Développement d'un système d'analyse d'images pour la caractérisation des massifs rocheux
Notice bibliographique
Résumé
Depuis 1994, 352 accidents provoqués par l’impact d’une roche provenant directement du massif rocheux ont été constatés dans les mines souterraines du Québec (A.P.S.M., 2000). Ces accidents sont responsables d’invalidités temporaires ou permanentes et peuvent causer dans certains cas le décès de la victime. Le problème majeur demeure la récolte d’informations fiables afin d’améliorer la conception des excavations souterraines. Une revue des différentes méthodes d’échantillonnage des faces rocheuses, effectuée par Hadjigeorgiou et al. (1995), a démontré que les relevés par traverses usuels permettent d’amasser l’essentiel de l’information structurale nécessaire: la position des discontinuités le long de la traverse, la longueur des traces des discontinuités ainsi que leur orientation. Des contraintes de temps, de production et de sécurité rendent difficile l’utilisation de cette méthode de manière régulière. La majorité des mines ne disposent pas des données de terrain nécessaires pour réaliser une conception optimale des excavations. Par conséquent, la conception des ouvrages miniers doit être réalisée à partir d’une connaissance limitée du massif rocheux à excaver. Le besoin de disposer d’une quantité plus importante de données de qualité a d’ailleurs été souligné à plusieurs reprises ces dernières années, à l’occasion des colloques en contrôle de terrain de l’Association minière du Québec. Les techniques d’analyse d’images sont actuellement utilisées dans divers domaines industriels (génie chimique, électronique, métallurgie, …). Par rapport à la méthode traditionnelle de relevé de discontinuités par traverses, l’analyse d’images offre de nombreux avantages. Tout d’abord, le temps nécessaire à l’acquisition des données est fortement réduit. Du point de vue de la géomécanique, le plus grand nombre de données récoltées augmente également la qualité de l’information disponible pour caractériser la masse rocheuse dans les différentes zones de l’exploitation. En ce qui concerne la gestion de l’information, cette approche permet la création d’une base de données permanente et accessible aux différents intervenants. De plus, un tel système est simple à implanter comme opération de routine car elle requiert peu de formation et de qualifications de la part du personnel. Enfin, l’analyse d’images de parois rocheuses réduit l’exposition des travailleurs à des situations potentiellement dangereuses et contribue donc directement à l’amélioration de la sécurité dans les mines. Un système rapide et sécuritaire de récolte d’informations permettant de caractériser adéquatement la fracturation du massif rocheux, basé sur l’analyse d’image, a été développé dans le cadre de ce projet. Cet outil permet la collecte d’un nombre suffisant de données sur le réseau de discontinuités tout en évitant à l’opérateur d’être directement exposé aux chutes de blocs instables. La population cible est le personnel des mines souterraines. Le système développé consiste en un module de reconnaissance automatisée des discontinuités à partir de photographies de parois rocheuses, le module Rockscan. Une méthodologie pour la prise d’images en milieu souterrain a été élaborée afin de maximiser les performances de Rockscan. Un module de caractérisation de la fracturation, le module Mapscan, a également été développé afin de caractériser le massif rocheux à partir des résultats obtenus par Rockscan. Le système a été testé dans des environnements souterrains et en surface. Les utilisateurs primaires sont les personnes impliquées dans la caractérisation des massifs rocheux (géologues, ingénieurs et techniciens). Les bénéficiaires sont toutes les personnes qui travaillent sous terre car l’objectif ultime du projet est d’assurer un environnement de travail sécuritaire.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».