Apa yang Dapat Dipelajari Manufaktur Dari Industri Logam Dan Pertambangan - Bagian 3 - Dengan Axora

Selamat datang di podcast Trend Detection, didukung oleh Senseye, pemimpin industri dalam menggunakan AI untuk mendorong kinerja dan keandalan aset yang skalabel dan berkelanjutan. Ini adalah publikasi baru yang dirancang untuk membantu Anda mendapatkan ide tentang cara mencapai efisiensi pemeliharaan.

Di bagian ketiga dan terakhir dari seri kami yang membahas apa yang dapat dipelajari oleh produsen dari industri logam dan pertambangan, saya bergabung lagi dengan Joe Carr dari Axora. Anda dapat mendengarkan bagian satu di sini dan bagian kedua di sini.

Selama episode membahas apa yang dapat dipelajari oleh produsen dari industri logam dan pertambangan, Joe Carr dari Axora bergabung lagi untuk membahas praktik pemeliharaan yang diikuti oleh perusahaan logam dan pertambangan, mengapa waktu kerja alat berat adalah kuncinya dan bagaimana membuktikan terlalu banyak data alat berat menantang.

Silakan berlangganan melalui penyedia podcast favorit Anda (Apple, Google, dan Spotify) jika Anda ingin diberi tahu tentang episode mendatang dan beri tahu kami masukan Anda dengan memberikan ulasan kepada kami.

Transkrip

Topik utama yang dibahas (klik untuk melompat ke bagian)

1. Praktik pemeliharaan utama dalam industri logam dan pertambangan
2. Memanfaatkan data mesin dalam logam dan pertambangan
3. Kasus penggunaan AI dan Machine Learning dalam logam dan pertambangan
4. Keberlanjutan dalam logam dan pertambangan
5. Studi kasus:Alcoa

Niall Sullivan, Senseye:Ya, itu dia, Joe. Itu menarik, Anda menyebutkan pemeliharaan karena ke sanalah tujuan saya selanjutnya dan sebenarnya cara yang lebih cerdas untuk melakukannya. Sekali lagi, hanya berpikir sebagai titik awal, dan Anda mungkin akan mengatakan ini kasus per kasus, tetapi secara umum, apa praktik pemeliharaan utama yang diterapkan saat ini?

Apa yang diikuti oleh perusahaan pertambangan logam ini? Apakah itu perawatan reaktif? Apakah seperti yang Anda sarankan agar mereka berubah setiap 4.000 hari atau apa pun itu? Secara umum, praktik seperti apa yang mereka ikuti saat ini, dalam hal pemeliharaan?

Joe Carr, Axora:Di dunia pertambangan logam, waktu aktif adalah kuncinya. Seratus persen, uptime adalah hal yang paling penting, karena sangat mirip dengan kursi maskapai, jika saya tidak memproduksi dalam waktu itu, saya tidak akan pernah bisa mendapatkannya kembali. Benar?

Setelah pesawat lepas landas dan kursinya tidak terjual, saya tidak akan pernah bisa mendapatkan kursi itu kembali untuk dijual. Sama halnya jika Anda menjalankan kilang, bukan? Jika Anda tidak memproduksi logam, satu ton tembaga selama satu jam, maka jam itu hilang. Saya tidak akan pernah mendapatkan kembali produksi itu.

Uptime adalah kuncinya. Industri tentu tidak mau bersikap reaktif. Akan selalu ada beberapa tingkat pemeliharaan reaktif. Itu akan selalu terjadi. Tentu sebagai industri, kami ingin menjadi pengecualian, bukan aturan. Terlepas dari perawatan reaktif, yang tidak kami inginkan, Anda telah merencanakan dan pemeliharaan preventif.

Pasti ada campuran di sana. Sekali lagi, seperti yang saya katakan, ini adalah basis perusahaan demi perusahaan. Kami menemukan hal-hal tertentu, terutama... Misalnya, truk. Itu contoh yang bagus. Kami memiliki banyak sensor hari ini di truk, yang dapat memberi tahu kami bagaimana mesin beroperasi, rem, dan semua hal semacam itu. Di tempat-tempat itu, misalnya, kita bisa lebih prediktif dalam memahami berapa lama suatu komponen akan rusak, sehingga ada.

Kemudian, ada area yang direncanakan secara langsung. Kami mengubahnya setiap 5.000 jam. Mengapa kita mengubahnya setiap 5.000 jam? Itulah yang direkomendasikan oleh pabrikan. Apakah itu benar atau tidak, terserah argumen.

Ini benar-benar campuran hari ini. Saya pikir, idealnya, seluruh industri ingin berjalan tidak terduga. Kami ingin AI, data sensor, dan pembelajaran mesin memberi tahu kami kapan segala sesuatunya akan gagal, seratus jam sebelum gagal, sehingga kami dapat mengubahnya tepat pada waktunya.

Ada masalah seputar perencanaan. Kita tidak bisa memperbaiki semuanya sebelum rusak. Kita harus memiliki tingkat perencanaan, tetapi ada penghematan biaya dan manfaat yang signifikan terhadap waktu kerja dengan memaksimalkan umur komponen. Kenyataannya jika saya dapat membuat truk itu berjalan 10 jam lebih lama dari yang saya inginkan. Dan saya dapat merencanakan untuk menghapusnya ketika saya memiliki ruang yang tersedia, daripada memarkirnya dan mengantrenya selama sehari sementara saya melakukan sesuatu yang lain, karena itu kehilangan produksi.

Saya pikir hari ini, ketika saya sedang mengerjakan operasi, kami mencoba untuk mencapai angka delapan puluhan yang tinggi dalam waktu aktif. 88% umumnya, adalah hal semacam itu. Dengan pemeliharaan prediktif yang lebih baik jika kita dapat memasukkannya ke tahun delapan puluhan dan sembilan puluhan, ada manfaat besar. Ada keuntungan besar bagi perusahaan pertambangan. Ada manfaat besar bagi masyarakat, karena kami dapat memproduksi lebih banyak logam dengan jumlah aset yang sama dengan yang kami miliki. Kita tidak perlu membuka tambang lain. Kami dapat terus berproduksi dari yang kami miliki, dan lebih efisien dengan peralatan yang kami miliki.

Niall Sullivan, Senseye:Ada campuran strategi yang terjadi dari apa yang Anda katakan. Anda jelas menyentuh pemeliharaan prediktif, yang merupakan minat yang sangat jelas dari sudut pandang saya.

Dari semuanya, kata Anda, jelas bahwa memprediksi pemeliharaan akan menambah cukup banyak nilai. Seberapa baik itu memeluk mereka? Bisa jadi pemeliharaan prediktif masih merupakan pasar yang berkembang dan mungkin belum berkembang pesat.

Kami telah menyebutkan tentang transformasi digital sebelumnya dan beberapa masalah di sana, tetapi apakah pemeliharaan prediktif dan manfaatnya diketahui secara luas? Atau, apakah itu diketahui secara luas dan mereka tidak menerimanya karena alasan yang Anda tunjukkan sebelumnya, berkaitan dengan masalah keamanan dan sisi itu?

Joe Carr, Axora:Ya. Ini benar-benar dikenal luas, sebenarnya. Solusi pemeliharaan adalah salah satu yang terbesar di industri ini.

Sekali lagi, ini menjadi sedikit karena sangat mudah untuk menghitung nilainya. Sangat mudah untuk mengatakan, "Apa yang diberikan waktu aktif 1% lebih banyak kepada saya?" Suku cadang yang berlayar di suku cadang, selalu bagus, tapi selalu dikerdilkan menjadi tidak penting oleh produksinya.

Jika biaya yang dikeluarkan untuk menjalankan tambang lebih besar daripada memproduksi material, kami tidak akan memiliki tambang. Ini bukan cara kerja industri pertambangan, kan, seperti bisnis apa pun. Selalu ada manfaat besar. Saya pikir masalah utamanya adalah pengembangan yang serampangan selama bertahun-tahun, dan tentu saja di dalam kendaraan dan pabrik, itu adalah pemikiran yang paling maju. Apalagi, jika Anda memiliki truk kuning besar yang sangat terkenal, bukan?

Jika Anda memiliki Caterpillar, Komatsu, atau orang-orang semacam itu, mereka tahu bahwa mereka telah melakukan perawatan prediktif pada kendaraan mereka sejak lama. Ketika mereka menjual kendaraan hari ini, ada banyak tambang yang membeli kendaraan mereka. Mereka tidak membelinya. Mereka membelinya pada waktu aktif.

Mereka membeli kendaraan, dengan waktu aktif minimum 87% atau semacamnya. Jika mereka tidak mendapatkan waktu aktif itu, mereka tidak membayarnya, karena mereka menyewanya. Sedikit seperti Anda mungkin menyewa mobil. Mereka sangat termotivasi. Pabrikan sangat termotivasi untuk menjaga agar kendaraan tersebut tetap berjalan seefisien mungkin, karena ini adalah pembeda yang sangat besar ketika Anda menjual truk, dengan mengatakan, "Truk saya efisien." Mereka memiliki kumpulan data yang sangat besar.

Jika Anda memikirkan Caterpillar, Anda memiliki puluhan ribu truk dengan sensor, semuanya menyediakan data tentang cara truk tersebut berjalan. Mereka semakin baik dalam menyampaikan apa yang mereka lakukan.

Jika Anda adalah perusahaan pertambangan dan memiliki seratus truk, kumpulan data Anda jauh lebih kecil untuk dapat memberikan manfaat tersebut. Ketika mereka menerapkan sistem mereka sendiri, mereka tidak seefektif itu. Itu adalah contoh di mana pemeliharaan preventif dan pemeliharaan terencana telah didorong oleh pabrikan.

Sedangkan jika Anda pergi ke suatu tempat seperti konsentrator, kilang, atau smelter, tidak ada satu pun perusahaan yang menjual smelter. Anda tidak pergi ke Hatch atau FLSmidth dan membeli smelter ini. Mereka membangunnya dari komponen dari banyak pabrikan yang berbeda. Kemudian, mereka mungkin membangun kembaran digital di sekitar itu, jika itu adalah pabrik peleburan yang benar-benar baru, selama lima tahun terakhir.

Di situlah AI, pemeliharaan prediktif, dan pembelajaran mesin benar-benar memiliki peluang, karena tidak dikendalikan oleh satu OEM incumbent, bukan? Ini bukan bor, yang dibuat oleh... Ini bukan mobil yang dibuat oleh Ford, di mana Ford tahu apa yang terjadi di semua bagian.

Setiap kilang tambang berbeda. Setiap smelter berbeda. Setiap konsentrator berbeda, dibuat oleh banyak bagian yang berbeda dari banyak produsen yang berbeda. Mampu mengumpulkan semua data itu bersama-sama, memahami, dan menyampaikan wawasan yang, hari ini, kami miliki untuk truk, bor, atau shovel, di situlah ada peluang yang sangat menarik. Kemudian, hal yang sama terjadi di seluruh rantai penambangan nilai. Itu hanya dua contoh yang sangat bagus.

Niall Sullivan, Senseye:Apakah karena data selalu... Nah, apakah itu topik penting dari sudut pandang kami, karena ada... Ini semua pesta atau situasi kelaparan, di mana tidak ada data atau ada begitu banyak data dalam berbagai format. Cukup sulit untuk meluangkan waktu, setidaknya, untuk mendapatkan wawasan yang sebenarnya di sana.

Apakah perusahaan logam dan pertambangan cukup pandai mengumpulkan banyak data seputar berbagai jenis mesin mereka dan mencari cara untuk memanfaatkannya? Atau, apakah mereka tidak mengumpulkan banyak data? Apakah ini sisi lain?

Joe Carr, Axora:Dari pengalaman pribadi, mereka mengumpulkan banyak data. Mereka tidak tahu apa yang harus dilakukan dengan itu.

Kami menemukan bahwa dari perkiraan kami, perkiraan inovasi kami, ketika kami melakukan pekerjaan. Salah satu masalah terbesar, adalah satu, kita harus bisa mengumpulkan data. Itu tantangan karena Anda membutuhkan jaringan untuk melakukannya.

Setelah tambang memiliki data, data tersebut memiliki banyak format berbeda, di banyak lokasi berbeda. Satu, mereka belum tentu tidak tahu apa yang harus dilakukan dengannya atau mereka tidak dapat melakukan apa pun dengannya, karena mereka tidak mampu. Mereka tidak memiliki keterampilan, seperti yang kita bicarakan sebelumnya. Data adalah tantangan nyata, karena mesin ini hari ini... Salah satu orang teknologi yang saya ajak bicara beberapa tahun lalu dari teknologi, dia berkata, "Satu truk menghasilkan dua gigabyte data sehari." Dan, mereka memiliki 83 di tambang berlarian. Dia berkata, "Penyimpanan sudah penuh. Tidak butuh waktu lama." Benar? Anda punya 83 hal yang menghasilkan dua gigs data setiap hari untuk mengisi server. Apa yang kita lakukan dengan data ini?

Atau 99% darinya, kami tidak tertarik. Mengapa kami tidak tertarik? Kami tidak ada hubungannya dengan itu. Itu mungkin data yang sangat menarik. Kami melacak kecepatan, waktu siklus, dan suhu mesin dari variabel. Kami mungkin melacak 20 dari 500 variabel yang keluar dari truk ini, secara real time.

Ini adalah peluang besar bagi tambang, karena mereka memiliki semua data ini dan kemudian itu silo. Itu ada di tambang, karena semua alasan yang kita bicarakan sebelumnya, tentang infrastruktur cloud dan bagaimana Anda melindungi tambang dari serangan dunia maya? Kami memiliki semua data ini yang hanya tersimpan di server yang tidak dapat dilakukan oleh siapa pun, karena tidak ada seorang pun di tambang itu sendiri yang tahu bagaimana melakukannya. Tidak ada yang dipekerjakan untuk melakukannya.

Apa pekerjaan saya, sebagai insinyur pertambangan di lantai tambang. Saya tidak dipekerjakan untuk duduk melalui data server. Saya dipekerjakan untuk memecahkan batu, mengeluarkan barang-barang dari tanah, dan memasukkannya ke dalam rencana pemrosesan. Ini campuran, kan? Sangat jarang Anda pergi ke tambang dan menemukan 20 ilmuwan data yang mengerjakan data. Benar? Apa yang Anda lakukan adalah menemukan banyak ahli geologi, insinyur, orang produksi, dan pengebor yang bekerja di tambang.

Sepertinya memalukan karena seperti yang saya katakan, ini adalah kesempatan yang belum dimanfaatkan. Seperti yang saya katakan, mereka tidak memiliki sumber daya internal untuk menyaring data itu. Mereka juga sedikit lebih sadar akan keamanan saat bekerja dengan cloud atau platform perangkat lunak, yang mungkin dapat membantu mendapatkan beberapa wawasan nyata ke dalamnya. Sepertinya kesempatan yang terlewatkan.

Seperti yang saya katakan, industri kemungkinan akan berubah. Orang-orang berganti pekerjaan dan menghasilkan... Mungkin ini juga masalah generasi. Mungkin itu akan berubah seiring waktu dan orang-orang akan memunculkan ide-ide ini dengan berpikir, "Yah, ada banyak data. Mengapa kita tidak melakukan apa-apa?" Kami benar-benar perlu pergi ke sana dan mencari solusi sehingga kami dapat menggunakan data ini, untuk keuntungan kami.

Ini juga soal pekerjaan, kan? Ketika saya masih seorang insinyur produksi, yang benar-benar saya pedulikan adalah produksi. Jika seseorang datang kepada saya dan berkata, "Oh, bisakah kami menjalankan proyek AI di truk Anda atau semacamnya?" Pandangan saya akan seperti, yah, hal semacam itu menghalangi produksi dan pekerjaan saya.

Anda juga melihat pemutusan di mana orang-orang di situs, seperti hanya ingin melanjutkan pekerjaan mereka. Dan orang-orang yang berada di departemen inovasi, sangat tertarik untuk melakukan proyek inovatif, tetapi mereka perlu mendapatkan dukungan dari orang-orang dari situs. Ada keterputusan ini di mana jika saya seorang insinyur produksi, saya dibayar bonus dan gaji saya untuk produksi. Saya tidak dibayar untuk menjalankan proyek AI.

Dapat terjadi pemutusan hubungan di mana orang-orang di situs seperti, "Dengar, saya tidak punya waktu untuk ini." Itu juga dikotomi yang menarik, di dalam tambang. Tambang itu tertutup sendiri. Orang-orang produksi di tambang, tidak berbicara dengan orang-orang produksi di pabrik, yang belum tentu berbicara dengan orang-orang produksi di kilang dan peleburan, yang memproduksi logam akhir. Mereka semua melakukan hal mereka sendiri. Demikian juga, karena mereka semua melakukan hal mereka sendiri dan itu sangat penting bagi mereka, jika Anda datang dengan hal pemeliharaan, Anda mungkin tidak mendapatkan dukungan. Mereka mungkin berkata, "Ah, itu sangat berharga. Saya sangat menyukainya." Responsnya cenderung, "Kembalilah kepada saya ketika saya bisa langsung menggunakannya, dan saya tidak perlu menghabiskan waktu untuk mengintegrasikannya." Ini adalah langkah integrasi dan kerumitan yang menyertainya. Tidak ada orang di sana yang tugasnya melakukan itu.

Niall Sullivan, Senseye:Seperti yang saya katakan, sekali lagi, ini ada hubungannya dengan elemen keterampilan yang hilang di sana, saya kira. Atau, itu bukan masalah yang diketahui, bukan? Apakah mereka menyadari kesenjangan keterampilan?

Joe Carr, Axora:Ya, benar. Saya rasa ini terkait dengan apa yang kita bicarakan sebelumnya, dengan pembelajaran mesin, AI, dan pusat operasi jarak jauh.

Ketika orang dibebaskan dari melakukan hal-hal yang dapat diulang, bagian dari perencanaan, dan langkah-langkah yang masih mereka lakukan... Banyak orang melakukannya dengan tangan, itu mungkin bisa otomatis. Ketika orang-orang dibebaskan dari hal-hal itu, mereka akan dapat melihat hal-hal seperti AI dan dapat mendedikasikan waktu dan upaya untuk proyek-proyek tersebut, yang pada akhirnya akan memberikan nilai yang luar biasa.

Ini adalah, "Yah, saya lebih suka memiliki 10 pon sekarang, daripada 20 pon minggu depan." Apa yang lebih ingin Anda miliki, bukan? Apakah Anda lebih suka mendapatkan manfaatnya sekarang atau nanti? Sebagai manusia dengan pemikir jangka panjang yang buruk, merencanakan 10 tahun ke depan... Sebenarnya, industri pertambangan sangat hebat dalam merencanakan 20 tahun ke depan.

Setiap departemen pertambangan memiliki perencana jangka pendek, menengah, dan panjang. Orang-orang perencanaan jangka panjang, perkiraan paling awal mereka adalah 10 tahun lagi. Mereka melihat hal-hal sejauh ini di masa depan. Jendela perencanaan orang jangka pendek adalah sore ini. Menurut saya, sebenarnya industri pertambangan sangat pandai berpikir jangka panjang. Ini hanya tentang bagaimana kami membantu seluruh rantai nilai untuk berpikir jangka panjang. Dan bagaimana kita membebaskan orang untuk dapat melakukan itu?

Niall Sullivan, Senseye:Saya tahu kami telah banyak menyebutkan pembelajaran mesin AI dan jelas dari sudut pandang saya, saya tahu dari sudut pandang pemeliharaan prediktor, bagaimana hal itu benar-benar dapat memberikan manfaat. Selain itu, di bidang apa saja AI dan machine learning diterapkan? Contoh apa yang dapat Anda berikan di bidang logam dan pertambangan?

Joe Carr, Axora:Ya, benar-benar... daftarnya sepanjang lengan Anda, seperti banyak hal.

Niall Sullivan, Senseye:Mungkin berbicara tentang lima besar. Tidak, atas... entahlah..

Joe Carr, Axora:Ya. Kami akan melakukan hitungan mundur, kan? Nomor lima.

Saya rasa ada beberapa area. Kami berbicara tentang pemeliharaan. Menurut saya perawatannya sangat bagus, karena buahnya menggantung sangat rendah, ada di lantai.

Ada beberapa area di mana selama kita memiliki sensor untuk dapat melakukan banyak hal, saya pikir ada begitu banyak pemeliharaan yang dapat dilakukan, hari ini, bersifat reaktif atau hanya direncanakan. Kami mengganti filter udara pada 500 jam. Mengapa kita mengubahnya? Karena dikatakan demikian. Saya yakin ada manfaatnya di sana.

Pasti ada manfaat dalam memahami deposit. Tidak turun ke garis singgung geologi, mengingat audiens podcast Anda, tetapi hanya memahami di mana logam berada di bawah tanah. Ada banyak manfaat untuk dapat menggunakan bukan otak manusia hanya dengan memahami itu, karena Anda dapat memiliki jutaan titik data yang hari ini kami temukan, kami klik, dan kami sirkuit di sini dan di sini, dan kami membangun bentuk, kan?

Ada begitu banyak manfaat untuk AI atau pembelajaran mesin, tergantung pada algoritme mana yang ingin Anda lihat secara khusus, untuk dapat diterapkan pada model tersebut. Alih-alih membuat satu model dalam seminggu, algoritme pembelajaran mesin dapat membuat ratusan model dalam satu sore, lalu ahli geologi dapat menilainya, dan berkata, "Oke, itu masuk akal. Yang ini, saya tidak tahu apa sudah selesai di sini. Ini sudah menjadi garis singgung yang gila, jadi kita abaikan saja."

Tentu saja ada banyak manfaat seputar AI dasar. Kami membawa AI ke sini untuk hal-hal bodoh. Ini pintar. Ia sangat baik dalam satu hal dan sangat buruk dalam segala hal lainnya. AI dalam mengemudikan truk, sangat bagus dalam mengemudikan truk, tetapi Anda tidak dapat melakukan hal lain saat machine learning mempelajari apa yang terjadi dengan sendirinya.

Aplikasi AI, di dalam tambang untuk melakukan hal-hal berulang, tugas-tugas berulang itu. Ada banyak sekali, mulai dari mengebor lubang, menggali material, menandai permukaan, hingga memuat bahan peledak. Semua hal itu matang untuk AI, karena kami melakukan hal yang sama persis setiap saat.

Saya pergi untuk mengebor wajah untuk pengembangan horizontal. Saya menggunakan pola bor yang sama, setiap saat. Banyak bor sekarang, para pengebor bahkan tidak mengebor lubang. Mereka mematikannya dan mengebornya sendiri. Mereka memastikan itu menempatkan lubang di tempat yang tepat, tetapi apakah benar-benar ada banyak langkah ekstra yang terlibat dalam mengatakan, "Nah, mengapa mereka tidak bisa melakukannya sendiri? Minta seseorang di pusat operasi jarak jauh mengawasi di atasnya."

Ada keuntungan di sana, dan tentu saja di ruang logam, ketika kita melihat hal-hal seperti pembelajaran mesin, dalam hal memahami produk yang kita produksi. Bagaimana kami memproduksinya? Apakah ada cacat? Jika itu adalah logam halus pada akhirnya menggunakan sesuatu seperti visi mesin, jadi kamera. Pada dasarnya, cara yang bagus untuk mengatakan kamera. Menggunakan visi mesin untuk memahami hasil material dan kemudian kepada siapa kami menjualnya.

Pada akhirnya, utopianya adalah, Anda menginginkan logam tertentu dengan beberapa properti. Anda memesan, itu pergi ke tambang, dan tambang mengirimkan peralatan ke tempat yang diketahuinya material itu. Itu menambang peralatan khusus itu. Ini melewati konsentrator, peleburan, dan kilang karena memiliki sifat yang sangat spesifik dan dikirimkan kepada Anda, dengan spesifikasi yang Anda inginkan. Kemudian, Anda memprosesnya sesuka Anda, atau Anda hanya menggunakannya dalam proyek Anda. Saat ini, kita sama sekali tidak berada di dekat rantai pasokan terintegrasi itu. Pada akhirnya itulah yang bisa... Dan tidak ada alasan mengapa kita tidak bisa melakukannya hari ini, hanya saja tidak ada hari ini.

Niall Sullivan, Senseye:Tidak, itu sangat menarik.

Saya tahu kita akan sampai di penghujung waktu kita, tetapi saya ingin menyentuh subjek keberlanjutan itu, yang merupakan topik hangat.

Yang ingin saya ketahui adalah, secara umum sekali lagi, bagaimana keberlanjutan berdampak pada logam dan pertambangan dalam sekejap? Saya tahu kita membicarakan masalah sumber daya. Juga, langkah-langkah apa yang dilakukan oleh perusahaan, untuk memenuhi target? Saya yakin banyak produsen, perusahaan logam, dan pertambangan juga memiliki target yang ingin mereka penuhi.

Joe Carr, Axora:Ya. Industri pertambangan sebenarnya melakukan cukup banyak. Anda lihat hari ini, ada banyak proyek di luar sana yang menggunakan kendaraan baterai di tambang. Hidrogen juga merupakan topik pembicaraan yang besar.

Saya pikir baru di berita kemarin, orang yang memiliki Fortescue Metals di Australia, dia baru saja membeli lengan baterai Williams F1, untuk melihat baterai.

Dia adalah karakter yang menarik, karena dia memiliki salah satu tambang bijih besi terbesar di dunia. Atau, kelompok pertambangan, harus saya katakan. Dia membangun ladang tenaga surya untuk, salah satu istilah yang lebih baik, di Outback. Dia akan menggunakannya untuk membuat hidrogen dari air laut, untuk membuat baja hijau di Australia. Jadi, untuk menjual baja tanpa jejak karbon.

Bila Anda melihat industri pertambangan sebenarnya, baja, lengan logam itu, adalah salah satu produsen CO2 terbesar. Mereka mengambil bijih besi dan untuk menghasilkan baja, Anda harus membakar kokas dan batu bara, yang merupakan jenis batu bara khusus.

Anda punya dua jenis batu bara. Termal, itulah yang semua orang pikirkan ketika mereka memikirkan lubang bawah, melemparkan batu bara ke dalam api, dan membakarnya di pembangkit listrik. Itu batubara termal. Batubara kokas adalah jenis yang sangat spesifik yang digunakan untuk membuat baja. Itulah sumber sebagian besar industri pertambangan, kecuali industri pertambangan batu bara, tentunya. Itulah sumber sebagian besar industri pertambangan, adalah jejak CO2.

Ada pertanyaan besar tentang bagaimana kami memproduksi baja hijau? Bagaimana kita mengurangi kebutuhan batubara dalam produksi baja? Bisakah kita melakukannya dengan hidrogen atau bahkan gas alam?

Meskipun, harga gas alam hari ini, itu juga tidak masuk akal untuk saat ini, dengan cara gas alam.

Keberlanjutan sangat tinggi dalam daftar yang harus dilakukan industri pertambangan dan kebutuhannya. Pertanyaan yang menarik adalah, bagaimana kita menghasilkan semua logam penting yang diinginkan semua orang ini? Bagaimana kita memproduksinya dengan dampak terbatas ini? Memahami bahwa industri pertambangan pada dasarnya adalah industri yang mengambil sesuatu dari bumi. Ini adalah industri ekstraktif.

Pertanyaan tentang bagaimana kita melakukannya dengan lebih baik, sudah menjadi agenda perusahaan pertambangan sejak lama. Dan itu akan terus berlanjut, semakin banyak orang yang fokus pada lingkungan, yang hanya akan mendapatkan lebih banyak. Kita akan melihat lebih banyak lagi.

Bagi saya, bagian yang sangat menarik... Dan pemikiran ganda untuk mengutip Orwell's Nineteen Eighty-Four, bahwa mampu memegang dua hal di kepala Anda, bertentangan secara diametris dan tidak memahami manfaatnya, adalah bahwa banyak orang tidak tidak seperti industri pertambangan. Anda mengatakan Anda bekerja di industri pertambangan dan orang-orang berkata, "Oh, terserahlah." Mereka tidak mengerti industri.

Mereka berpandangan bahwa industri ini adalah industri yang mengerikan, industri logam. Namun pada saat yang sama, mereka juga mengatakan, "Kita berada dalam krisis iklim dan kita membutuhkan energi hijau lebih dari yang kita butuhkan." Tidak mungkin memiliki dua pandangan yang bertentangan secara diametral bahwa Anda tidak menyukai industri pertambangan, tetapi Anda ingin melakukan sesuatu tentang perubahan iklim. Anda tidak dapat memiliki satu tanpa yang lain.

Kita tidak bisa melakukan itu. Saya ingat saya berada di IMARK, konferensi sumber daya pertambangan internasional beberapa tahun yang lalu, ketika saya benar-benar diizinkan naik pesawat dan pergi ke berbagai tempat.

Turun di Melbourne dan orang-orang pemberontak kepunahan ada di sana. Saya sebenarnya punya video wawancara di Sky News Australia. Mereka memiliki kepala protes pemberontakan kepunahan di sana. Kurang lebih memparafrasekan apa yang dia katakan. Dia berkata, "Kita saat ini berada dalam krisis iklim dan kita perlu melakukan sesuatu tentang hal itu. Jika tidak bangun, dunia akan berada dalam masalah besar." Kemudian, dengan napas yang sama, "Mereka sedang membangun tambang tembaga di Filipina yang tidak diinginkan siapa pun."

Tidak mungkin mempertahankan kedua tampilan, bukan? Anda tidak bisa melawan tambang tembaga dan melawan perubahan iklim. Anda tidak dapat memiliki revolusi energi hijau, tanpa industri pembelian.

Niall Sullivan, Senseye:Sebenarnya itu adalah sentimen yang bagus untuk diakhiri. Tepat sebelum kita menyelesaikan Joe, bagaimana orang bisa mengetahui lebih banyak tentang Axora dan apa yang Anda lakukan untuk mereka? Untuk industri?

Joe Carr, Axora:Ya, Anda bisa pergi ke Axora.com. Anda dapat melihat pasar dan Anda dapat menghubungi kami melalui itu. Atau, Anda dapat menemukan saya di LinkedIn dan mengirimi saya pesan. Saya akan dengan senang hati mengarahkan Anda kepada siapa pun orang yang tepat di dalam perusahaan, untuk berbicara tentang apa pun yang ingin Anda bicarakan.

Studi Kasus:Alcoa

Alcoa Corporation adalah pemimpin global dalam produk bauksit, alumina, dan aluminium, dibangun di atas fondasi nilai-nilai yang kuat dan keunggulan operasi sejak lebih dari 130 tahun hingga penemuan yang mengubah dunia yang menjadikan aluminium sebagai bagian penting dari kehidupan modern yang terjangkau dan vital.

Alcoa mengoperasikan pabrik produksi di seluruh dunia dan telah menerapkan inovasi terobosan dan menerapkan praktik terbaik yang menghasilkan peningkatan efisiensi, keamanan, keberlanjutan, dan komunitas yang lebih kuat di mana pun mereka beroperasi.

Temukan alasan Alcoa bermitra dengan Senseye untuk mencapai teknologi dan praktik operasional terbaik di kelasnya untuk Predictive Maintenance.