في صحراء أتاكاما، تدير شركة SQM واحدة من أكبر عمليات التعدين في المناطق المفتوحة على مستوى العالم. فكل خط ري، وكل مرش، وكل درجة من درجات التغير الحراري، يمكن أن تؤثر على كفاءة الاستخراج. ومع ذلك، وحتى وقت قريب، كانت هذه الفحوصات يدوية، حيث كان مهندسو الموقع يقطعون كيلومترات سيراً على الأقدام أو بالسيارة يومياً، بحثاً عن التسريبات والمرشات المفصولة.
أراد فريق الابتكار تسريع وتيرة العمل. كانوا بحاجة إلى عمليات تفتيش لا تعتمد على قدرة الأفراد على التحمل أو توافرهم. كانوا يريدون بيانات تُحدد لهم، كل صباح، بدقة أين يجب عليهم التدخل. قادتهم هذه الحاجة إلى شركة أدينتو، وهي شركة تكامل أنظمة مقرها تشيلي متخصصة في أنظمة الطائرات بدون طيار ذاتية التشغيل، FlytBase ، وهي منصة مؤسسية لأنظمة الطائرات بدون طيار ذاتية التشغيل والقائمة على البيانات. انطلقوا معًا للإجابة على سؤال لا يزال يُمثل تحديًا لمعظم العمليات الصناعية: كيف يُمكن تحويل مفهوم التشغيل الذاتي من مجرد إثبات للمفهوم إلى سير عمل يومي؟
التحدي
لسنوات، كانت عملية التفتيش لدى شركة SQM محدودة النطاق. فالتفتيش سيراً على الأقدام كان يعني ساعات تحت شمس الصحراء الحارقة، بينما لم توفر عمليات التفتيش بالسيارة دقة كافية ولم توفر أي معلومات عن درجة الحرارة. وكثيراً ما كانت المشاكل تمر دون أن يلاحظها أحد لأيام.
"كل ساعة يقضيها مهندسونا في المشي هي ساعة لا يتم فيها حل المشكلة"، هذا ما ذكره رودريغو تولر، نائب مدير الابتكار الرقمي في شركة SQM.
برزت ثلاث قضايا على الفور:
1. ثغرات التفتيش - إن الحجم الهائل للمنجم جعل من المستحيل اكتشاف التسريبات أو المناطق الجافة بسرعة كافية لمنع خسائر الكفاءة.
2. ردود الفعل المتأخرة - بحلول الوقت الذي تم فيه العثور على مرش مياه مفصول، ربما تكون أجزاء من الكومة قد مرت عليها أيام دون ري.
3. مقاومة التغيير - كانت الفرق الميدانية ذات خبرة، وعملية، ومتشككة في التكنولوجيا الجديدة التي وعدت بالكفاءة ولكنها أضافت تعقيداً.
لم يكن حل هذه التحديات يتطلب استخدام الطائرات بدون طيار فحسب، بل كان يعني تصميم أنظمة ذاتية التشغيل يمكن دمجها بسلاسة في إيقاع العمليات اليومية لشركة SQM.
الحل
بدأ مهندسو أدينتو بداية متواضعة: قاعدة شحن واحدة من دي جيه آي، ومنطقة واحدة، وحالة استخدام واحدة. لم يكن الهدف هو التوسع، بل بناء الثقة. فإذا استطاعوا إثبات جودة البيانات المتسقة والموثوقية التشغيلية، فسينمو النظام بشكل طبيعي.
أصبح FlytBase بمثابة العقل المدبر للمهمة، حيث يقوم بجدولة الرحلات اليومية، وإدارة بيانات القياس عن بُعد، ومعالجة عمليات نقل الصور التلقائية، وإجراء فحوصات السلامة عن بُعد. التقطت الطائرات المسيّرة صورًا بالألوان (RGB) وصورًا حرارية، وأرسلتها إلى FlytBase ، الذي قام بدوره بنقلها إلى بيئة Azure الخاصة بشركة SQM لتحليلها باستخدام تقنيات التعلم الآلي.
قامت شركة أدينتو بتطوير برمجيات وسيطة سمحت بتدفق البيانات بسلاسة بين FlytBase وAzure. لم تكن المخرجات صورًا خامًا، بل رؤى ثاقبة: فقد تحولت خرائط الري وأنماط درجات الحرارة إلى لوحات معلومات مصنفة تُظهر لفرق العمل الميدانية بدقة أين تذهب وماذا تُصلح أولًا.
"لقد سمحت لنا منصة FlytBase بأتمتة المهام اليومية والفحوصات الصحية ونقل البيانات، مما أدى إلى بناء سير عمل خالٍ من التدخل اليدوي تمامًا"، كما قال خوسيه بابلو موجيكا، المدير التجاري في شركة Adentu.
كانت هذه هي المرة الأولى التي يتمكن فيها فريق التفتيش التابع لشركة SQM من بدء يومهم بقائمة مرتبة من الأولويات تم إنشاؤها بالكامل بواسطة أنظمة مستقلة.
كيف يعمل؟
يبدأ كل يوم قبل شروق الشمس. تُجدول FlytBase مهمتين ذاتيتين بالكامل من قاعدة DJI، إحداهما عند الفجر والأخرى في وقت متأخر من بعد الظهر عندما يكون التباين الحراري في ذروته. تلتقط الطائرة المسيرة بيانات بصرية وحرارية عبر مناطق الترشيح المحددة وتعود تلقائيًا لإعادة الشحن.
ومن هناك، تنقل FlytBase الصور عبر واجهة برمجة تطبيقات آمنة إلى بحيرة بيانات Azure. تقوم نماذج التعلم الآلي، المدربة على صور SQM الخاصة، بتصنيف المناطق إلى مثالية، رطبة، وجافة. في غضون تسعين دقيقة من انتهاء الرحلة، يحصل مشغلو SQM على لوحة تحكم محدثة على شاشاتهم مع خرائط مرمزة بالألوان تُبرز الشذوذات وتحدد الإحداثيات بدقة.
بحلول الساعة 8:30 صباحاً، تكون الفرق الميدانية قد عرفت بالفعل إلى أين تذهب، وما الذي يجب فحصه، وما الذي يجب إصلاحه قبل أن يبدأ معظم الموقع في التحرك.
تطبيق
لقد اتبع المسار من الفكرة إلى الإنتاج خطة عمل واضحة:
الخطوة الأولى - التحقق من الواقع على أرض الواقع
قامت شركتا أدينتو وإس كيو إم برسم خريطة للمنطقة التشغيلية، وتحديد الموقع الأمثل للأرصفة مع مراعاة الحرارة والغبار والتضاريس. وتم توفير الاتصال عبر شبكة ستارلينك، التي تم اختيارها لاستقرارها في المواقع النائية.
الخطوة الثانية - التكامل والتحقق
تم تكوين واجهات برمجة التطبيقات الخاصة بـ FlytBase لدفع البيانات مباشرة إلى Azure، بينما قام مهندسو SQM بالتحقق من التزامن وسلامة البيانات بعد كل رحلة.
الخطوة 3 - تدريب الذكاء الاصطناعي مع التغذية الراجعة البشرية
قام الفريق بتصنيف مئات الصور الأولية للمهمة، مما درّب النموذج على التمييز بين الانعكاسات الحرارية ومشاكل الري الفعلية. وقد حسّنت حلقة التغذية الراجعة البشرية هذه الدقة بأكثر من 30% خلال الشهر الأول.
الخطوة الرابعة - القبول الميداني
كانت نقطة التحول الثقافية عندما بدأ المشغلون يطلبون بيانات الطائرات المسيّرة قبل الانطلاق. يتذكر رودريغو قائلاً: "كانوا يرفضون بدء العمل دون الاطلاع على لوحة التحكم الصباحية". كانت تلك نقطة التحول التي توقفت فيها التكنولوجيا عن كونها مشروعاً وأصبحت عادة.
الخطوة 5 - التوسع والتحسين
بمجرد استقرار الموثوقية فوق 95 بالمائة، قامت شركة SQM بتوحيد سير العمل وتعاملت مع النظام كأي أصل تشغيلي آخر.
النتائج
في أقل من عشرة أشهر، حققت شركة SQM تحولاً ملموساً.
تضاعفت وتيرة عمليات التفتيش من مرة كل أسبوعين إلى مرتين يوميًا. وتجاوزت موثوقية المهمة 95% حتى في ظل ظروف الصحراء القاسية. وانخفض وقت الكشف من عدة أيام إلى أقل من 90 دقيقة. وتحسنت كفاءة الاستخراج بنسبة 2%. وبلغ إجمالي استثمار النظام ما بين 70,000 و80,000 دولار أمريكي، مع تحقيق عائد على الاستثمار في أقل من عام.
تجاوز الأثر التشغيلي مجرد المقاييس. فقد انخفضت مسارات المشي اليدوية بشكل كبير، مما أتاح للمهندسين التركيز على تصميم الحلول بدلاً من عمليات الكشف. ومع تولي الأنظمة الآلية للمهام المتكررة، بدأت الفرق الميدانية تنظر إلى الطائرات المسيّرة كشركاء لا كمنافسين.
قال رودريغو: "إن زيادة نسبة استخلاص اليود من 0.5% إلى 2% تُعدّ زيادة هائلة بالنسبة لعملية بهذا الحجم. لكن التحول الأكبر كان في كيفية بدء فرقنا في منح الثقة للاستقلالية في إنجاز العمل."
الطريق إلى الأمام
بعد نجاحها في عمليات فحص أنظمة الري، تعمل شركة SQM الآن على توسيع نطاق استخدام هذا النموذج ليشمل وظائف أخرى. وقد طلبت الشركة منصات DJI Dock إضافية لقسم الأمن لديها، وتخطط لتشغيل مهام مراقبة المواقع على مدار الساعة. كما تختبر شركة Adentu تقنية مراقبة الأنماط الحرارية على طول خطوط أنابيب البولي إيثيلين عالي الكثافة (HDPE) للكشف المبكر عن علامات التسرب أو الإجهاد الهيكلي.
سيشمل التطور التالي تقنية FlytBase AI-R، التي ستوفر تحليلات الذكاء الاصطناعي الطرفية مباشرةً إلى قاعدة الشحن لمعالجة البيانات في الوقت الفعلي حتى في حال انقطاع الاتصال. كما تتضمن الخطة عمليات BVLOS (خارج نطاق الرؤية البصرية)، مما يُمكّن الطائرات المسيّرة من تغطية مناطق أوسع بشكل مستقل.
وأضاف رودريغو: "نحن الآن نستكشف إلى أي مدى يمكن أن يأخذنا الذكاء الاصطناعي المتطور، حيث يقوم بمعالجة المعلومات محليًا، حتى في وضع عدم الاتصال بالإنترنت".
ما بدأ كحالة استخدام واحدة أصبح الآن مخططًا لكيفية تخطيط SQM لتوسيع نطاق الاستقلالية عبر نظام التعدين الخاص بها.
خاتمة
لم تقتصر شراكة SQM مع Adentu و FlytBase على أتمتة مهمة فحسب، بل أعادت تصميم دورة العمليات التشغيلية بالكامل. ففي أقل من عام، انتقلوا من عمليات التفتيش الميدانية إلى تشغيل منجم ذاتي المراقبة يوفر معلومات قيّمة كل تسعين دقيقة. وقد وفرت FlytBase البنية التحتية للتشغيل الذاتي، وجعلتها Adentu جاهزة للاستخدام الميداني، وحوّلتها SQM إلى ميزة استراتيجية.
"تولت FlytBase مسؤولية الاستقلالية؛ وجعلتها شركة Adentu تعمل في الصحراء. لقد بنينا معًا منجمًا ذاتي المراقبة"، هذا ما قاله رودريغو تولر، نائب مدير الابتكار الرقمي في شركة SQM.
تُثبت هذه الحالة أن الاستقلالية لا تحل محل البشر، بل تُعزز قدراتهم. إن مستقبل التعدين ليس مجرد أتمتة، بل هو ترابط ذكي، واستمرارية، وقابلية للقياس.
الأسئلة المتكررة
كيف استخدمت SQM FlytBase في هذا التطبيق؟
جدولة المهام المدعومة من FlytBase ، وإدارة القياس عن بعد، ونقل البيانات الآمن إلى Azure، مما يسمح لـ SQM بتشغيل عمليات الفحص الحراري والبصري المستقلة تمامًا.
ما هو الدور الذي لعبه أدينتو؟
قامت شركة Adentu بدمج FlytBase مع بيئة Azure الخاصة بشركة SQM، ونشرت البنية التحتية المادية، وقامت بتخصيص سير العمل ليناسب الاحتياجات التشغيلية.
ما هو العائد على الاستثمار القابل للقياس الذي تم تحقيقه؟
موثوقية المهمة بنسبة 95%، وزيادة وتيرة التفتيش بمقدار الضعف، وزيادة بنسبة 2% في إنتاجية الاستخراج، ودورة عائد على الاستثمار لمدة 10 أشهر.
هل يمكن تطبيق هذا الحل على عمليات أخرى؟
نعم. سير العمل معياري ولا يعتمد على الأجهزة، وهو مصمم للتوسع ليشمل حالات استخدام الأمن والري والمراقبة البيئية عبر المواقع العالمية.
