Modèles d'apprentissage automatique et d'interpolation spatiale utilisant les mesures prises durant le forage dans les mines à ciel ouvert

L’industrie minière actuelle se confronte à des défis croissants pour optimiser l’exploration et l’exploitation des ressources géologiques, notamment en raison de la complexité des formations rocheuses et de la variabilité des données de forage, influencée par des facteurs tels que l’usure du trépan, les conditions opératoires et les vibrations. Cette thèse propose des solutions innovantes pour la délimitation des massifs rocheux et l’interpolation spatiale en s’appuyant sur les données de mesures prises durant le forage de production, appelé en anglais ‘measurements while drilling‘ (MWD). Structurée autour de trois articles de recherche, cette thèse explore la valorisation de ces données par l’application des techniques d’apprentissage automatique et d’interpolation avancées. Le premier article vise à estimer un indicateur de l’énergie nécessaire pour la fragmentation de la roche, appelé en anglais le blastability index (BI) pour des régions inexplorées. Pour ce faire, une méthode d’interpolation spatiale basée sur la rétropropagation a été développée. Cette approche intègre des techniques de paramétrisation pour tenir compte des propriétés spatiales, notamment l’anisotropie géométrique. Elle aboutit au modèle Gradient-Based Inverse Distance Weighting with Leave-Hole-Out Cross-Validation (GBM-IDW-LHOCV), qui se révèle robuste face aux anomalies géologiques et dont les performances sont comparables à celles du modèle processus Gaussien imbriqué (GP-nested). Le deuxième article se concentre sur la définition de zones spatiales continues en apprenant la structure sous-jacente des données MWD, spécifiquement liée à la dureté des roches, par l’utilisation de l’empilement des autoencodeurs avec le modèle GBM-IDW-LHOCV développé dans le premier article. L’objectif est d’extraire des caractéristiques latentes, appelées pseudo- BI, qui représentent efficacement la dureté des roches. Le modèle de clustering résultant a démontré sa capacité à améliorer la précision des domaines spatiaux en atténuant les effets des valeurs atypiques et en assurant une meilleure contiguïté spatiale des zones géologiques. Le troisième article présente un modèle d’interpolation multicouche (ML-IDW), inspiré des réseaux de neurones, et qui permet une ajustabilité selon la complexité des données. L’objectif de ce modèle est d’optimiser l’efficacité d’apprentissage tout en intégrant les structures de dépendance spatiale inhérentes aux données. Ensemble, ces travaux montrent comment l’application des techniques d’apprentissage automatique et d’interpolation avancées peut offrir des solutions prometteuses pour l’analyse des données recueillies par les capteurs installés sur les équipements de forage de production afin d’améliorer la connaissance du massif rocheux, tout en soulevant des défis liés à la qualité des données et à la complexité computationnelle. Des perspectives pour des travaux futurs incluent l’exploration d’approches de transfert d’apprentissage et l’intégration d’architectures hybrides pour améliorer l’évolutivité et la robustesse des solutions proposées.

Abstract

The current mining industry faces increasing challenges in optimizing the exploration and exploitation of geological resources, primarily due to the complexity of rock formations and data variability. This thesis proposes innovative solutions for rock mass domaining and spatial interpolation, leveraging Measurements While Drilling (MWD) data. Structured around three research articles, this study explores the application of machine learning techniques and advanced interpolation methods. The first article aims to estimate the Blastability Index (BI) for unexplored regions by developing a spatial interpolation method based on backpropagation, incorporating parameterization techniques to account for spatial properties, particularly geometric anisotropy. This approach results in the Gradient-Based Inverse Distance Weighting with Leave-Hole- Out Cross-Validation model (GBM-IDW-LHOCV), which proves robust against geological anomalies and exhibits performance comparable to that of the Nested Gaussian Process model (GP-nested). The second article focuses on defining continuous spatial zones by learning the underlying structure of MWD data, specifically related to rock hardness, through the use of stacked autoencoders with the GBM-IDW-LHOCV model developed in the first article. The objective is to extract latent features, termed pseudo-BI, that effectively represent rock hardness. The resulting clustering model has demonstrated its ability to enhance the accuracy of spatial domains by mitigating the effects of outlier values and ensuring better spatial contiguity of geological zones. The third article presents the Multilayer Interpolation (ML-IDW) model, inspired by neural networks, allowing for customization according to data complexity. The objective of this model is to optimize learning efficiency while integrating the inherent spatial dependency structures of data. Together, these studies demonstrate how the application of machine learning techniques and advanced interpolation can offer promising solutions for analyzing data collected by sensors installed on production drilling equipment to enhance the understanding of the rock mass. However, they also highlight challenges related to data quality and computational complexity. Future research directions include exploring transfer learning approaches and integrating hybrid architectures to improve the scalability and robustness of the proposed solutions.