Wawasan Manufaktur: Pelajaran dari Logam & Pertambangan (Bagian 3) – Panel Pakar dengan Axora

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

 

Dalam bagian ketiga dan akhir dari seri kami mengenai apa yang dapat dipelajari produsen dari industri logam dan pertambangan, saya bergabung lagi dengan Joe Carr dari Axora. Anda dapat mendengarkan bagian satu di sini dan bagian dua di sini.

Selama episode yang membahas apa yang dapat dipelajari produsen dari industri logam dan pertambangan, kami bergabung lagi dengan Joe Carr dari Axora untuk membahas praktik pemeliharaan yang diikuti oleh perusahaan logam dan pertambangan, mengapa waktu operasional mesin adalah kunci, dan bagaimana terlalu banyak data mesin terbukti menjadi tantangan.

Silakan berlangganan melalui penyedia podcast favorit Anda (Apple, Google, dan Spotify) jika Anda ingin mendapatkan pemberitahuan tentang episode mendatang dan berikan masukan dengan memberikan ulasan.

Transkrip

Topik utama yang dibahas (klik untuk lompat ke bagian)

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

Niall Sullivan, Senseye: Ya, itu dia, Joe. Menarik, Anda menyebutkan pemeliharaan karena itu arah saya selanjutnya dan sebenarnya cara yang lebih cerdas untuk melakukannya. Lagi, hanya sebagai titik awal, dan Anda mungkin akan mengatakan ini tergantung pada kasus, namun secara umum, praktik pemeliharaan apa yang saat ini berlaku?

Apa yang diikuti oleh perusahaan pertambangan logam ini? Apakah pemeliharaan reaktif? Apakah seperti yang Anda saran, mereka mengganti setiap 4.000 hari atau apapun? Secara umum, praktik apa yang mereka ikuti saat ini, dalam hal pemeliharaan?

Joe Carr, Axora: Di dunia pertambangan logam, waktu operasional adalah kunci. Seratus persen, waktu operasional adalah hal terpenting, karena seperti kursi pesawat, jika saya tidak memproduksi dalam waktu itu, saya tidak akan pernah bisa mendapatkannya kembali. Benar?

Setelah pesawat terbang dan kursi tidak terjual, saya tidak akan pernah bisa mendapatkan kursi tersebut untuk dijual kembali. Hal yang sama jika Anda mengoperasikan rafineri, kan? Jika Anda tidak memproduksi logam, satu ton tembaga dalam satu jam, maka jam itu telah hilang. Saya tidak akan pernah mendapatkan produksi itu kembali.

Waktu operasional adalah kunci. Industri ini tentu tidak ingin menjalankan pemeliharaan reaktif. Selalu akan ada beberapa tingkat pemeliharaan reaktif. Ini selalu akan terjadi. Tentu sebagai industri, kita ingin ini menjadi pengecualian, bukan aturan. Selain pemeliharaan reaktif, yang kita tidak inginkan, Anda memiliki pemeliharaan terencana dan pencegahan.

Tentu ada campuran di sana. Lagi, seperti yang saya katakan, tergantung pada perusahaan. Kami menemukan bahwa hal-hal tertentu, terutama... Misalnya, truk. Itu adalah contoh yang bagus. Kami memiliki banyak sensor saat ini di truk, yang dapat memberitahu kami bagaimana mesin beroperasi, rem, dan segala macam hal. Di tempat-tempat tersebut, misalnya, kami dapat lebih prediktif dalam memahami berapa lama komponen akan gagal, jadi hal itu ada.

Lalu, ada area di mana ini hanya terencana lurus. Kami mengganti itu setiap 5.000 jam. Mengapa kami mengganti setiap 5.000 jam? Itu adalah rekomendasi produsen. Apakah itu benar atau tidak, adalah perdebatan.

Ini tentu campuran saat ini. Saya pikir, idealnya, seluruh industri ingin menjalankan pemeliharaan prediktif. Kami ingin AI, data sensor, dan machine learning memberitahu kami kapan sesuatu akan gagal, seratus jam sebelum gagal, sehingga kami dapat menggantinya tepat waktu.

Muncul masalah di sana terkait perencanaan. Kami tidak bisa memperbaiki segalanya tepat sebelum rusak. Kami harus memiliki tingkat perencanaan, tetapi ada penghematan biaya dan manfaat signifikan terhadap waktu operasional dengan memaksimalkan umur komponen. Dalam kenyataan bahwa jika saya dapat menjaga truk itu berjalan 10 jam lebih lama daripada yang saya inginkan. Dan saya dapat merencanakan untuk mematikannya ketika saya memiliki ruang yang tersedia, alih-alih memarkannya dan mengantrikannya selama hari sambil saya melakukan hal lain, karena itu adalah produksi yang hilang.

Saya pikir saat ini, saat saya bekerja di operasi, kami mencoba mencapai waktu operasional delapan puluh-an tinggi. 88% secara umum, adalah jenisnya. Dengan pemeliharaan prediktif yang lebih baik jika kita dapat mendorongnya ke delapan puluh-an dan sembilan puluh-an, ada manfaat besar. Ada manfaat besar untuk perusahaan pertambangan. Ada manfaat besar untuk masyarakat, karena kita dapat memproduksi lebih banyak logam dengan jumlah aset yang sama. Kami tidak perlu membuka tambang lain. Kami dapat terus memproduksi dari yang kita miliki, dan lebih efisien dengan peralatan yang kita miliki.

Niall Sullivan, Senseye: Ada campuran strategi yang berlangsung dari yang Anda katakan. Anda jelas menyentuh pemeliharaan prediktif, yang sangat menarik dari sudut pandang saya.

Dari segalanya yang Anda katakan, jelas bahwa pemeliharaan prediktif akan menambahkan banyak nilai. Seberapa baik itu diterima di sana? Mungkin pemeliharaan prediktif masih pasar yang berkembang dan belum berhasil meluncur.

Kami menyebutkan transformasi digital sebelum dan beberapa masalah di sana, tetapi apakah pemeliharaan prediktif dan manfaatnya banyak dikenal? Atau, apakah itu banyak dikenal dan mereka tidak menerapkannya karena alasan yang Anda sebutkan sebelumnya, terkait dengan keamanan dan kekhawatiran di sisi itu?

Joe Carr, Axora: Ya. Ini sebenarnya sangat banyak dikenal. Solusi pemeliharaan adalah beberapa yang terbesar di industri.

Lagi, ini kembali sedikit karena sangat mudah untuk menghitung nilai. Sangkat mudah untuk mengatakan, "Apa yang diberikan 1% waktu operasional tambahan kepada saya?" Spare parts yang tersimpan selalu bagus, tetapi selalu dikalahkan oleh produksi mereka.

Jika biaya untuk menjalankan tambang lebih dari biaya memproduksi bahan, kami tidak akan memiliki tambang. Itu bukan cara kerja industri pertambangan, kan, seperti bisnis apa pun. Selalu ada manfaat besar. Saya pikir masalah utama adalah perkembangan yang acak selama bertahun-tahun, dan tentu di dalam kendaraan dan pabrik, itu adalah yang paling berpikir maju. Khususnya, jika Anda memiliki truk kuning besar yang sangat terkenal, kan?

Jika Anda memiliki Caterpillar, Komatsu, atau orang-orang seperti itu, mereka telah melakukan pemeliharaan prediktif pada kendaraan mereka selama waktu yang lama, mereka tahu. Saat mereka menjual kendaraan saat ini, ada banyak tambang yang membeli kendaraan mereka. Mereka tidak membelinya. Mereka membelinya berdasarkan waktu operasional.

Mereka membeli kendaraan, dengan waktu operasional minimal 87% atau semacam itu. Jika mereka tidak mendapatkan waktu operasional itu, mereka tidak membayarnya, karena mereka menyewanya. Seperti yang mungkin Anda sewa mobil. Mereka sangat termotivasi. Produsen sangat termotivasi untuk menjaga kendaraan itu berjalan seefisien mungkin, karena itu adalah pengenal yang besar saat Anda menjual truk, 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 bagaimana truk itu berjalan. Mereka hanya semakin baik dalam memberikan apa yang mereka lakukan.

Jika Anda adalah perusahaan pertambangan dan Anda memiliki seratus truk, kumpulan data Anda sangat lebih kecil untuk dapat memberikan manfaat tersebut. Ketika mereka menerapkan sistem mereka sendiri, mereka tidak seefektif itu. Itu adalah contoh di mana pemeliharaan pencegahan dan pemeliharaan terencana dipacu oleh produsen.

Sementara jika Anda pergi ke tempat seperti konsentrator, rafineri, atau pelindian, tidak ada satu perusahaan yang menjual pelindian. Anda tidak pergi ke Hatch atau FLSmidth dan membeli pelindian ini. Mereka membangunnya dari komponen dari banyak produsen yang berbeda. Lalu, mereka mungkin membangun digital twin di sekitarnya, jika itu pelindian baru, selama lima tahun terakhir.

Itu benar-benar di mana AI, pemeliharaan prediktif, dan machine learning benar-benar memiliki kesempatan, karena ini tidak dikendalikan oleh satu OEM yang mendominasi, kan? Ini tidak seperti bor, yang dibuat oleh... Ini bukan mobil yang dibuat oleh Ford, di mana Ford tahu apa yang terjadi di semua bagian.

Setiap rafineri tambang berbeda. Setiap pelindian berbeda. Setiap konsentrator berbeda, dibuat dari banyak bagian dari banyak produsen yang berbeda. Dapat menarik semua data tersebut bersama-sama, memahami, dan memberikan wawasan yang, saat ini, kita miliki untuk truk, bor, atau sekop, itulah di mana ada kesempatan yang sangat menarik. Lalu, yang sama ada di seluruh rantai nilai pertambangan. Itu hanya dua contoh yang sangat bagus.

 

Niall Sullivan, Senseye: Apakah karena data selalu... Apakah topik penting dari sudut pandang kami, karena ada atau... Ini adalah situasi kelaparan atau berlebihan, di mana tidak ada data atau ada begitu banyak data dalam begitu banyak format yang berbeda. Cukup sulit untuk meluangkan waktu, setidaknya, untuk mencapai wawasan nyata di sana.

Apakah perusahaan logam dan pertambangan cukup baik dalam mengumpulkan banyak data tentang berbagai macam mesin mereka dan mencari cara untuk mengeksploitasi itu? Atau, apakah mereka tidak mengumpulkan banyak data? Apakah itu sisi lain dari hal itu?

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

Kami menemukan hal ini dari peramalan kami, peramalan inovasi kami, saat kami melakukan pekerjaan. Salah satu masalah terbesar adalah satu, kami perlu dapat mengumpulkan data. Itu adalah tantangan karena Anda perlu jaringan untuk melakukannya.

Setelah tambang memiliki data, itu ada dalam banyak format yang berbeda, di banyak lokasi yang terpisah. Satu, mereka tidak tentu tahu harus melakukan apa dengan itu atau mereka tidak bisa melakukan apa pun dengan itu, karena mereka tidak bisa. Mereka tidak memiliki keterampilan, seperti yang kita bicarakan sebelumnya. Data adalah tantangan nyata, karena mesin-mesin saat ini... Salah satu orang teknologi yang saya bicara beberapa tahun lalu dari teknologi, katanya, "Seluruh truk menghasilkan dua gigabyte data sehari." Dan, mereka memiliki 83 di tambang yang berkeliling. Katanya, "Penyimpanan penuh. Tidak perlu waktu lama." Kan? Anda memiliki 83 hal yang menghasilkan dua gig data setiap hari untuk mengisi server. Apa yang kita lakukan dengan data ini?

Atau 99% darinya, kita tidak tertarik. Mengapa kita tidak tertarik? Kami tidak punya apa-apa untuk dilakukan dengannya. 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-truk ini, secara real time.

Itu adalah kesempatan besar untuk tambang, karena mereka memiliki semua data ini dan kemudian itu silo. Itu duduk di tambang, karena semua alasan yang kita bicarakan sebelumnya, tentang infrastruktur cloud dan bagaimana Anda melindungi tambang dari serangan siber? Kami memiliki semua data ini yang hanya duduk di server yang tidak ada yang melakukan apa-apa dengannya, karena tidak ada di tambang itu sendiri, yang tahu bagaimana melakukannya. Tidak ada yang dipekerjakan untuk melakukannya.

Apa yang saya kerjakan, sebagai insinyur pertambangan untuk berada di lantai tambang. Saya tidak dipekerjakan untuk duduk melalui data server. Saya dipekerjakan untuk memecah batu, mengeluarkan barang dari tanah, dan memasukkannya melalui pabrik pengolahan. Itu adalah campuran, kan? Jarang sekali Anda pergi ke tambang dan menemukan 20 ilmuwan data yang bekerja pada data. Kan? Apa yang Anda lakukan, adalah menemukan banyak ahli geologi, insinyur, orang produksi, dan pengbor yang bekerja di tambang.

Itu terlihat sangat sayang karena seperti yang saya katakan, itu adalah kesempatan yang belum tergali. Seperti yang saya katakan, mereka tidak memiliki sumber daya internal untuk memfilter data itu. Mereka juga sedikit lebih waspada dalam hal keamanan saat bekerja dengan cloud atau platform perangkat lunak, yang mungkin dapat membantu mendapatkan beberapa wawasan nyata padanya. Itu sepertinya kesempatan yang terlewat.

Seperti yang saya katakan, industri kemungkinan akan berubah. Orang mengganti pekerjaan dan menghasilkan... Mungkin itu juga hal generasional. Mungkin itu akan berubah seiring waktu dan orang akan membawa ide-ide ini berpikir, "Nah, ada banyak data. Mengapa kita tidak melakukan apa-apa?" Kami benar-benar perlu pergi ke luar sana dan menemukan solusi sehingga kami dapat memanfaatkan data ini, untuk manfaat kami.

Itu juga hal pekerjaan, kan? Saat saya insinyur produksi, apa yang benar-benar saya pedulikan, adalah produksi. Jika ada orang datang kepadaku dan berkata, "Oh, bisakah kami menjalankan proyek AI pada trukmu atau semacam itu?" Pandangan saya akan seperti, nah, hal itu sedikit mengganggu produksi dan pekerjaanku.

Anda juga melihat kesenjangan di mana orang di lokasi, cuma ingin melanjutkan pekerjaan mereka. Dan orang-orang di departemen inovasi, sangat tertarik untuk melakukan proyek inovatif, tetapi mereka perlu mendapatkan persetujuan dari orang di lokasi. Ada kesenjangan di mana jika saya insinyur produksi, saya mendapatkan bonus dan gaji saya berdasarkan produksi. Saya tidak mendapatkannya, atas menjalankan proyek AI.

Ada kesenjangan di mana orang di lokasi cuma seperti, "Lihat, saya tidak punya waktu untuk ini." Itu juga dikejadian yang menarik, di dalam tambang. Tambang itu sendiri silo. Orang produksi di tambang, tidak berbicara dengan orang produksi di pabrik, yang tidak tentu berbicara dengan orang produksi di rafineri dan pelindian, yang memproduksi logam akhir. Mereka semua melakukan hal-hal sendiri. Demikian pula, karena mereka semua melakukan hal-hal sendiri dan itu sangat penting bagi mereka, jika Anda datang dengan sesuatu tentang pemeliharaan, Anda mungkin tidak mendapatkan persetujuan. Mereka mungkin berkata, "Ah, itu sangat berharga. Saya sangat menyukainya." Responsnya cenderung, "Kembali padaku saat saya dapat menggunakannya segera, dan saya tidak perlu menghabiskan waktu untuk mengintegrasikannya." Itu adalah langkah integrasi dan repot yang datang dengan itu. Tidak ada orang di sana yang pekerjaannya adalah untuk melakukannya.

Niall Sullivan, Senseye: Seperti yang saya katakan, lagi, itu terkait dengan elemen keterampilan yang hilang, saya duga. Atau, itu belum menjadi masalah yang diketahui, kan? Apakah mereka sadar akan kesenjangan keterampilan?

Joe Carr, Axora: Ya, mereka sadar. Saya pikir ini kembali kepada apa yang kita bicarakan sebelumnya, tentang machine learning, AI, dan pusat operasi jarak jauh.

Ketika orang dibebaskan dari melakukan hal-hal yang berulang, bagian dari perencanaan, dan langkah-langkah yang masih mereka lakukan... Banyak orang melakukan dengan tangan, yang mungkin dapat diotomatisasi. Ketika orang dibebaskan dari hal-hal tersebut, mereka akan dapat melihat hal-hal seperti AI dan dapat mengdikasihkan waktu dan upaya pada proyek-proyek tersebut, yang pada akhirnya akan memberikan nilai luar biasa.

Itu adalah, "Nah, saya lebih suka 10 pound sekarang, daripada 20 pound minggu depan." Apa yang Anda lebih suka, kan? Apakah Anda lebih suka manfaat sekarang atau nanti? Sebagai manusia dengan pemikir jangka panjang yang buruk, merencanakan 10 tahun ke depan... Sebenarnya, industri pertambangan luar biasa dalam merencanakan 20 tahun ke depan.

Setiap departemen pertambangan memiliki perencana jangka pendek, menengah, dan panjang. Orang perencana jangka panjang, perkiraan terawal mereka adalah 10 tahun lagi. Mereka melihat hal-hal yang sangat jauh di masa depan. Jendela perencanaan orang jangka pendek adalah sore hari ini. Saya pikir, sebenarnya, industri pertambangan sangat baik dalam berpikir jangka panjang. Itu hanya tentang bagaimana kita membantu seluruh rantai nilai berpikir jangka panjang. Dan bagaimana kita membebaskan orang untuk dapat melakukannya?

Niall Sullivan, Senseye: Saya tahu kita telah menyebutkan AI machine learning banyak dan jelas dari sudut pandang saya, saya tahu dari sudut pandang pemeliharaan prediktif, bagaimana itu bisa memberikan manfaat. Selain itu, di area mana pun AI dan machine learning diterapkan? Contoh apa yang bisa Anda berikan di logam dan pertambangan?

Joe Carr, Axora: Nah, ada banyak... daftarnya panjang, seperti banyak hal.

Niall Sullivan, Senseye: Mungkin bicara tentang lima teratas. Tidak, yang teratas... Saya tidak tahu..

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

Saya pikir ada beberapa area. Kami membicara tentang pemeliharaan. Saya pikir pemeliharaan adalah yang sangat baik, karena buahnya sangat mudah dijangkau, ada di lantai.

Ada beberapa area di mana selama kita memiliki sensor untuk dapat melakukan sesuatu, saya pikir ada begitu banyak di pemeliharaan yang dapat dilakukan yang, saat ini, baik reaktif atau hanya terencana. Kami mengganti filter udara pada 500 jam. Mengapa kami menggantinya? Karena begitulah yang dikatakan. Saya pasti pikir ada manfaat di sana.

Tentu ada manfaat dalam pemahaman tentang endapan. Jangan membahas geologi, mengingat audiens podcast Anda, tapi hanya memahami di mana logam ada di bawah tanah. Ada banyak manfaat untuk dapat menggunakan bukan otak manusia dalam memahami itu, karena Anda bisa memiliki jutaan titik data yang saat ini kita temukan, kita klik, dan kita merangkai itu di sini dan di sini, dan kita membangun bentuk, kan?

Ada begitu banyak manfaat untuk AI atau machine learning, tergantung pada algoritma mana yang ingin Anda lihat secara spesifik, untuk dapat diterapkan pada model-model tersebut. Alih-alih membuat satu model seminggu, algoritma machine learning bisa membuat ratusan model dalam satu sore hari, lalu ahli geologi dapat menilainya, dan berkata, "Oke, itu masuk akal. Yang ini, saya tidak tahu apa yang dilakukan di sini. Ini pergi ke tangga yang gila, jadi kita akan mengabaikannya saja."

Tentu ada banyak manfaat di sekitar AI dasar. Kami mengambil AI di sini untuk hal-hal sederhana. Itu cerdas. Sangat baik dalam satu hal dan buruk dalam segala hal lain. AI untuk mengemudikan truk, itu hebat dalam mengemudikan truk, tapi Anda tidak dapat melakukan apa pun lain saat machine learning belajar apa yang terjadi sendirinya.

Aplikasi AI, di dalam tambang untuk melakukan hal-hal berulang, tugas-tugas repetitif. Ada banyaknya, mulai dari pemboran lubang, menggali bahan, menandai muka, hingga memuat peledak. Semua hal tersebut matang untuk AI, karena kita melakukan hal yang sama tepat setiap kali.

Saya pergi untuk membor muka untuk pengembangan horizontal. Saya menggunakan pola bor yang sama, setiap kali. Banyak bor sekarang, para pengebor tidak malah membor lubang. Mereka menyalakannya dan bor itu sendiri. Mereka memastikan itu menempatkan lubang di tempat yang tepat, tapi apakah benar-benar ada langkah tambahan yang terlibat dalam mengatakan, "Nah, mengapa mereka tidak bisa melakukannya sendiri? Hanya seseorang di pusat operasi jarak jauh yang mengawasi."

Ada manfaat di sana, dan tentu di ruang logam, saat kita melihat hal-hal seperti machine learning, dalam hal pemahaman produk yang kami produksi. Bagaimana kami memproduksinya? Apakah ada cacat? Jika itu logam yang sudah disaring di akhir menggunakan sesuatu seperti machine vision, jadi kamera. Pada dasarnya, cara mewah untuk mengatakan kamera. Menggunakan machine vision untuk memahami hasil bahan dan lalu kepada siapa kami menjualnya.

Pada akhirnya, utopinya akan, Anda ingin logam tertentu dengan beberapa properti. Anda melakukan pesanan, itu pergi ke tambang, dan tambang mengirimkan peralatan ke tempat yang tahu bahan itu berada. Tambang itu memetakan peralatan spesifik itu. Ini melalui konsentrator, pelindian, dan rafineri karena memiliki properti yang sangat spesifik dan dikirimkan kepada Anda, pada spesifikasi yang Anda inginkan. Lalu, Anda memprosesnya sesuai keinginan Anda, atau Anda hanya menggunakannya dalam proyek Anda. Saat ini, kita masih jauh dari rantai pasokan yang terintegrasi seperti itu. Itu pada akhirnya apa yang bisa... Dan tidak ada alasan mengapa kita tidak bisa melakukannya saat ini, itu hanya belum ada saat ini.

Niall Sullivan, Senseye: Tidak, itu sangat menarik.

Saya tahu kita menuju akhir waktu kita, tetapi saya ingin menyentuh topik keberlanjutan, yang merupakan topik hangat.

Apa yang ingin saya tahu adalah, secara umum lagi, bagaimana keberlanjutan mempengaruhi logam dan pertambangan saat ini? Saya tahu kita membahas masalah sumber daya. Juga, langkah apa yang diambil oleh perusahaan, untuk memenuhi target? Saya yakin banyak produsen, perusahaan logam dan pertambangan juga memiliki target yang ingin mereka capai, juga.

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

Saya pikir baru-baris ini di berita, pemilik Fortescue Metals di Australia, baru saja membeli divisi baterai Williams F1, untuk melihat baterai.

Dia adalah karakter yang menarik, dalam artian dia memiliki salah satu tambang bijih besi terbesar di dunia. Atau, grup pertambangan, seharusnya saya katakan. Dia membangun surya untuk, kata lain, di Outback. Dia akan menggunakannya untuk membuat hidrogen dari air laut, untuk membuat baja hijau di Australia. Jadi, untuk menjual baja tanpa jejak karbon.

Ketika Anda melihat industri pertambangan sebenarnya, baja, cabang logamnya, adalah salah satu produsen CO2 terbesar. Mereka mengambil bijih besi dan untuk memproduksi baja, Anda harus membakar kok dan batu bara, yang merupakan jenis batu bara khusus.

Anda memiliki dua jenis batu bara. Termal, yang adalah yang semua orang pikirkan saat mereka pikirkan di dalam lubang, melempar batu bara ke api, dan membakarnya di pembangkit listrik. Itu adalah batu bara termal. Kok batu bara adalah jenis sangat spesifik yang digunakan untuk membuat baja. Itu adalah sumber sebagian besar industri pertambangan, kecuali di industri pertambangan batu bara, tentu. Itu adalah sumber sebagian besar industri pertambangan, adalah jejak karbon.

Ada pertanyaan besar tentang bagaimana kita memproduksi baja hijau? Bagaimana kita mengurangi kebutuhan akan batu bara dalam produksi baja? Dapatkah kita melakukannya dengan hidrogen atau bahkan gas alam?

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

Keberlanjutan sangat tinggi pada daftar tugas industri pertambangan dan pada kebutuhannya. Itu adalah pertanyaan menarik, bagaimana kita memproduksi semua logam yang sangat penting ini yang semua orang inginkan? Bagaimana kita memproduksinya dengan dampak yang terbatas? Memahami bahwa industri pertambangan menurut sifatnya adalah industri yang mengambil sesuatu dari bumi. Itu adalah industri ekstraktif.

Pertanyaan bagaimana kita melakukannya lebih baik, telah ada pada agenda perusahaan pertambangan selama waktu yang lama. Dan itu akan terus menjadi, semakin banyak orang yang fokus pada lingkungan, yang hanya akan semakin bertambah. Kita akan melihat lebih banyaknya.

Bagi saya, bagian yang sangat menarik... Dan pemikiran ganda untuk mengutip Orwell Nineteen Eighty-Four, bahwa dapat memegang dua hal di kepala, yang berdiametral bertentangan dan tidak memahami manfaatnya, adalah banyak orang tidak menyukai industri pertambangan. Anda katakan Anda bekerja di industri pertambangan dan orang-orang pergi, "Oh, ya." Mereka tidak memahami industri.

Mereka memiliki pandangan bahwa industri ini adalah industri yang buruk, industri logam. Namun pada saat yang sama, mereka juga berkata, "Kita dalam krisis iklim dan kita membutuhkan energi hijau lebih dari apa pun." Tidak mungkin untuk memegang dua pandangan yang berdiametral bertentangan bahwa Anda tidak menyukai industri pertambangan, tapi Anda ingin melakukan sesuatu tentang perubahan iklim. Anda tidak dapat memiliki satu tanpa yang lain.

Kita tidak dapat melakukannya. Saya ingat saya berada di IMARK, konferensi sumber daya pertambangan internasional beberapa tahun yang lalu, saat saya benar-benar diizinkan naik pesawat dan pergi ke tempat-tempat.

Di bawah Melbourne dan orang-orang extinction rebellion ada di sana. Saya sebenarnya memiliki video wawancara di Sky News Australia. Mereka memiliki kepala protes extinction rebellion di sana. Lebih atau kurang memarafalkan apa yang dia katakan. Dia berkata, "Kami saat ini dalam krisis iklim dan kita perlu melakukan sesuatu tentang itu. Jika tidak membangunkan dunia akan dalam masalah besar." Lalu, dalam nafas yang sama, "Mereka membangun tambang tembaga di Filipina yang tidak diinginkan oleh siapa pun."

Tidak mungkin untuk memegang kedua pandangan, kan? Anda tidak bisa anti tambang tembaga dan anti perubahan iklim. Anda tidak bisa memiliki revolusi energi hijau, tanpa industri pertambangan.

Niall Sullivan, Senseye: Itu adalah perasaan yang sangat bagus untuk diakhiri, sebenarnya. Sebelum kita selesai Joe, bagaimana orang dapat mengetahui lebih lanjut tentang Axora dan apa yang Anda lakukan untuk mereka? Untuk industri?

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

Studi Kasus: Alcoa

Alcoa Corporation adalah pemimpin global dalam bijih boksit, alumina, dan produk aluminium, dibangun pada dasar nilai-nilai yang kuat dan keunggulan operasional yang bermula lebih dari 130 tahun yang lalu dari penemuan yang mengubah dunia yang membuat aluminium menjadi bagian yang terjangkau dan vital dari kehidupan modern.

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

Temukan mengapa Alcoa bermitra dengan Senseye untuk mencapai teknologi kelas terbaik dan praktik operasional untuk Predictive Maintenance.