ضرورت سرمایه‌گذاری در نوآوری‌های پایدار

محمدجواد بناءزاده*
برآورد موسسات معتبر جهانی مانند مکنزی حاکی از آن است که تقاضای مس به علت گذار به انرژی سبز در سال 2031 می‌تواند به 6/‏‏36‌میلیون تن برسد. در‌حالی‌که با باز فعال شدن یا توسعه پروژه‌های احتمالی، تولید می‌تواند حداکثر به 1/‏‏30‌میلیون تن برسد و در نتیجه 5/‏‏6‌میلیون تن مازاد تقاضا وجود دارد. در صورت عدم پاسخگویی به مازاد تقاضا، قیمت افزایش خواهد یافت و روند گذار به انرژی سبز مختل خواهد شد. پر کردن شکاف میان عرضه و تقاضا بر عهده نوآوری‌های جدید خواهد بود. در حوزه استحصال مس سه فناوری جدید شامل بازیابی مواد درشت، لیچینگ سولفیدی و بهینه‌سازی با یادگیری ماشین در سطح دنیا مطرح هستند.
بازیابی مواد درشت: هنگامی‌که ذرات بین 50 تا 150 میکرون هستند، چرخه فلوتاسیون کانه‌های سولفیدی موثرترین راه برای بازیابی ذرات حاوی فلز از دوغاب است. در بالا و پایین این گستره، بازیابی به‌شدت افت می‌نماید. امروزه فناوری‌هایی وجود دارد که گستره اندازه قابل‌قبول ذرات (کوچک‌تر یا درشت‌تر) را بزرگ‌تر می‌کند. نوآوری‌های اخیر بخش ذرات درشت را هدف قرار داده است. از زمان کاربرد تجاری فلوتاسیون در اوایل قرن 20 بازیابی فلزات موجود در ذرات درشت هدف متخصصان متالورژی بوده است. هرچند این رویکرد به حدود مطلوب اندازه قابل فرآوری می‌افزاید اما به بهای هزینه سرمایه‌ای بالاتر خواهد بود.
لیچینگ سولفیدی: تکنولوژی‌های مبتنی‌بر لیچینگ به‌صورت سنتی برای کانسنگ‌های اکسیدی و کانه سولفیدی ثانویه به‌ کار می‌رود. هرچند به لطف پیشرفت‌های اخیر این روش فرآوری برای کانسنگ‌های سولفیدی نیز به کار می‌رود. سنگ‌های سولفیدی اولیه عموما به‌وسیله سیستم‌های مبتنی‌بر فلوتاسیون فرآوری می‌شوند. فلوتاسیون برای کانسنگ‌های با عیار بالای 25/‏‏0‌درصد اقتصادی است و به میزان 85 تا 90‌درصد مس را بازیابی می‌نماید. کانسنگ‌های با عیار کمتر به‌عنوان باطله دور ریخته می‌شوند. در حالی که لیچینگ کانسنگ‌های سولفیدی اولیه راهی برای بازیابی این مواد که به‌عنوان باطله محسوب می‌شوند، فراهم می‌آورد.
بهینه‌سازی با یادگیری ماشین: یکی از چالش‌های کلیدی در فراوری کانی‌ها آن است که هر کانسنگ دارای ویژگی‌های متغیر است. روزبه‌روز، ساعت‌به‌ساعت، مشخصات کانه‌های تغذیه‌شده به واحد فرآوری متغیر است و نتایجی که از تنظیمات فرآیند حاصل می‌شود، متفاوت است. در نتیجه حفظ تنظیمات بهینه کارخانه در جهت بازیابی حداکثر مس در کنار حصول اطمینان از خلوص موردنظر کنسانتره تولیدشده یک چالش دائمی است.به‌صورت سنتی، تعدیل تنظیمات کارخانه در قلمرو کاری متالورژیست‌های کارخانه بوده است که ترکیبی از تحصیلات آکادمیک، تجارب حرفه‌ای و آگاهی در مورد نوع خاص کانسنگ بهره می‌بردند. به‌عنوان فرآیند کنترل‌شده توسط انسان، عوامل انسانی تاثیر بسزایی روی خروجی‌ها خواهد داشت که گاهی نه‌تنها منتج به ازبین‌رفتن تعالی می‌شود، بلکه منتج به عدم تداوم تولید نیز خواهد شد.
در پنج سال گذشته، توسعه یادگیری ماشین و کاربرد آن در حوزه کنترل فرآوری کانی‌های معدنی، سطحی از دقت زیاد و ثبات را به ارمغان آورده است. یادگیری ماشین سعی می‌کند که نقش اپراتور باتجربه را حفظ نماید اما داده‌هایی برای اپراتور فراهم می‌کند تا براساس آن اقدام کند. حفظ یک فرد در چرخه تصمیم‌گیری موجب تمرکز بر نگرش کلان می‌شود و کنترل فرآیند صرفا الگوریتمی نخواهد بود در حالی که پایایی و سرعت یادگیری ماشین و هوش مصنوعی حفظ می‌شود.
یادگیری ماشین تضمین می‌نماید کارخانجات فرآوری به‌صورت پایدار در گستره بالای توانمندی‌شان کار کنند و بدین طریق با به‌کارگیری یادگیری ماشین، 2 تا 4‌درصد بازیابی و 5 تا 15‌درصد توان عملیاتی افزایش خواهد یافت. تا سال 2032 این‌گونه بهبودها 5/‏‏0 تا 1‌میلیون تن افزایش در تولید معادن کنونی و آتی را به همراه خواهد داشت که منجر به 9 تا 18‌میلیارد دلار ارزش‌افزوده در بین تولیدکنندگان کنسانتره سنگ‌های سولفیدی خواهد شد.
انتظار می‌رود سه نوآوری تا سال 2031 حدود 5/‏‏6‌میلیون تن ظرفیت تولید ایجاد کند که این مقدار معادل 20‌درصد ظرفیت موجود است. با توجه به اینکه بخشی از هزینه‌های تولید ثابت هستند این افزایش تولید می‌تواند بیش از 20‌درصد سودآوری شرکت‌ها را افزایش دهد.
بهره‌برداری از این فرصت مستلزم توسعه زیست‌بوم نوآوری تخصصی صنایع معدنی است تا با نوآوری باز، فناوری موردنیاز از نخبگان به شرکت‌های معدنی جذب گردد. عموما این فرآیند از طریق شرکت‌های سرمایه‌گذاری خطرپذیر شرکتی انجام می‌پذیرد اما یک راهکار بدیل موثر دیگر می‌تواند کارگزاری نوآوری باشد.
* مدیر ریسک گروه مالی کیمیا