Merve Aysu Arslan
Jeoloji Mühendisi
Özaltın Holding
Madencilik sektörü, dünyanın en eski ve en temel endüstrilerinden biridir ve günümüzde modern teknolojilerin etkisiyle hızla dönüşmektedir. Yapay zeka (AI), madencilik süreçlerinde verimliliği artırmak, maliyetleri düşürmek ve güvenliği sağlamak adına büyük bir potansiyele sahiptir. Türkiye’nin maden kaynakları çeşitliliği ve gelişen dinamik teknoloji altyapısı, bu dönüşümden faydalanmak için ideal bir ortam sunmaktadır.
Madenciliğin Geçmişi: El ile Harita Çiziminden GIS Programlarına
Madencilikte teknolojik ilerlemelerin nasıl bir dönüşüm yarattığını anlamak için geçmişe bakmak faydalıdır. Geleneksel olarak, maden arama ve geliştirme süreçleri, büyük ölçüde manuel yöntemlere dayanmaktadır. Coğrafi bilgi sistemleri (GIS) gibi dijital teknolojilerin ortaya çıkışı, madencilikte büyük bir devrim yarattı. GIS programları, jeolojik verilerin dijital haritalar üzerinde görselleştirilmesini sağladı ve verilerin analizini kolaylaştırdı. Bu, maden arama ve geliştirme süreçlerinde tutarlılığı artırdı ve verimliliği yükseltti. Gelişen teknolojinin madenciliğe doğrudan etkisiyle birlikte AI de madencilik için vazgeçilmez olacaktır.
AI, Makine Öğrenimi ve Derin Öğrenim
Madencilik sektöründe AI’nin kullanımı için terimleri anlamak önemlidir. AI, Makine Öğrenimi (ML) ve Derin Öğrenim (DL) birbirleriyle hiyararşik ve içi içe geçmiş bir ilişki içindedir. AI, en geniş kapsama sahip olan alandır. AI çeşitli teknik yöntemler ve yaklaşımlar içerir; bunlar arasında makine öğrenimi de bulunur. Makine öğrenimi genellikle veri odaklı problemlerin çözümünde kullanılır. Derin Öğrenme ise makine öğrenimin bir alt dalıdır ve daha karmaşık ve büyük veri setlerinin analizi için kullanılır.
Günümüzde madencilik sektöründe artarak kullanılmaya başlanan AI, büyük veri analizi ve makine öğrenimi algoritmaları sayesinde maden arama süreçlerini daha verimli hale getirmektedir. Örneğin, jeokimyasal veri setleri makine öğrenimini teknikleriyle analiz edildiğinde, kayaç isimlendirilmesi yapılarak tahmini modeller oluşturulabilir. Ayrıca derin öğrenme kullanıldığında, giriş verisi olarak kayaç resmi kullanılırsa, veri çıktısı olarak tahmini kayaç isimleri elde edilebilir. Yapılan çalışmalar sonucunda tahmini isimlendirmenin 95% doğruluk oranı olduğu gözlenmiştir. Makine öğrenimi ve derin öğrenme sayesinde, güvenilir verilerle hedeflenen veri çıktısına ulaşmak mümkündür.
Uydu görüntüleri, jeolojik haritalar ve sondaj verileri gibi büyük veri setleri analiz edilerek, yeni maden yataklarının bulunması sağlanabilir. Örneğin, uydu görüntüleri, büyük alanların
hızlı bir şekilde taranmasını sağlar. AI bu görüntüleri analiz ederek yüzeydeki anomalileri ve potansiyel maden yataklarının varlığı hakkında bilgi verir.
Veri toplama ve entegrasyonu, AI kullanımında büyük önem taşır. Güvenilir jeolojik, jeofizik ve jeokimyasal veriler bir veri kümesini temsil eder. Bu veriler, bilgi odaklı algoritmalar ile birlikte makine öğrenimi ve derin öğrenme algoritmalarının kombinasyonunu analiz eder. Elde edilen veri çıktıları ile tahmine dayalı modeller ve veri görselleştirme yapılarak, hedef alanlar belirlenir. Türkiye gibi maden kaynakları zengin bir ülkede bu teknoloji, keşif süreçlerini hızlandırabilir ve maliyetleri önemli ölçüde azaltabilir.
Yazının devamı Madencilik Türkiye Dergisi’nin 120.sayısındadır.
