Prédiction des propriétés mécaniques des remblais miniers en pâte cimentés par des approches de l’intelligence artificielle (IA)

RÉSUMÉ À l'ère du numérique, l'industrie minière aura besoin de disposer d'outils puissants pour prédire les propriétés mécaniques des remblais miniers pour aider à sélectionner des recettes optimales des mélanges de remblai en pâte cimenté (RPC) dans le but de satisfaire aux contraintes technico-économiques de l’exploitation. Grâce aux progrès récents dans le déploiement de l'intelligence artificielle (IA), l'apprentissage automatique (Machine Learning – ML) et l’apprentissage profond (Deep Learning - DL) sont devenus des techniques de pointe pouvant être employées dans le secteur minier. C’est dans cette perspective que s'inscrit l'objectif de développer des modèles de Machine Learning et d’un réseau de neurones profond (Deep Neural Network - DNN) pour prédire la résistance à la compression uniaxiale (UCS) des remblais en pâte cimentés. Pour ce faire, de nombreuses données ont été collectées auprès des mines d’Agnico-Eagle pour ajouter à des résultats de laboratoire afin de construire une base de données (BD) riche. Avant l’apprentissage des modèles de ML et le DNN, un prétraitement et des analyses ont été faits sur cette BD en optimisant également les hyperparamètres des modèles. En s’appuyant sur des indicateurs de performance, les modèles de prédiction les plus performants ont été sélectionnés; GBR et DNN qui ont donné des coefficients de détermination (R) égale à 0.970 et 0.969 respectivement. Ces modèles ont été validés au laboratoire par la préparation des nouveaux mélanges de RPC. Dans le but de mettre ces modèles en production et pour qu'ils soient utilisables par l’industrie minière, une application web sera développée afin de faciliter leurs exécutions par les utilisateurs. ABSTRACT In the digital era, the mining industry benefits from powerful tools that can help to select optimal cement paste backfill (CPB) mix recipes to meet the techno-economic constraints of mining. With recent advances in the deployment of Artificial Intelligence (AI), Machine Learning (ML) and Deep Learning (DL) creates state-of-the-art techniques in the mining sector that can be employed in the mining sector. This is the perspective behind the objective of developing Machine Learning and Deep Neural Network (DNN) models to predict the uniaxial compressive strength (UCS) of cemented paste backfill. To achieve this, extensive data were collected from Agnico-Eagle's mines and combined with laboratory results to build a rich database (DB). Before training the ML models and DNN, pre-processing and analyses were carried out on this DB, also optimizing the models' hyperparameters. Based on the performance indicators, the best performing prediction models were selected; GBR and DNN which gave determination coefficients equal to 0.970 and 0.969 respectively. These models were validated in the laboratory by the preparation of new CPB mixtures. In order to put this model into production and make it usable by the mining industry, a web application will be developed to facilitate its execution by users.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.