L'utilisation d'algorithmes d'apprentissage automatique pour optimiser le calendrier et la conception des mines

L'industrie minière s'appuie depuis longtemps sur l'expérience, les données historiques et les modèles déterministes pour planifier ses opérations. Cependant, le passage à la prise de décision axée sur les données s'accélère.Les algorithmes d'apprentissage automatique (ML) sont de plus en plus déployés pour optimiser la planification et la conception des mines, permettant aux entreprises d'extraire plus efficacement les ressources, de réduire les coûts et d'améliorer la sécurité.

Comprendre le calendrier et la conception des mines

Le calendrier des activités d'extraction est le processus qui permet de déterminer la séquence et le calendrier des activités d'extraction pendant toute la durée de vie d'une mine. L'objectif est de maximiser la valeur actuelle nette tout en respectant les objectifs de production, les contraintes de grade et les limites opérationnelles.

La conception des mines, par contre, se concentre sur la configuration physique de la mine, y compris les pentes des fosses, les routes de transport, les décharges et les infrastructures.Elle doit assurer la stabilité géotechnique, des conditions de travail sûres et la conformité environnementale. Traditionnellement, ces tâches ont été effectuées à l'aide de calculs manuels, de tableurs et de logiciels d'optimisation basés sur la programmation linéaire ou mixte.

La complexité des opérations minières modernes – avec de multiples fosses, stocks, flux de traitement et contraintes de mélange – exige des outils plus flexibles et adaptatifs, c'est là que l'apprentissage automatique offre un avantage important.

Comment les algorithmes d'apprentissage automatique améliorent la planification des mines

Les algorithmes d'apprentissage automatique améliorent à la fois le calendrier et la conception des mines en traitant de grands volumes de données multivariées pour produire des informations exploitables. Au lieu de s'appuyer uniquement sur des modèles de réserve statique, les modèles ML peuvent continuellement mettre à jour les prévisions à mesure que de nouvelles données sur les trous de forage, des essais de saut ou des échantillons de contrôle de la qualité deviennent disponibles.

Les principales applications sont les suivantes :

• Estimation des grades et classification des réserves :[ Les modèles d'apprentissage supervisés prévoient les grades à des endroits non échantillonnés en utilisant l'interpolation spatiale (p. ex., le kriging) combinée à des réseaux neuronaux, ce qui améliore la précision des modèles de ressources.
• Optimisation de la programmation à court terme :[ Les agents d'apprentissage du renforcement apprennent à appliquer des politiques de séquençage optimales par des essais et des erreurs, en conciliant plusieurs objectifs, comme réduire au minimum les coûts de transport, atteindre les objectifs de mélange et maximiser le débit.
• L'optimisation des grades de coupe :[ Un regroupement non supervisé identifie les zones économiques à l'intérieur d'un gisement, aidant à définir les grades de coupure qui maximisent la valeur pendant la durée de vie de la mine.
• La conception du ballast et la prévision de fragmentation:[ Les modèles ML formés sur les données de souffle prédisent la taille de fragmentation de roche, qui impacte directement le chargement et l'efficacité de concassage.

En intégrant ces algorithmes dans les flux de travail de planification des mines, les entreprises peuvent passer d'une prise de décision réactive à une prise de décision proactive, réduisant les temps d'arrêt et améliorant l'efficacité globale de l'équipement.

Types de techniques d'apprentissage automatique dans l'exploitation minière

Plusieurs catégories d'apprentissage automatique sont particulièrement pertinentes pour l'établissement et la conception des plans d'exploitation minière :

Apprentissage supervisé pour la modélisation des ressources

Les algorithmes d'apprentissage supervisés, comme les forêts aléatoires, les machines vectrices de soutien et les réseaux neuronaux profonds, sont formés sur des données marquées (p. ex., les essais de forage) pour prédire les grades de minerai, la dureté des roches ou les propriétés géotechniques.Ces modèles peuvent saisir les relations et les interactions non linéaires entre les variables que les méthodes géostatistiques traditionnelles manquent.Par exemple, une étude menée par des chercheurs de l'Université du Queensland a montré qu'un réseau neuronal a surperformé le kriging ordinaire dans la prédiction des grades de minerai de fer tout en réduisant l'incertitude d'estimation (Source: ScienceDirect.

Apprentissage non supervisé pour l'identification des domaines géologiques

Des méthodes non supervisées comme le regroupement des moyennes K, les modèles de mélange gaussien ou les cartes auto-organisatrices regroupent automatiquement des données géochimiques ou géophysiques dans des domaines lithologiques ou minéralogiques.Cela aide les géologues à définir les limites des zones de minerai et simplifie l'établissement des horaires en réduisant le nombre d'unités matériellement distinctes.Une application dans une mine de cuivre au Chili a utilisé l'analyse des composantes principales et le regroupement pour identifier les zones de qualité élevée et de faible teneur, permettant une extraction plus sélective (Source: Springer.

Renforcement de l'apprentissage pour le séquençage et la logistique

Dans le cadre de la planification des mines, un agent de RL interagit avec une simulation de l'environnement minier, apprenant par des signaux de récompense (p. ex., profit par période) à choisir des séquences d'extraction optimales.Cette approche peut gérer des contraintes complexes comme la queue des équipements, les limites de mélange et la gestion des stocks.Des chercheurs de l'Université de la Colombie-Britannique ont mis au point un programme basé sur la RL pour les mines à ciel ouvert qui a réduit de 25 % l'écart par rapport aux objectifs de production prévus par rapport aux méthodes heuristiques (Source : Minéraux.

Principaux avantages de l'intégration de l'apprentissage automatique

La mise en oeuvre d'algorithmes de LM dans le planning et la conception des mines permet des améliorations mesurables dans plusieurs dimensions :

• Une plus grande précision dans l'estimation des ressources:[ Les modèles ML réduisent les erreurs de prédiction, ce qui entraîne moins de surprises pendant la production.
• Efficacité opérationnelle accrue:[ Les horaires optimisés réduisent le temps de repos, les distances de transport et le réacheminement.Une mine d'or majeure a signalé une augmentation de 15 % du débit après l'adoption d'un système de planification basé sur l'apprentissage automatique.
• Impression environnementale réduite:[ En optimisant le placement des déchets et en réduisant au minimum les perturbations, le ML aide à contenir les impacts opérationnels.
• Sécurité améliorée:[ Les modèles prédictifs prévoient des défaillances géotechniques, des pannes d'équipement et des conditions dangereuses.Par exemple, les algorithmes ML analysant des données microsismiques peuvent prévoir des éclatements de roches à l'avance, permettant des évacuations.
• économies de coûts:[ Des opérations plus efficaces réduisent directement les coûts d'exploitation. McKinsey estime que les approches fondées sur les données dans l'exploitation minière peuvent réduire les coûts de 10 à 20 % (Source: McKinsey.

Les défis de l'adoption

Malgré la promesse, l'intégration de l'apprentissage automatique dans la planification des mines n'est pas simple.

• Qualité et disponibilité des données:[ Les données minières sont souvent rares, bruyantes ou formatées de façon incohérente. Les données manquantes, la dérive des capteurs et les intervalles d'échantillonnage différents peuvent dégrader les performances du modèle.
• Coûts élevés de mise en oeuvre: La construction et l'entretien de pipelines ML nécessitent des logiciels spécialisés, du matériel (p. ex., des GPU pour l'apprentissage approfondi) et des spécialistes en données.
• Interprétabilité et confiance:[ Les planificateurs et géologues de mines sont habitués à des modèles interprétables comme le kriging avec variance connue. Les réseaux neuraux à boîtes noires peuvent résister à l'acceptation même s'ils fonctionnent mieux.
• Intégration avec les systèmes existants:[ La plupart des mines utilisent des logiciels de planification des ressources (PGI) et de planification des mines (p. ex. Datamine, Deswik, Surpac). L'alimentation des produits ML dans ces flux de travail nécessite souvent des API personnalisées et une gestion du changement.
• Caractère dynamique de l'exploitation minière:[ Un modèle formé sur des données historiques peut échouer lorsque les caractéristiques des dépôts, la flotte d'équipement ou les conditions du marché changent.

Orientations futures

L'avenir de l'apprentissage automatique dans le programme et la conception des mines est prometteur, et plusieurs tendances émergentes sont susceptibles d'accélérer l'adoption :

fédéré apprentissage pour l'optimisation multi-site

Les grandes sociétés minières exploitent plusieurs sites, chacun avec ses propres données. L'apprentissage fédéré permet de former des modèles à travers les sites sans déplacer de données sensibles, permettant des idées partagées tout en respectant la gouvernance des données locales.

Jumelles numériques et apprentissage du renforcement

La combinaison de simulations numériques jumelles avec RL crée un environnement virtuel où des milliers de scénarios de planification peuvent être testés en toute sécurité. La mine numérique jumelle reflète les capteurs en temps réel, la géologie et le statut de l'équipement, permettant à l'agent RL d'apprendre des politiques qui s'adaptent aux conditions réelles.

Modèles hybrides intégrant la physique et l'apprentissage automatique

Les modèles purement fondés sur les données peuvent violer les contraintes physiques (p. ex., bilan de masse). Les approches hybrides qui intègrent la physique (comme les équations géomécaniques) dans les architectures ML (p. ex., réseaux neuronaux éclairés par la physique) promettent des modèles à la fois précis et cohérents sur le plan physique, ce qui est particulièrement pertinent pour la prévision de la stabilité des pentes et la conception des explosions.

Ingénierie de fonctions automatisée à partir de données de capteurs

Avec la prolifération des capteurs IoT sur les camions, les forets et les convoyeurs, la quantité de données de streaming est en train d'exploser. Automatisation de l'apprentissage automatique (AutoML) et architectures d'apprentissage profond qui traitent directement des séries temporelles brutes ou des images peuvent extraire des fonctionnalités sans ingénierie manuelle.

Conclusion

L'apprentissage automatique n'est plus un concept futuriste dans le secteur minier; il s'agit d'un outil pratique qui améliore déjà l'efficacité, la précision et la sécurité de l'établissement et de la conception des mines.De la prédiction des grades de minerai avec apprentissage supervisé à l'optimisation des séquences d'extraction avec apprentissage renforcé, ces algorithmes permettent aux planificateurs miniers de prendre de meilleures décisions plus rapidement. Bien que les défis demeurent en matière de qualité des données, de coûts et d'intégration, l'élan est clair.