة. وتتواصل الأبحاث في تصوير الرغوة منذ أواخر الثمانينيات وتوجد أنظمة تجارية، لكن مراجعة صدرت عام 2010 وجدت أن التحكم الآلي الكامل وطويل الأمد القائم على الرؤية الآلية لم يتحقق بعد.



