Data Science und Visualisierung

Auf der Suche nach innovativen Lösungen im Bereich Erkundung und Charakterisierung von Materialien setzen wir vermehrt auf Data Science-Methoden. Mit unterschiedlichen Techniken des maschinellen Lernens entwickeln wir neue Arbeitsabläufe, um große Mengen von z. B. Sensordaten miteinander zu kombinieren und zu analysieren. Dabei unterstützt das maschinelle Lernen insbesondere Aufgaben wie Datenfusion, Verbesserung von Bildauflösungen, Kartierung geometrischer und kompositorischer Merkmale in 2D-Bildern und 3D-Räumen sowie Zeitreihenanalysen. Letztere ist von unschätzbarem Wert für das Verständnis darüber, wie sich systemische Muster im Laufe der Zeit entwickeln.

Ein weiterer Baustein der datengesteuerten Entscheidungsfindung ist die Visualisierung. Mit ihr können Trends schneller erkannt und die Auswertung von Echtzeitdaten unterstützt werden. Wir nutzen Visualisierung unter anderem für das Scannen von Bohrkerndaten mittels Hyperspektralkameras. Die Bohrkerndaten werden mit sogenannten 3D-Hyperspektralpunktwolken - also mit digitalen 3D-Datensätze - von Aufschlüssen im Tagebau und im Untertagebergbau kombiniert, um geologische 3D-Modelle zu erstellen. 3D-Modelle stellen Materialeigenschaften und räumliche Beziehungen von Objekten in allen drei Dimensionen dar. Auf diese Weise lassen sich potenzielle Rohstoffvorkommen schneller identifizieren, Explorationsarbeiten optimieren und präzise Strategien für das Ressourcenmanagement ableiten. Außerdem dient das 3D-Modell als wertvolles Werkzeug für die Zusammenarbeit und Kommunikation, indem alle Beteiligten auf intuitive Art und Weise mit den Daten interagieren können.