Coordination de machines de forage électrique dans les mines à ciel ouvert : modèles d'optimisation déterministes et stochastiques

Dans un contexte où l’industrie minière cherche constamment à optimiser ses opérations pour maintenir sa compétitivité, l’automatisation du forage dans les mines à ciel ouvert représente une opportunité majeure d’amélioration de la productivité. Bien que les foreuses modernes soient techniquement capables d’opérer de façon autonome, un défi crucial réside dans la génération des instructions qui guident ces machines. Ce projet de recherche aborde un pro-blème d’optimisation complexe et peu exploré dans la littérature : la coordination des foreuses électriques dans les mines à ciel ouvert. Contrairement aux problèmes d’ordonnancement classiques où les tâches sont acheminées vers les machines, ce sont ici les foreuses qui doivent se déplacer vers les positions à forer, une caractéristique qui engendre des risques de blocages et de congestion pouvant compromettre l’exécution efficace des patrons de forage. L’objectif principal de cette recherche est de développer des modèles d’optimisation efficaces pour améliorer la planification et la coordination des foreuses électriques, en tenant compte des contraintes spécifiques à l’environnement minier et des incertitudes opérationnelles. Notre approche aborde trois questions de recherche fondamentales : l’optimisation de la coordination de multiples foreuses électriques sur un patron de forage unique, l’intégration efficace de l’incertitude des durées de forage dans les modèles de planification, et l’extension de l’optimisation à l’échelle de la mine en intégrant la répartition des foreuses entre plusieurs patrons. La méthodologie adoptée s’appuie sur la programmation par contraintes et l’optimisation stochastique. Nous avons développé et validé trois types de modèles : un modèle de pro-grammation par contraintes pour le problème de coordination de foreuses, trois formulations distinctes pour la gestion de l’incertitude (modèle stochastique à deux étapes, approche sans probabilité, et modèle à contraintes probabilistes), et un modèle intégré pour le problème global de coordination de foreuses électriques. Les résultats de nos travaux démontrent l’efficacité pratique de nos approches à plusieurs niveaux. Le modèle de coordination de foreuses résout efficacement des instances comportant jusqu’à 300 tâches avec 3 machines sur un horizon de 24 heures, atteignant des solutions optimales en moins de 2 minutes pour les instances de moins de 250 tâches, et des solutions quasi-optimales avec un écart d’optimalité de seulement 5,58% pour les instances plus grandes. Nos approches de gestion de l’incertitude ont démontré une robustesse remarquable, le modèle sans probabilité se distinguant particulièrement par son efficacité computationnelle et sa capacité à générer des solutions fiables sans nécessiter d’hypothèses probabilistes. Le modèleintégré de répartition et de coordination a prouvé sa capacité à optimiser des scénarios complexes impliquant de 3 à 7 patrons de forage et de 3 à 9 foreuses, totalisant jusqu’à 900 trous de mine, tout en maintenant des taux d’utilisation des machines particulièrement élevés (entre 0,83 et 0,91), démontrant ainsi une allocation efficace des ressources à l’échelle de la mine.

Cette recherche apporte des contributions significatives tant sur le plan théorique que pratique. Sur le plan théorique, elle propose des modèles novateurs à l’intersection de l’ordonnancement de machines parallèles avec interdépendances et de la programmation par contraintes sto-chastique. Sur le plan pratique, elle fournit aux opérateurs miniers des outils d’optimisation flexibles et robustes, capables de générer des plans détaillés minute par minute pour les opérations de forage, tout en s’adaptant à différents niveaux de disponibilité des données historiques. Bien que notre approche présente certaines limitations, notamment en termes de temps de calcul pour les plus grandes instances et de besoin de validation empirique approfondie, elle ouvre la voie à de nombreuses applications potentielles dans l’industrie minière. Les perspectives futures incluent l’amélioration des performances computationnelles à travers le développement de techniques heuristiques ou de décomposition, l’extension des modèles à d’autres aspects des opérations minières, et l’intégration de technologies avancées telles que l’apprentissage automatique pour une meilleure adaptation aux environnements miniers dynamiques.

Abstract

In the mining industry’s continuous pursuit of operational optimization and competitiveness, the automation of drilling operations in open-pit mines represents a major opportunity for productivity improvement. While modern drill rigs are technically capable of autonomous operation, a crucial challenge lies in generating optimal instructions to guide these machines. This research addresses a complex optimization problem that remains largely unexplored in the literature: the coordination of electric drill rigs in open-pit mines. Unlike classical scheduling problems where tasks are brought to machines, here the drill rigs must move to the blast holes, a characteristic that creates risks of deadlocks and congestion that can compromise the efficient execution of drilling patterns. The main objective of this research is to develop efficient optimization models to improve the planning and coordination of electric drill rigs, accounting for mining-specific constraints and operational uncertainties. Our approach addresses three fundamental research questions: optimizing the coordination of multiple electric drill rigs on a single drilling pattern, effectively integrating drilling duration uncertainty into planning models, and extending optimization to mine-wide scale by integrating drill rig dispatching across multiple patterns. Our methodology relies on constraint programming and stochastic optimization. We developed and validated three types of models: a constraint programming model for the drill rig coordination problem, three distinct formulations for uncertainty management (two-stage stochastic, probability-free, and chance-constrained models), and an integrated model for the comprehensive electric drill rig coordination problem.Our results demonstrate the practical effectiveness of our approaches on multiple levels. The drill rig coordination model efficiently solves instances of up to 300 tasks with 3 machines over a 24-hour horizon, achieving optimal solutions in under 2 minutes for instances with fewer than 250 tasks, and near-optimal solutions with only a 5.58% optimality gap for larger instances. Our uncertainty management approaches demonstrated remarkable robustness, with the probability-free model particularly distinguishing itself through its computational efficiency and ability to generate reliable solutions without probabilistic assumptions. The integrated dispatching and coordination model proved capable of optimizing complex scenarios involving 3 to 7 drilling patterns and 3 to 9 drill rigs, totaling up to 900 blast holes, while maintaining high machine utilization rates (between 0.83 and 0.91), demonstrating efficient resource allocation at the mine scale.This research makes significant contributions both theoretically and practically. On the theoretical side, it proposes innovative models at the intersection of parallel machine scheduling with interdependencies and stochastic constraint programming. On the practical side, it provides mining operators with flexible and robust optimization tools capable of generating detailed minute-by-minute plans for drilling operations while adapting to varying levels of historical data availability. While our approach has certain limitations, particularly in terms of computational time for larger instances and the need for extensive empirical validation, it paves the way for numerous potential applications in the mining industry.Future research directions include improving computational performance through the devel-opment of heuristic or decomposition techniques, extending the models to other aspects of mining operations, and integrating advanced technologies such as machine learning for better adaptation to dynamic mining environments.