Algorithmes d'apprentissage automatique appliqués au forage minier pour la reconnaissance de la lithologie et la détection de l'état du tricône

Cette thèse aborde les défis de l'optimisation du forage minier (mine à ciel ouvert) à l'aide de l'apprentissage automatique, en exploitant les données de mesure en continu de performance de la foreuse pendant le forage (MWD : Measurement While Drilling). Le but principal est d'améliorer la précision de l'identification lithologique et de mieux anticiper l'usure des trépans (outil de coupe utilisé dans les opérations de forage minier), deux éléments cruciaux pour optimiser l’efficacité opérationnelle et réduire les coûts associés aux opérations de forage. L’étude explore des méthodes d’apprentissage supervisés et non supervisés pour analyser les signaux MWD. Ces données sont souvent bruitées, influencées par les conditions de forage et les propriétés géologiques, ce qui complique leur interprétation. La recherche propose des approches innovantes basées sur l’intégration de plusieurs modèles de classification supervisés pour détecter les changements lithologiques et un modèle de réseau de neurones récurrent pour l’usure des tricônes, en intégrant des séquences temporelles pour capturer les patrons évolutifs dans le forage. Les travaux sont organisés autour de trois axes principaux, chacun abordé dans un chapitre distinct. Un ensemble de modèles de classification supervisé a été élaboré pour détecter les couches de charbon à partir des données MWD. Cette approche a d’ailleurs été validée dans une mine de charbon canadienne, montrant un potentiel de gains d’efficacité opérationnelle.

Abstract

This thesis addresses the challenges of optimizing production drilling processes in open-pit mines by leveraging Measurement While Drilling (MWD) performance data and the application of machine learning techniques. The primary objective is to enhance the accuracy of lithological identification and better anticipate tricone bit wear (cutting tool used in drilling operations), two crucial elements for optimizing operational efficiency and reducing costs associated with production drilling operations. The study explores both supervised and unsupervised learning methods to analyze MWD data, which are often noisy, influenced by drilling conditions and geological properties, that complicate interpretation. The research proposes innovative approaches by integrating multiple supervised classification models to detect lithological changes, as well as a recurrent neural network model for tricone wear detection. The work is organized around three main themes, each covered in a distinct chapter.