AI@HZDR im Forschungsbereich Energie

AI-Anwendungen spielen auch für den Bereich der Rohstoffe eine Rolle. Am Helmholtz-Institut Freiberg für Ressourcentechnologie (HIF)⁽¹⁾ werden verschiedene Methoden entwickelt und angewendet, um Rohstoffe zu kartieren, zu analysieren und zu modellieren. Perspektivisch kommen diese Methoden bei der Forschungsinfrastruktur FlexiPlant⁽²⁾ zum Einsatz, wobei Aufbereitungsprozesse digitalisiert und automatisiert werden.

Maschinelles Lernen unterstützt die Rohstoffsuche in abgelegenen Gebieten

Die traditionellen Methoden zur Erkundung und Charakterisierung von Lagerstätten in komplexen und abgelegenen Regionen sind kostspielig und anspruchsvoll. Daher müssen fortschrittliche Technologien zusammengeführt werden, um eine effiziente Exploration zu entwickeln und Erkundungsspezialisten dabei zu unterstützen, ressourcenreiche Gebiete besser zu identifizieren.

Dafür verknüpfen Forschende am Helmholtz-Institut Freiberg für Ressourcentechnologie (HIF) des HZDR Geologie, künstliche Intelligenz und Fernerkundung mit Methoden des maschinellen Lernens. Dabei entwickeln sie verschiedene Verfahren, um Daten wie multi- und hyperspektrale Bilder oder Laboranalysen zu integrieren. So können sie mineralogische Merkmale kartieren und Gebiete mit hohem wirtschaftlichem Potenzial auf dem gesamten Planeten identifizieren. Ihre Methoden ermöglichen die Entwicklung effizienter, robuster und reproduzierbarer Algorithmen, die die Geologen bei der Suche nach den für die Energiewende benötigten Metallen unterstützen können.

Die aktuelle Forschung konzentriert sich beispielsweise auf die Minimierung kostspieliger und zeitaufwändiger Laboranalysen durch die Entwicklung von Computer-Vision- und maschinellen Lernverfahren sowie die Integration innovativer Bildgebungstechnologien. Sie sind in der Lage, Mineralvorkommen in Bohrkernproben oder an der Erdoberfläche zu klassifizieren und zu quantifizieren, indem sie die Daten von Satelliten, Flugzeugen und unbemannten Luftfahrtsystemen kombinieren. Die Forschenden entwickeln auch neue Techniken zur Überwachung von Bergbauaktivitäten und deren Auswirkungen auf die Umwelt. Dafür nutzen sie Zeitreihen aus Satellitendaten-Archiven, um durch Bergbauaktivitäten verursachte Veränderungen zu bewerten. Außerdem integrieren sie Daten aus verschiedenen Quellen, um genauere Informationen über die Umgebung zu erhalten.

Ansprechpartner:
Prof. Dr. Pedram Ghamisi
Gruppenleiter Maschinelles Lernen am HIF 
Link zur privaten Webseite

Pressemitteilung: Mit Satellitendaten zu mehr Sicherheit im Bergbau⁽³⁾

Verbesserung der Erdbeobachtung mit Daten aus vielen Quellen

Die Gruppe entwickelt innovative Methoden für eine bessere Überwachung natürlicher und anthropogener Prozesse an der Erdoberfläche. Im Bereich des maschinellen Lernens ist das Team in mehreren Kernaspekten der neuesten Forschungsentwicklungen führend. In der Erdbeobachtung werden Aufgaben wie die semantische Segmentierung, bei der jedes Pixel eines Bildes nach Landbedeckungstypen klassifiziert wird, und die Szenenklassifizierung, bei der ganze Bilder oder Szenen als Stadt, Wald oder Wasser kategorisiert werden, eingesetzt. Bei der semantischen Segmentierung wird jedes Pixel eines Bildes einer bestimmten Kategorie wie Wasser oder Wald zugeordnet, während die Szenenklassifizierung dem gesamten Bild oder der gesamten Szene eine Gesamtkategorie zuweist. Beides sind wichtige Aufgaben beispielsweise bei der Analyse von Erdbeobachtungsdaten für die Landnutzung oder Umweltüberwachung.

Ein Beispiel dafür ist die sogenannte Erklärbare AI, die sich auf Techniken bezieht, die die Entscheidungsprozesse von AI-Modellen für den Menschen transparent und verständlich machen. In der Erdbeobachtung sorgt sie dafür, dass AI-gestützte Erkenntnisse interpretierbar sind, damit die Nutzer den Ergebnissen vertrauen und sie validieren können. Sie sorgen dafür, dass menschliches Fachwissen in den AI-gesteuerten Analyseprozess integriert wird. Menschen validieren, korrigieren und leiten die AI, was zu höherer Genauigkeit und zuverlässigeren Ergebnissen führt, insbesondere bei komplexen oder mehrdeutigen Daten. Sie integrieren Computer Vision, also die Bildanalyse, mit der Verarbeitung natürlicher Sprache, um Erdbeobachtungsbilder zu interpretieren und zu beschreiben. Diese Integration ermöglicht die Abfrage und Zusammenfassung von Satellitendaten in einem für den Menschen leicht lesbaren Format und verbessert so die Zugänglichkeit und Nutzbarkeit. Sie kombinieren Daten von mehreren Sensoren, einschließlich optischer und Radarsensoren, sowie Daten, die zu unterschiedlichen Zeiten erfasst wurden, um ein umfassenderes Bild der Erde zu erhalten. Dies erhöht die Genauigkeit bei der Überwachung von Umweltveränderungen wie Landnutzung oder Entwaldung. Außerdem lassen sich durch den Vergleich von Bildern aus verschiedenen Zeiträumen Unterschiede an der Erdoberfläche erkennen. Dies ist von entscheidender Bedeutung für die Überwachung von Ereignissen wie Stadtentwicklung, Naturkatastrophen oder Klimaauswirkungen.

Ansprechpartnerin:
Dr. Sandra Lorenz
Gruppenleiterin Fernerkundung am HIF

Pressemitteilung: Dreidimensionaler Blick auf die Welt mit Künstlicher Intelligenz⁽⁵⁾

Verbesserung der Trennverfahren durch präzise Partikelcharakterisierung

Konzentrationsprozesse in der Rohstoffindustrie sind häufig mit Herausforderungen konfrontiert, die sich aus der Komplexität der zu behandelnden Materialien ergeben: mikrometergroße Partikel, die sich aus mehreren Mineralien zusammensetzen – jedes von ihnen mit sehr spezifischen physikalischen Eigenschaften. Dies führt zu Schwierigkeiten bei der Einhaltung der angestrebten Konzentratzusammensetzung oder bei der Gewinnung einer ausreichenden Menge des Zielmetalls. Es besteht daher die Notwendigkeit, das Prozessverhalten einzelner Partikel besser zu verstehen und ihre Komplexität zu berücksichtigen. Ziel ist es, die Effizienz von Aufbereitungsanlagen zu verbessern, Kosten zu senken und maßgeschneiderte Trennzyklen zu simulieren, indem geeignete Prozessparameter für einzelne Materialien ermittelt werden. Darüber hinaus ist die Fähigkeit, das Ergebnis von Trennprozessen unter diesen Umständen vorherzusagen, der Schlüssel zur Verringerung von Unsicherheiten und zur besseren Planung von Rohstoffgewinnungsaktivitäten.

Dafür entwickeln Forschende am Helmholtz-Institut Freiberg für Ressourcentechnologie (HIF) des HZDR Techniken zur Modellierung von Konzentrationsprozessen von Rohstoffen in Bezug auf einzelne Partikel, basierend auf ihrer komplexen Zusammensetzung. Während diese Modelle mit modernsten Partikelinformationen gespeist werden können, die mit Rasterelektronenmikroskopen gesammelt wurden, gehen die Forschenden am HIF noch weiter und entwickeln Technologien zur 3D-Partikelcharakterisierung. Durch den Einsatz von Röntgen-Computermikrotomographie sammeln sie detaillierte 3D-Daten und nutzen diese, um partikelbasierte Trennmodelle zu verbessern.

In ihren Projekten arbeiten die Forschenden an genauen Vorhersagen von Zerkleinerungsprozessen. Sie untersuchen den Einfluss von Partikelformen auf den Flotationsprozess und die Optimierung von Trennkreisläufen basierend auf der Charakteristik einzelner Partikel. Diese Forschung wird sowohl für primäre (z. B. Gestein) als auch für sekundäre (z. B. Elektronikschrott) Rohstoffe durchgeführt. Das Team ist dabei bestrebt, das Verständnis und die Optimierung von Aufbereitungsprozessen kontinuierlich voranzutreiben, insbesondere im Hinblick auf die Komplexität, die realen Materialgemengen eigen ist.

Ansprechpartner:
Dr. Lucas Pereira
Gruppenleiter Geometallurgie und partikelbasierte Prozessmodellierung am HIF

Pressemitteilung: Verbesserte Aufbereitung von mineralischen Rohstoffen⁽⁷⁾

Inhalt aus Sidebar

Helmholtz AI Consultant Team⁽⁸⁾

⁽⁹⁾

CASUS: HZDR-Institut für datenintensive System­for­schung⁽¹⁰⁾

⁽¹¹⁾

entdeckt / discovered: Künstliche Intelligenz als Special Issue (zweisprachige Ausgabe)⁽¹²⁾

⁽¹³⁾

URL dieses Artikels
https://www.hzdr.de/db/Cms?pOid=71038

Links im Text