Prédiction dynamique de durées de trajets de camions de transport de minerai dans les mines souterraines

Caractérisé par ses conditions opérationnelles difficiles et sa versatilité multifactorielle, l’environnement minier souterrain complexifie grandement la tâche de prédiction de durées de temps de trajet de camions de transport de minerai. Bien que cette tâche soit nécessaire à une planification précise des successions d’opérations du quart de travail à venir, les tech-niques conventionnelles sont souvent restreintes à des mesures statistiques simplistes, les-quelles manquent cruellement de précision, ou bien à une expertise humaine. Naturellement, cette dernière est circonscrite à un site minier donné voire à certains itinéraires uniquement, sa disponibilité est limitée et la qualité de ses performances est difficilement quantifiable. Diamétralement opposée à ces techniques, notre approche inédite, robuste et sophistiquée se base sur les données de détections issues de systèmes émergents de balises souterraines d’identification de véhicules. Elle combine un algorithme complexe de préparation de don-nées générant de multiples variables opérationnelles à partir de ces détections, et un modèle intégré d’apprentissage automatique capable d’exploiter les séries temporelles observées pour formuler ses prédictions de temps de trajet. Quel que soit le site minier souterrain étudié, si tant est qu’il dispose d’un système de balises de détection, notre succession de modèles permet de prédire avec une fiabilité accrue les temps de trajet de camions de transport de minerai sur tous les itinéraires prédominants du site, et ce même lorsque ledit système de balises présente des défaillances sérieuses. Mieux encore et complètement inédit au vu de la littérature actuelle, le modèle proposé ne nécessite pas d’autres sources de données pour être correctement entraîné et les valeurs des variables explicatives sont toutes connues à l’avance de chaque quart de travail par les planificateurs des opérations minières. Notre approche a été testée et validée non seulement sur le site minier sur lequel il a été développé mais égale-ment sur un autre site dissemblable dont le système de détection présentait une défaillance majeure, démontrant la robustesse et la capacité de généralisation de notre modèle à d’autres contextes miniers. Des propositions d’amélioration critiques des systèmes de balises de détection existants ont été formulées et de multiples pistes de recherche ont pu être proposées au vu de l’ampleur du travail qu’il reste à accomplir pour perfectionner les techniques de prédiction. Par toutes ses contributions, ce mémoire pave la voie à une amélioration substantielle de la planification et de l’efficacité opérationnelle des mines souterraines, marquant une avancée significative dans le domaine de l’ingénierie minière.

Abstract

Characterized by its challenging operational conditions and multifactorial versatility, the underground mining environment greatly complicates the task of predicting ore haul truck travel times. While this task is necessary for precise planning of the sequence of operations for the upcoming shift, conventional techniques are often restricted to simplistic statistical measures, which are sorely lacking in precision, or to human expertise. Naturally, this expertise is confined to a given mining site or even to specific routes only, its availability is limited, and the quality of its performance is difficult to quantify. In stark contrast to these techniques, our novel, robust, and sophisticated approach relies on data from emerging underground vehi-cle identification beacon systems. It combines a complex data preparation algorithm that generates multiple operational variables from this data and an integrated machine learning model capable of leveraging the observed time series to make its travel time predictions. Regardless of the underground mining site studied, provided it has a beacon detection system, our succession of models can predict ore haul truck travel times on all predominant routes with increased reliability, even when said beacon system exhibits serious failures. Even more uniquely, given the current literature, the proposed comprehensive model does not require other data sources for proper training, and the prediction variable values are all known in advance of each shift by mining operation planners. Our approach has been tested and vali-dated not only on the mining site where it was developed but also on another dissimilar site whose detection system had a major fault, demonstrating its robustness and generalizability to other mining contexts. Critical improvements to existing beacon detection systems were proposed, and numerous research avenues were suggested in light of the vast amount of work that remains to be done to perfect prediction techniques. With all these contributions, this thesis paves the way for substantial improvements in planning and operational efficiency in underground mines, marking a significant advance in the field of mining engineering.