Home › 
Use Cases › 
Überwachung der Stabilität von Absetzbecken

Überwachung der Stabilität von Absetzbecken

Use Case
Bergbau

Hintergrund

Die Rückstände aus der Aufbereitung von Erzen und Mineralien, genannt Tailings, werden meist in großen Absetzbecken gesammelt, die mit Dämmen abgetrennt werden.

Der Dammbruch von Brumadinho, bei dem mindestens 259 Menschen starben und nahegelegene Ökosysteme irreversibel zerstört wurden, verdeutlicht die hohen Risiken und potentiellen Umweltschäden solcher Tailings-Becken. Das Unglück führte zu mehreren Initiativen zur genaueren Überwachung von Lagerungseinrichtungen für Tailings (TSF: Tailings Storage Facility), zur Schaffung von mehr Transparenz, und zum besseren Abschätzen von Risiken, wie z.B. das Global Tailings Portal. Auch wird von Investoren verlangt, regelmäßig über die Sicherheit der Tailingbecken zu berichten.

Die Überwachung der Absetzbecken kann durch den Einsatz von Fernerkundungsmethoden automatisiert werden, indem z.B. mit Hilfe von multispektralen Satellitendaten der Soil Moisture Index (SMI) berechnet wird.

Herausforderungen

Die Stabilität der Dämme kann anhand verschiedener Faktoren bestimmt werden, wie z.B. durch die Erkennung von Verschiebungen, Defekten, Änderung des Wasser- und Mineraliengehalts etc. All diese Faktoren können mit Hilfe der automatisierten Analyse von multispektralen Satellitendaten überwacht werden.

Ein Machine Learning (ML) Modell ist in der Lage durch das Training mit gelabelten Bild- und Radardaten, Objekte darin zu erkennen und zu klassifizieren. Dadurch können Absetzbecken verlässlich identifiziert und deren Änderung über einen Zeitraum detektiert werden. Dafür ist allerdings eine Satellitendatenquelle unerlässlich, die regelmäßig qualitativ hochwertige Bild- und Radardaten liefert. Open Source Satellitendaten, wie z.B. die Sentinel-Daten der ESA, haben meist eine geringe Auflösung, während kommerzielle Daten sehr kostspielig sein können.

Lösungsansatz

Die Objekterkennung und -klassifizierung in den Bilddaten kann mit Computer Vision Techniken erreicht werden, wofür in der Regel Convolutional Neural Networks (CNN), wie z.B. die U-Net Architektur, verwendet werden. Ein solches ist in der Lage, ein Bild zu segmentieren, d.h., dass jeder einzelne Pixel eines Bildes klassifiziert wird, was die Klassifizierung verschiedener Objekte ermöglicht. Dadurch können Absetzbecken und deren Änderung detektiert werden.

Mit Hilfe der Radardaten können außerdem Wassergehalt der Tailings sowie Mineralien in umliegenden Gewässern und Böden bestimmt werden, die auf ein Leck im Damm hinweisen könnten. Mit dem Soil Moisture Index (SMI) beispielsweise kann die Änderung des Wassergehalts des Absetzbeckens beobachtet werden. Der Normalized Difference Vegetation Index (NDVI) kann Veränderungen in der umliegenden Vegetation abbilden. Signifikante Änderungen dieser Indizes können Indikatoren dafür sein, dass der Damm undicht ist bzw. kurz davor, zu brechen.

KI-News jedes Quartal

Erhalten Sie Nachrichten über Machine Learning und Neuigkeiten rund um dida.

Erfolgreich angemeldet.

Gültige Email-Adresse benötigt.

Email-Adresse bereits registriert.

Etwas ist schiefgelaufen. Bitte versuchen Sie es nochmal.

Mit dem Klick auf "Anmelden" erklären Sie sich mit unserer Datenschutzerklärung einverstanden.

dida Logo