Atténuation des risques pour l’eau souterraine grâce à l’apprentissage machine et à des essais d’aquifère perfectionnés

Tim Ezzy

Hydrogéologue, associé principal

On retrouve des systèmes d’eau souterraine au sein de terrains géologiques complexes. La complexité engendre l’incertitude, et celle-ci est synonyme de risques.

Dans les secteurs des mines, de l’infrastructure et du gaz de houille, ces risques subsistent tout au long des projets. Il est essentiel de préserver la disponibilité et la qualité des eaux souterraines, ainsi que de bien comprendre les risques que ces eaux posent sur les projets, dont l’afflux dans les mines, les tunnels et autres excavations souterraines lors de la construction et de l’exploitation. S’ils ne sont pas atténués ou peu étudiés, ces risques peuvent engendrer des coûts, des délais et même des dangers. Une bonne manière d’éviter les conséquences négatives et les coûts inattendus est d’examiner les risques au début du projet.

Les études de l’eau souterraine visent primordialement à définir les caractéristiques géologiques notables, les propriétés hydrauliques, les limites et le volume d’eau circulant dans le système d’eau souterraine au début du projet. Ces caractéristiques auront une incidence sur les activités du projet, et potentiellement sur les ressources naturelles dans le système d’eau souterraine.

Les essais d’aquifère perfectionnés et l’apprentissage machine transforment notre vision des systèmes complexes d’eau souterraine et de l’atténuation des risques liés à l’eau souterraine. Une des clés de la réussite est d’extraire un maximum d’information dans les ensembles de données grâce aux technologies numériques modernes.

En mettant les données à votre service, vous pourriez optimiser vos charges d’exploitation tout en limitant les conséquences sur l’environnement.

Une meilleure compréhension grâce à des essais d’aquifère perfectionnés et à l’apprentissage machine

Les modèles conceptuels hydrogéologiques et la modélisation numérique de l’eau souterraine sont des outils courants pour évaluer les conséquences potentielles d’un projet d’aménagement sur l’eau souterraine et les écosystèmes qui en dépendent. Ces outils servent aussi à prévoir l’afflux d’eau souterraine dans les mines, les tunnels et autres excavations souterraines durant la construction et l’exploitation.

Les modèles conceptuels hydrogéologiques sont généralement élaborés à partir d’un ensemble de données restreint, ce qui génère de l’incertitude et donc des risques relativement aux permis, à la construction et au bon fonctionnement des projets. Par exemple, le fait d’ignorer certaines conditions ou caractéristiques principales du site mènera à une prévision inexacte des conséquences et des exigences de gestion des eaux pour le projet. Pour atténuer ces risques, il est vital d’exploiter au maximum les ensembles de données provenant de l’étude du site lors de l’élaboration du modèle conceptuel hydrogéologique.

Les essais d’aquifère perfectionnés et les techniques d’analyse exploratoire des données, dont l’apprentissage machine, permettent de mieux comprendre les rôles des éléments clés au sein du modèle conceptuel hydrogéologique qui risquent d’influencer considérablement la gestion de l’eau souterraine sur un site. Quelques résultats possibles? Des processus d’approbation réglementaire accélérés et une exploitation plus efficace.

Les essais d’aquifère perfectionnés vont bien au-delà de l’estimation des paramètres hydrauliques à l’aide d’équations de flux analytiques standard. Au moyen d’une analyse diagnostique des flux, ces essais permettent d’examiner les facteurs influant sur la réaction d’un aquifère aux stress causés par le pompage. Ces facteurs peuvent comprendre les barrières à l’écoulement latéral ou vertical de l’eau souterraine ainsi que les sources d’alimentation de l’aquifère, dont les rivières, les autres aquifères (par drainance) et les conduits perméables, dont les failles ou formations karstiques. Par exemple, les exigences d’exhaure dans une mine seront considérablement plus élevées si celle-ci est exploitée sur un aquifère directement relié à un réseau fluvial majeur. Une compréhension accrue de ces facteurs hydrauliques s’avère essentielle afin d’établir des estimations acceptables de l’afflux d’eau souterraine lors de l’étude de faisabilité d’un projet, moment où les risques et coûts sont surveillés de près.

Une combinaison d’essais d’aquifère perfectionnés et d’apprentissage machine permet d’extraire davantage de renseignements à partir d’ensembles de données limités et ainsi faire ressortir des interprétations et liens significatifs pour dresser un portrait clair du site. L’apprentissage machine va au-delà des interprétations hydrogéologiques traditionnelles en faisant ressortir des modèles et tendances peu évidentes dans un ensemble de données. Cette analyse exploratoire des données peut consister en une caractérisation des zones de failles ou des conditions géologiques qui risquent de changer la dynamique de l’écoulement souterrain, ou en une vérification d’hypothèses à cet égard. Il peut aussi être question de détecter des tendances hydrochimiques subtiles avant, durant et après les essais de pompage, lesquelles peuvent donner des indices sur les liens entre l’aquifère et les autres plans d’eau ou formations géologiques.

Une stratégie combinant des essais d’aquifère perfectionnés et l’apprentissage machine met en évidence les incertitudes du modèle conceptuel hydrogéologique dès les premières étapes du projet. Grâce à une meilleure compréhension de l’influence potentielle des limites dans le système d’eau souterraine, il est possible de mieux évaluer cette dernière à l’aide de nouveaux types de modèles conceptuels ou d’une étude de site supplémentaire ciblée.

Par exemple, si une entreprise veut procéder à l’exhaure d’un aquifère potentiellement relié à une rivière selon les données, des modèles numériques offrent la possibilité de tester des scénarios avec ou sans ce lien avec la rivière, puis d’analyser les incertitudes de chaque scénario. Dès qu’une limite hydrologique est déterminée, des études peuvent être menées sur le terrain pour caractériser en profondeur les paramètres physiques de cette limite qui passeraient autrement inaperçus.

Mise en application dans le secteur minier

Dans les environnements miniers complexes, les techniques d’essais d’aquifère perfectionnés et d’apprentissage machine permettent de tirer une valeur accrue des données sur le site, ce qui aide à mieux comprendre les incertitudes dans le modèle conceptuel hydraulique. Grâce à ces techniques de pointe, il est possible de localiser et de caractériser les limites hydrauliques sur les terrains miniers complexes. Également, elles permettent souvent de déterminer les distances entre ces caractéristiques et le trou de forage par pompage. Ainsi, les caractéristiques du modèle géologique et du modèle conceptuel hydraulique peuvent être mises en corrélation, ce qui aide à mieux comprendre les mécanismes des limites hydrauliques individuelles ainsi que leurs failles et zones endommagées.

L’application de ces techniques aux données historiques, dont les résultats d’anciens essais de pompage, aide à comprendre comme jamais auparavant l’écoulement souterrain et les modèles conceptuels hydrogéologiques. Les résultats sont concluants : il est désormais possible de mieux comprendre les limites et caractéristiques linéaires influant sur l’écoulement de l’eau, ce qui permet de clarifier les modèles conceptuels hydrogéologiques, de mieux prévoir les effets du rabattement et d’estimer avec précision le potentiel afflux dans les mines.

De telles améliorations contribuent énormément à l’exactitude des estimations d’afflux d’eau dans les mines souterraines ou à ciel ouvert au stade d’étude de faisabilité d’un projet, ce qui se répercute sur les prévisions de la qualité de l’eau, l’optimisation du calibrage et de la conception du système d’exhaure et de traitement des eaux, et bien plus encore. Qui plus est, ces gains d’exactitude se traduisent par une réduction des dépenses en capital et des frais d’exploitation.

 

LES SOLUTIONS NUMÉRIQUES DE GOLDER

 

S’INSCRIRE À LA LISTE DE DIFFUSION NUMÉRIQUE

Tim Ezzy

Hydrogéologue, associé principal

À Propos De L’auteur

Related Insights

Golder utilise des témoins de navigation (« cookies ») afin de vous offrir la meilleure expérience possible sur notre site Web. En continuant à utiliser ce site Web, nous supposons que vous consentez à recevoir tous les témoins sur notre site Web.

D’ACCORD Plus d'information