By 超神经
场景描述：机器学习帮助矿业公司从矿床定位、自动驾驶实现智能运输，监控和预测生产器械的性能和损耗等方面，全面提高矿业的全流程工作效率。
关键词：矿产开采  地质分析  自动驾驶
随着 AI 在实际中所发挥的作用越来越大，它俨然改变了很多行业的游戏规则，比如采矿业这样的传统行业。
采矿业是一个占主导地位的行业，它为全球各国创造了大量业务，也影响了经济的各个方面，为电子到能源的几乎每个领域提供了所需的原材料。
采矿也需要大量的劳动力的投入，仅在美国，就有 67 万人从事采石，采矿和采掘业，而在中国这个数字更加可观，仅仅煤炭行业就有从业人员高达 611.3 万人。
采矿业利润丰厚，但它也面临着电力、基础设施、健康、安全、资金分配方法、商品价格、环境后果等问题。为了更好地处理场景并克服现有的挑战，人工智能和机器学习正在采矿行业带来重大突破。
矿产勘探的困境
目前的矿物勘探过程包括了土壤样本，碎片样本，地球化学，钻探结果等化验结果形式，再通过大量数据分析和总结得到。每个钻孔都是丰富的微型探针，能反映当地资源的一些特质。 
矿床上随处可见的钻孔
但要分析钻孔得到的数据，不是一件容易的事情。单个钻孔创建的数据在 200 兆字节左右，而且一个项目需要很多钻孔和其他类型的信息，勘探最后的分析数据通常多达 TB 量级。如果从数百个项目里挑选出最佳的样本，会因为数据量巨大而无法解决。
而且数据并不能被精简，使用这些数据可以找到新的矿床，即便是对于有能力的地质学家团队而言，对它们进行处理的任务过于庞大。 
这个时候，机器学习就能发挥它的功效，通过训练计算机模型，能够发现和过去已发掘的区域相似的地方。 
通过 AI 精准定位矿床位置 
传统的方式下，矿床开采和废物治理的不协调，会带来严重的环境污染。而利用 AI 的方式，可以在开采端更加高效，同时利用无人机等智能设备可以进行实时的监测，这也将对环境产生较小的影响。 
EARTH AI 是一家在利用 AI 技术改变采矿业的公司，他们通过分析多个来源的数据并使用机器学习算法来识别可能找到矿物的区域。
EARTH AI 网站上的工作界面
通过机器学习一次分析  47  层遥感和地球物理数据 ，可以突出矿体和蚀变晕圈，并绘制出极其细致的硬岩和风化层。 
Goldspot Discoveries Inc. 是一家通过机器学习开采黄金的加拿大公司，虽然刚刚成立三年，但 Goldspot 已经在多伦多证券交易所的创业板完成上市。
最近他们预测加拿大正在勘探的 Abitibi 金矿，Goldspot  仅仅通过 4% 的地表，地形和矿物的拓扑数据，就可以分析出这座金矿的目前储量。 
Goldspot 将 30 多年的历史遥感、采矿和勘探数据，整合到一个综合的功能性地质模型中。然后使用该地质模型，来识别现有和历史开采矿床的数据层中的相关性，进而能够识别具有最高前景潜力的目标区域。
自动驾驶早在十年前就应用在采矿业了
虽然目前自动驾驶领域里，大家都专注于 Uber、Google 和 Tesla 这些民用自动驾驶的进展，但很多人都没有意识到 Rio Tinto （力拓，世界上最大的金属和采矿公司之一），已经使用了自动驾驶卡车来发展矿业， 自 2008 年以来，他们成功运行并累计负载 350 吨矿石。
力拓的自动运输卡车不仅高效安全，燃料使用量也减少了 13％
在智利的 Escondida 铜矿，BHP 公司的 smart caps 系统，分析驾驶员脑电波来分析驾驶员的疲劳程度，目前它已经被整合到超过一百五十辆卡车中，以提高生产率和增加安全性。 
BHP 还在其 Jimblebar Iron Ore 矿场部署自动运输车辆，通过这一改变，成本降低了大约 20％。 
AI 让采矿安全又经济
通过监测环境中的重要指标，预判危险性发生的几率，
AI 能够帮助采矿工程师和工人避免工作中的事故和伤害。如果可以收集到足够的高质量数据，甚至可以预测可能的机器故障。 
除此之外，还可以使用 AI 监测设备的运行状态。因为采矿环境会影响设备的运行和寿命，而且因地点而异，掌握了设备的运行状态，就能带来更大的安全保障。 
AI 技术的介入会大大降低安全事故
除了监控和预测危险的发生，AI 还被用来监测设备或零件的使用寿命，在保证安全的同时，也为企业节省了大量的成本。 
在巴西 Para 的 Salobo 铜矿， Vale 公司通过 AI 技术的智能检测和规划，在一年内将拖运卡车轮胎的使用寿命增加了 30％，为公司节省了 500 万美元。这个技术也被应用于其他矿山和别的卡车零部件，包括发动机和燃油消耗。 
他们还使用人工智能来预测铁路裂缝，这将裂缝发生率降低了多达 85％。此举每年可节省 700 万美元。综合各个方面，该公司预计 2018 年从这些变化中就可节省出约 2600 万美元。 
AI 改变矿业的故事才刚刚开始
几个世纪以来，矿产开采出现了许多创新，但近年来创新已经放缓。在去年德勤出版的「跟踪趋势」报告中，分析师观察到，「50年前的矿工如果进入今天的矿山，就会发现变化不大，但这种情况在其他行业肯定不常见。」
不过最近，许多矿业公司们就表示，人工智能等技术，将彻底改变这个世界上最古老的行业，就像改变其他行业一样。
这说明，矿业公司也将大量彻底使用人工智能开采矿产。而且据埃森哲估计，未来十年内，包括机器人技术和自动化技术在内的创新技术，将为金属和采矿业创造 3210 亿美元的价值，相当于预期营收的 3% 到 4%。
在这个行业中，面对海量还未结构化的数据，阻碍发展的是对数据的处理问题，但致力于在采矿中扩大人工智能的使用范围，将会完全的改变这个行业的未来走向。
超神经小百科
生成模型 Generative Model
在机器学习中，生成模型可以用来直接对数据建模（例如根据某个变量的概率密度函数进行数据采样），也可以用来建立变量间的条件概率分布。条件概率分布可以由生成模型根据贝叶斯定理形成。
生成模型更适用于无监督的任务，如分类和聚类。
典型的生成模型包括:
  • 高斯混合模型和其他混合模型
  • 隐马尔可夫模型
  • 随机上下文无关文法
  • 朴素贝叶斯分类器
  • AODE 分类器
  • 潜在狄利克雷分配模型
  • 受限玻尔兹曼机
历史文章（点击图片阅读）
内心的秘密写在脸上，
科学家用面部识别预测性取向和犯罪倾向
AI 在病理学上的突破，
对图片染色「以假乱真」
懒癌福音，
谷歌员工发明自动还书机器人
AI 百科
教程
数据集
商店
更多
http://hyper.ai
继续阅读
阅读原文