Machine-Learning-Modelle erstellen aus Echtzeit-Anlagendaten von Kupferkonzentratoren stündliche Vorhersagen zur Kupferausbeute. Ziel ist es, die Rückgewinnung im Konzentrationsprozess zu steigern und den Betreibern datenbasierte Empfehlungen zur Anpassung von Prozessvariablen zu geben. Solche Projekte entstehen oft aus offenen Innovationswettbewerben der Bergbauunternehmen.
Machine Learning erstellt in großen Kupferminen stündliche Vorhersagen zur Kupferrückgewinnung. Echtzeit-Anlagendaten helfen den Betreibern, Prozessvariablen datenbasiert anzupassen.
Große Kupferminen verarbeiten Hunderttausende Tonnen Erz, und schon kleine Verbesserungen bei der Rückgewinnung haben großen wirtschaftlichen Wert. Grundlage ist eine Cloud-Plattform für maschinelles Lernen, kombiniert mit einer Analyse- und Datenplattform für die Anlagendaten. Aus Echtzeitdaten der Konzentratoren entstehen stündliche Vorhersagen, aus denen ML-gestützte Handlungsempfehlungen für die Betreiber des Konzentratorkreislaufs abgeleitet werden. Diese Empfehlungen betreffen Betriebsvariablen, die Erzaufbereitung und Rückgewinnung beeinflussen. Bewährt sich der Ansatz an einem Konzentrator, lässt er sich auf weitere Anlagen übertragen und in ein fortlaufendes Verbesserungsprogramm überführen. Hintergrund ist der stark steigende Kupferbedarf für Dekarbonisierungstechnologien wie Elektrofahrzeuge sowie Wind- und Solaranlagen.
Kupferproduzenten, die früh Machine Learning in der Aufbereitung produktiv einsetzen, gewinnen einen Erfahrungs- und Zeitvorsprung gegenüber Wettbewerbern. Unternehmen ohne vergleichbare digitale Optimierung laufen Gefahr, aus bestehenden Minen weniger Wert zu erschließen, während der weltweite Kupferbedarf stark steigen soll.
Unternehmen können durch höhere Kupferrückgewinnung aus einer bestehenden, seit über 30 Jahren betriebenen Mine zusätzlichen wirtschaftlichen Wert erschließen, ohne in die Erschließung neuer Lagerstätten investieren zu müssen. Angesichts sinkender Erzgehalte und seltener werdender wirtschaftlicher Neufunde verschiebt sich der wirtschaftliche Hebel zunehmend auf die Optimierung bestehender Anlagen mittels digitaler Technologien.
Die Konzentratorbetreiber erhalten stündlich aktualisierte, ML-gestützte Empfehlungen zur Anpassung von Betriebsvariablen, die den Erzverarbeitungs- und Rückgewinnungsprozess beeinflussen, statt sich allein auf periodische manuelle Kontrollen zu verlassen. Die Ausweitung der Technologie auf einen zweiten Konzentrator zeigt, dass sich der operative Ansatz innerhalb der Organisation wiederholen und skalieren lässt.
Der Arbeitsalltag der Konzentratorbetreiber verändert sich dahingehend, dass sie regelmäßig, nämlich stündlich, datenbasierte Empfehlungen zur Anpassung von Prozessvariablen erhalten und diese in ihre Entscheidungen einbeziehen. Die eigentliche Anpassung der Anlage bleibt dabei laut Quellenlage in der Hand des Bedienpersonals, das die Empfehlungen bewertet und umsetzt.
Langfristig verschiebt sich die Rolle der Betreiber von einer rein manuell steuernden Tätigkeit hin zu einer Funktion, die datenbasierte Empfehlungen prüft, einordnet und gezielt umsetzt. Die Quellen liefern keinen Hinweis auf einen Abbau von Personal, sondern beschreiben die Technologie als Ergänzung zu neuen Arbeitsweisen der bestehenden Belegschaft.
Gefragt ist ein Verständnis dafür, wie ML-gestützte Empfehlungen zustande kommen und wie sie zur eigenen Erfahrung mit dem Konzentrationsprozess passen. Zudem braucht es neue Arbeitsweisen im Umgang mit Cloud-Plattformen für maschinelles Lernen, die über die bisher rein manuelle Prozesssteuerung hinausgehen.
Endkunden haben keinen direkten Kontakt mit dieser Technologie, da sie ausschließlich innerhalb der industriellen Kupferverarbeitung an der Escondida-Mine eingesetzt wird. Ein spürbar verändertes Nutzererlebnis für Privatpersonen ist aus den vorliegenden Quellen nicht ableitbar.
Ein gesellschaftlicher Bezug ergibt sich indirekt: Die weltweite Kupferproduktion muss für Dekarbonisierungstechnologien wie Elektrofahrzeuge sowie Solar- und Windkraft deutlich wachsen, und eine höhere Rückgewinnung aus bestehenden Minen trägt dazu bei.
Die Lösung passt zur Tätigkeit in einem fachlichen Kontext, aber nicht automatisch zu jedem Beruf mit dieser Tätigkeit.