Les capacités de l’apprentissage machine, qui est un type d’intelligence artificielle, se sont considérablement accrues. Elles permettent maintenant aux entreprises d’optimiser et d’améliorer un large éventail d’activités. Les sociétés minières ne font pas exception : elles utilisent l’apprentissage machine pour améliorer leurs opérations et leur production, de la maintenance préventive à l’interopérabilité au sein de différentes équipes opérationnelles. Les bons programmes d’apprentissage machine se traduisent le plus souvent par d’énormes gains d’efficacité sur le plan du temps et des ressources. Au bout du compte, cela permet de réaliser des économies, et il n’est donc pas étonnant que l’apprentissage machine soit si attrayant pour l’industrie minière.
Les défis du projet
Au cours des 12 derniers mois, Golder a travaillé à un projet d’apprentissage machine novateur pour aider un client dans le cadre de ses activités d’exploitation aurifère. En fait, le projet a été le premier du genre à recevoir du financement dans le cadre du Projet d’innovation de Golder (qui vise à soutenir l’innovation sous toutes ses formes, des technologies révolutionnaires à l’amélioration graduelle des services que nous offrons déjà à nos clients).
Le projet portait sur la résolution d’un problème courant dans les mines : le tri du matériel à traiter et des résidus. Un client qui commençait à exploiter une mine aux États-Unis nous a demandé de l’aider. Ses employés et ceux de Golder avaient des contacts en commun dans le milieu universitaire, et lorsque le client a appris que Golder avait intégré l’apprentissage machine aux activités d’autres clients du secteur minier, il a communiqué avec nous.
Le client souhaitait obtenir de l’aide pour mettre au point une méthode efficace et précise de contrôle de teneur au moyen de la minéralogie hyperspectrale, un type d’imagerie spectrale sensible au spectre électromagnétique qui détecte les minéraux. Plus précisément, il voulait savoir si Golder était en mesure de créer un flux de travail automatisé pour la classification de carottes balayées à partir d’images produites par balayage hyperspectral. Il voulait classer le matériel en trois catégories :
- Matériel propre à lixiviation en tas pour l’extraction de l’or
- Matériel devant être broyé davantage
- Résidus
Un effort collectif
L’équipe de Golder était convaincue de pouvoir créer de bonnes solutions d’apprentissage machine pour aider le client à accroître son efficacité grâce au traitement d’images et à la vision artificielle. Afin d’avoir accès aux meilleurs experts et d’élaborer des solutions de pointe pour le client, Golder a également collaboré avec d’autres entreprises novatrices.
Des ensembles de logiciels et des équipes travaillant en étroite collaboration ont soutenu le projet :
- Golder a déployé son équipe d’apprentissage machine, qui possède une expertise en programmation, et a mis à disposition des experts en géochimie, en géomécanique et en minéralogie, entre autres.
- Microsoft a fourni le soutien et les connaissances de ses équipes d’intelligence artificielle, ainsi que l’accès à la plateforme nuagique Microsoft Azure, combinée à l’informatique en grappe répartie de Databricks et à Custom Vision Service.
- TerraCore a fourni une expertise approfondie en imagerie géospectrale.
Grâce à cette démarche de collaboration, Golder a pu offrir la meilleure solution possible au client.
L’ultime solution
Un défi courant, bien connu dans l’ensemble de l’industrie, découle des problèmes de saisie de la profondeur dans les boîtes à carottes. Bien que les ingénieurs et les techniciens de terrain suivent des procédures normalisées pour satisfaire aux exigences de qualité applicables, il y a souvent des incohérences. Celles-ci sont souvent causées par la longueur variable des échantillons de colonne de roche, par la dégradation ou par la perte des carottes, ou encore par le manque d’uniformité des espaces à l’intérieur des boîtes. Notre solide équipe, formée de collaborateurs de chacune de nos industries, a cependant été en mesure d’élaborer de nouveaux processus pour régler les problèmes de saisie. Les données obtenues à l’aide de ces processus étaient beaucoup plus cohérentes.
En fin de compte, l’équipe de projet dirigée par les experts de Golder a pu :
- téléverser des images hyperspectrales d’échantillons de matériel dans le nuage Azure;
- fusionner les images avec d’autres métadonnées aux fins de classification, comme celles de l’analyse élémentaire, de la minéralogie et de la lithologie;
- former les algorithmes d’un réseau neuronal à l’analyser l’ensemble des données aux fins de classification;
- créer un flux de travail en nuage pour l’intégration, le traitement et l’analyse des images hyperspectrales des carottes balayées en vue du contrôle de teneur prédictif.
Grâce à ces apprentissages, Golder a élaboré de nouvelles procédures de diagraphie des carottes à appliquer dans les programmes de forage actuels et futurs pour lesquels nous envisageons le recours au balayage numérique des carottes et au traitement d’images à des fins d’automatisation. Nous pouvons ainsi éviter l’important travail qui serait nécessaire pour régler les problèmes de saisie de profondeur et autres problèmes connexes afin de permettre la poursuite de l’analyse des données.
Un résultat positif
L’équipe a réparti les images et les données en ensembles de formation et d’essai, et elle a réussi à utiliser l’apprentissage machine pour classifier le matériel. Cela permettra au client d’économiser du temps et des ressources dans son processus de classification, et donc beaucoup d’argent. En outre, le processus de classification par apprentissage machine est uniforme et plus exact que s’il était effectué à la main. Résultat : un produit de plus grande valeur et une importante réduction des dépenses en main-d’œuvre superflues. La solution proposée est vraiment un scénario gagnant sur toute la ligne.
LES SOLUTIONS NUMÉRIQUES DE GOLDER
