Golder a mis en œuvre l’apprentissage machine pour prédire la classification des roches et réduire les coûts associés aux permis d’exploitation minière




RENSEIGNEMENTS SUR LE PROJET

Client
Confidentiel

Location
Centre des États-Unis

Description

Dans un monde où les ensembles de données volumineux sont de plus en plus répandus, de nombreuses entreprises ont du mal à les gérer et à les analyser pour en tirer pleinement parti. Pour ce faire, le recours à l’intelligence artificielle (IA) et à sa sous-discipline de l’apprentissage machine peut être d’une aide précieuse. L’apprentissage machine permet de recueillir des échantillons de données, de les traiter en utilisant des programmes d’analyse statistique, et d’en tirer des prédictions de résultats futurs.

Cette stratégie peut être fort utile pour les entreprises du secteur de l’environnement. Elle permet d’économiser temps et argent pour une multitude d’applications, qui vont de la gestion des matériaux miniers à l’évaluation des emplacements pour les stations de surveillance de puits.

Par exemple, Golder a travaillé avec un client pour examiner les façons dont l’apprentissage machine pourrait l’aider avec la classification des matières et avec les exigences réglementaires en matière de permis. Jusque là, le processus de ségrégation des résidus miniers du client était une perte de temps et d’argent. Le processus visait à diviser en trois catégories les résidus miniers : bénin, modéré ou nécessitant un traitement spécial. Même si le client possédait des données détaillées à ce sujet dans sa base de données de dosage, il n’utilisait que deux ou trois paramètres pour procéder à la ségrégation et au classement des résidus miniers. En plus du temps passé en amont à trier ces importantes quantités de résidus miniers, le client était contraint de consacrer plus d’heures à la reclassification des matières mal catégorisées. De surcroît, du temps et des sommes déraisonnables ont été consacrés au traitement de matières bénignes qui avaient été classées à tort comme nécessitant un traitement spécial.

Les experts techniques de Golder ont travaillé avec le client afin d’utiliser l’apprentissage machine pour tirer de leur base de données de dosage des paramètres plus utiles que ceux qu’ils utilisaient à ce moment. Cette méthode a généré des renseignements prévisionnels qui ont produit des résultats remarquables. Le client a constaté que l’apprentissage machine offre d’importantes pistes sur la façon de mieux gérer les résidus miniers, ce qui lui permet de réaliser des économies importantes.

Ce même client a embauché des experts techniques de Golder pour l’aider à économiser temps et argent dans le processus d’obtention des permis d’exploitation minière. Celui-ci, souvent péniblement long et coûteux, implique de consacrer des ressources considérables à l’exploration et à la préparation de rapports, ce qui comprend notamment la cartographie géologique, ainsi que des études géochimiques et géophysiques.

Avec l’aide de Golder, le client a mis au point un système de piles de déchargement et un système de recouvrement visant à réduire au maximum les effets négatifs d’un système de morts-terrains sulfurés pour les eaux souterraines et de surface. Parallèlement à ce travail, Golder a procédé à un bilan hydrique, à la modélisation de l’infiltration et à des études d’impact géochimiques afin d’optimiser la conception du recouvrement et d’épauler le client avec l’obtention des permis requis dans un contexte réglementaire difficile.

Parmi les défis de nature technique du projet, on trouvait notamment les conditions changeantes du ruissellement souterrain et la nécessité de prendre en compte une zone où le roc était endommagé dans la conception de la fosse. Des outils variés, dont l’évaluation hydrologique du rendement d’une décharge (Hydrologic Evaluation of Landfill Performance) pour le bilan hydrique et la modélisation de l’infiltration, The Geochemist’s Workbench pour la modélisation géochimique des morts-terrains sulfurés, et GoldSim pour le bilan du modèle massique, ont été utilisés dans le cadre de ce projet. L’étude d’impact a évalué les conditions d’exploitation pendant toute la durée de l’exploitation de la mine, et traite aussi de scénarios postfermeture.

L’obtention de permis dans la région où le client mène ses activités demeure difficile, de sorte que les coûts associés à ce processus peuvent rapidement augmenter. Le dernier partenariat entre Golder et ce client concerne le recours à l’apprentissage machine afin de prédire le potentiel de neutralisation pour l’agrandissement de la mine. Le plan est d’utiliser les données existantes pour créer un modèle qui prédit le potentiel de neutralisation, ce qui permet d’économiser sur les montants consacrés aux essais en laboratoire. Les experts techniques de Golder travailleront en étroite collaboration avec le client et les organismes de réglementation dès l’étape de la planification pour que le projet réponde à toutes les exigences applicables.

Ce ne sont là que quelques exemples du travail de Golder impliquant l’apprentissage machine dans des projets environnementaux. Il est probable que de plus en plus d’entreprises se tournent vers cette solution pour leurs données, vu son potentiel prédictif et les économies en temps et en argent qu’elle permet de réaliser.


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