Détection de la microsismicité induite par l'exploitation minière par apprentissage profond

L’exploitation minière souterraine et l’extraction des ressources minérales sont souvent étroitement liées à des événements microsismiques induits, qui peuvent servir d’indicateurs critiques de la stabilité des masses rocheuses. La surveillance continue de la microsismicité induite par l’exploitation minière à l’aide de réseaux sismiques est une norme de l’industrie pour atténuer les risques et améliorer la sécurité opérationnelle. Pour qu’une telle surveillance soit efficace, il est nécessaire de disposer d’un vaste catalogue d’événements microsismiques, allant d’événements de faible à forte magnitude, afin d’évaluer la réponse de la masse rocheuse à l’exploitation minière. Bien que les événements de forte magnitude soient relativement plus faciles à détecter, l’identification des événements de faible magnitude reste difficile, en particulier dans les environnements miniers où les niveaux de bruit de fond peuvent être importants. Les techniques conventionnelles de détection d’événements, y compris le prélèvement manuel et les approches automatisées telles que la moyenne à court terme/moyenne à long terme (STA/LTA) et le filtrage adapté, sont souvent inappropriés pour ces conditions bruyantes, ce qui conduit à des catalogues d’événements incomplets et à une sous-estimation potentielle des risques sismiques. Les progrès récents de l’apprentissage profond et des méthodologies basées sur les données ont considérablement amélioré la détection des événements sismiques et la précision et l’efficacité de la sélection de phase. Les réseaux neuronaux convolutifs (CNN) entraînés sur de vastes ensembles de données sismiques ont démontré des performances supérieures dans la détection et la sélection automatiques des arrivées d’ondes P et S, en particulier dans les réseaux sismiques régionaux. Dans cette étude, nous évaluons la performance de PhaseNet, un modèle de sélection du temps d’arrivée basé sur l’apprentissage profond, pour la détection des événements microsismiques induits par l’exploitation minière dans des conditions de bruit variables. Contrairement aux méthodes conventionnelles, PhaseNet est conçu pour être généralisé à différents environnements sismiques et niveau de bruit, ce qui en fait un outil prometteur pour la surveillance microsismique en temps réel. L’un des principaux défis de l’application de l’apprentissage profond à la sismicité induite par l’exploitation minière est le manque de jeux de données microsismiques de haute qualité, étiquetés, adaptés à l’entraînement des réseaux et à leur évaluation. Pour résoudre ce problème, nous avons généré des sismogrammes à trois composants synthétiques réalistes à l’aide d’une simulation de champ d’ondes élastiques avec la méthode des différences finies dans le domaine du temps (FDTD), en intégrant des conditions géologiques, des modèles de vitesse et une géométrie de réseau représentative d’une mine en Ontario, au Canada. La mine Nickel Rim South (NRS), située dans la ville du Grand Sudbury, qui comprend des exploitations de cuivre et de nickel, connaît fréquemment des événements sismiques induits par l’exploitation minière, dont certains posent des risques importants pour les mineurs et l’infrastructure Le jeu de données simulées comprend une variété de mécanismes de sources sismiques pour refléter les conditions de contrainte complexes dans la mine. Avec plus de 272 000 sismogrammes étiquetés contenant divers niveaux de bruit et magnitudes d’événements, le jeu de données fournit un terrain d’essai solide pour évaluer la capacité de PhaseNet à détecter des signaux faibles que les approches traditionnelles pourraient négliger. Nos résultats démontrent que PhaseNet peut détecter avec précision les arrivées d’ondes P et S, même en présence d’un bruit important, surpassant ainsi considérablement la méthode conventionnelle (STA/LTA) dans la détection d’événements de faible magnitude. Ces résultats suggèrent que les méthodes basées sur l’apprentissage profond peuvent améliorer la surveillance sismique dans les mines, permettant une meilleure évaluation des risques et des systèmes d’alerte précoce. En plus de tester PhaseNet sur des ensembles de données synthétiques, nous avons également évalué sa performance à l’aide de données sismiques réelles dans divers scénarios. Cette approche globale met en évidence l’applicabilité et l’efficacité du modèle dans diverses conditions, validant davantage son potentiel de surveillance en temps réel dans les environnements miniers. De plus, les connaissances acquises dans le cadre de cette étude contribuent au domaine plus large de la surveillance sismique en démontrant le potentiel des ensembles de données synthétiques pour l’entraînement et la validation de modèles d’apprentissage automatique dans des environnements où les données réelles sont rares. Les travaux futurs se concentreront sur l’optimisation des modèles de prélèvement basés sur l’apprentissage profond pour le déploiement dans des applications minières en temps réel et l’intégration de contraintes géophysiques supplémentaires pour améliorer la robustesse et la généralisation à différents contextes miniers.

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.