In der heutigen Zeit werden nur noch selten neue Lagerstätten für die Erzgewinnung erschlossen, weshalb auch teilweise erschöpfte Minen weiterhin betrieben werden. Durch den Rückgang der Konzentration von werthaltigem Material, z. B. Kupfererzen in den meisten Minen, steigt die zu verarbeitende Masse an Material, um die gleiche Menge des Endprodukts zu erhalten. Dadurch steigt auch die Aufwendung an Wasser und Energie für die Gewinnung dieser Rohstoffe.
Eine Möglichkeit dieser Verarmung entgegenzuwirken, ist die Vorkonzentration des Materialstroms durch sensorgestützte Sortierung. Dabei wird Taubgestein, dessen Verarbeitung nur einen minimalen Anteil zum Endprodukt beiträgt, früh in der Prozesskette entfernt. Da die Zerkleinerung und Vermahlung der Gesteine im Minenbetrieb große Mengen an Energie benötigt, ist hier ein großes Einsparpotential vorhanden. Die Vorsortierung des Materialstroms ermöglicht so eine Verringerung der pro Tonne Endprodukt aufgewendeten Ressourcen wie Energie und Wasser, sowie von Verbrauchsmaterial und Reagenzien in den späteren Prozessschritten.
Grundlage einer solchen Sortierung ist ein Sensorsystem, das eine Vorhersage der Konzentration des gewünschten Minerals oder Elements für jedes einzelne Partikel macht. Von den möglichen Sensortechnologien für die Sortierung waren ME-XRT (Multi-Energy Röntgen-Transmissionsbildgebung) und LIBS (laserinduzierte Plasmaspektroskopie) ausgewählt worden, da diese sich gegenseitig ergänzende Informationen über die Zusammensetzung liefern können. ME-XRT ist ein Transmissionsverfahren und liefert Informationen über das gesamte durchstrahlte Volumen der Probe, ist jedoch bei der Genauigkeit der elementaren Information limitiert, denn es liefert lediglich eine mit der effektiven Ordnungszahl korrelierte Information. LIBS dagegen ist in der Analyse auf eine vergleichsweise kleine Fläche der Oberfläche limitiert, kann aber wesentlich genauer Information über die Zusammensetzung aus den chemischen Elementen geben. Durch die Fusion der Daten beider Sensorsysteme sollte der dadurch erreichbare Gewinn in der Genauigkeit der Vorhersage der Konzentration gezeigt werden. Die Genauigkeit der Vorhersage der Konzentration sollte mit konventionellen Methoden für jede Sensortechnologie einzeln als Referenzwert untersucht werden. Mit Hilfe von Methoden des maschinellen Lernens (ML), konkret mit tiefen neuronalen Netzen, sollen die Daten der Sensortechnologien sowohl einzeln als auch deren Kombination (Datenfusion) untersucht werden.
Aus der Genauigkeit der Vorhersage der Konzentration des gewünschten Minerals oder Elements sollten dann die möglichen Einsparungen von Wasser und Energie bei einer entsprechenden Vorsortierung abgeleitet werden. Des Weiteren sollte die Verwertbarkeit der Sensorinformation im geologischen Gesamtbild untersucht werden. Dies sollte am Beispiel chilenischer Kupfer- und Eisenerze gezeigt werden.