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.
Verbreitung: Dokumentiert bei 1 Organisation – 1 in Nutzung · Stand 05/2023
Praxisbeispiel für Unternehmen · BHP · In Nutzung (Stand 05/2023) · Beleglage mittel
BHP und Microsoft setzen Azure Machine Learning ein, um in der weltgrößten Kupfermine Escondida die Kupferrückgewinnung zu verbessern. Echtzeit-Anlagendaten aus den Kupferkonzentratoren fließen in stündliche KI-Vorhersagen ein.
Im Rahmen der im September 2022 gestarteten Copper Concentrator Challenge haben BHP und Microsoft eine Zusammenarbeit angekündigt, um die Kupferrückgewinnung an der Escondida-Mine in der Atacama-Wüste in Chile zu steigern. Dabei nutzt BHP Azure Machine Learning zusammen mit Echtzeit-Anlagendaten aus den Kupferkonzentratoren, um stündliche Vorhersagen zu erstellen. Diese Vorhersagen dienen als Grundlage für maschinell unterstützte Empfehlungen an das Betriebsteam vor Ort, das damit Prozessvariablen im Konzentrationsprozess anpassen kann. Neben Azure Machine Learning kommen auch Azure Synapse Analytics und Azure Data Lake Storage zum Einsatz. Die Technologie wird inzwischen auf einen zweiten Konzentrator der Mine ausgeweitet.
Durch stündliche Modellprognosen erhalten Betriebsteams in Aufbereitungsanlagen automatisierte Vorschläge zur Anpassung von Prozessvariablen, was die kontinuierliche Steuerung der Anlagen verändert. Ein dokumentierter Fall belegt die Kombination von cloudbasierten Vorhersagen mit neuen Arbeitsweisen des Bedienpersonals bei der Flotation. Da jedoch keine standardisierten Arbeitszeitmessungen publiziert wurden, lässt sich eine dauerhafte Entlastung oder Veränderung des Personalbedarfs anhand der vorliegenden Quellen nicht quantifizieren.
„These predictions are then used to create machine learning–assisted recommendations for its Escondida operations team.“
Gestützt auf einen dokumentierten Praxisfall.
Industrieunternehmen zielen mit Prognosemodellen darauf ab, die Ausbeute wertvoller Rohstoffe aus bestehenden Anlagen trotz sinkender Erzgehalte zu maximieren. Ein dokumentierter Praxiseinsatz belegt die produktive Nutzung zur Steigerung der operativen Effizienz in der Aufbereitung. Übergreifende betriebswirtschaftliche Kennzahlen oder unabhängige Nachweise zur Rentabilität über den einzelnen Anwendungsfall hinaus liegen jedoch nicht vor.
„As grade declines at existing mines and fewer new copper deposit discoveries are made, next-generation technologies like artificial intelligence, machine learning and data analytics will be used“
Gestützt auf einen dokumentierten Praxisfall.
Für Privatpersonen oder Verbraucher ergeben sich aus der internen Prozessoptimierung bei der Erzverarbeitung keine unmittelbaren Berührungspunkte im Alltag. Ein möglicher indirekter Beitrag zur globalen Rohstoffversorgung für Dekarbonisierungstechnologien wird von beteiligten Akteuren angeführt, ist jedoch für die breite Öffentlichkeit nicht direkt überprüfbar.
Untersuchungen belegen für die übergeordnete Technologieklasse des maschinellen Lernens im Bergbau ein Potenzial zur Senkung des Energiebedarfs durch Echtzeit-Prozesssteuerung in der Erzaufbereitung. Konkrete Verbrauchs- oder Emissionsdaten für das spezifische Muster stündlicher Vorhersagen zur Kupferausbeute sind darin jedoch nicht gesondert ausgewiesen. Der tatsächliche Nettoeffekt des Einsatzes auf Energiebedarf und Ressourceneffizienz bleibt daher im Einzelfall unbeziffert.
„Machine Learning (ML) offers domain-specificopportunities for optimizing energy usage through predictive maintenance, demand forecasting, and realtime process control.“
Bei fehlerhaften Modellprognosen besteht das operative Risiko suboptionaler Prozessanpassungen, die den Ertrag mindern oder den Betriebsablauf stören können. Das System dient der industriellen Prozessoptimierung und fällt voraussichtlich nicht unter die Hochrisiko-Kategorien nach Anhang III der Verordnung (EU) 2024/1689. Betreiber müssen jedoch voraussichtlich gemäß Artikel 4 sicherstellen, dass das zuständige Bedienpersonal über das erforderliche Maß an KI-Kompetenz im Umgang mit den Handlungsempfehlungen verfügt.
„über ein ausreichendes Maß an KI-Kompetenz verfügen, wobei ihre technischen Kenntnisse, ihre Erfahrung, ihre Ausbildung und Schulung und der Kontext, in dem die KI-Systeme eingesetzt werden sollen“
Gestützt auf einen dokumentierten Praxisfall.
Belegt: eine abgerufene Quelle oder ein freigegebener Praxisfall trägt die Aussage. Eingeordnet: redaktionelle Einschätzung. Offen: dazu ist nichts dokumentiert. Keine Rechtsberatung.
Die Lösung passt zur Tätigkeit in einem fachlichen Kontext, aber nicht automatisch zu jedem Beruf mit dieser Tätigkeit.
Die fachliche Passung wurde KI-gestützt anhand der Anwendung und der beruflichen Aufgaben geprüft. Daraus folgt keine gemessene KI-Wirkung auf den gesamten Beruf.