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.