Utiliser le machine learning dans l'industrie minière au service de l'exploration

L'industrie minière recherche en permanence des manières d'améliorer l'efficacité et la productivité de ses processus. Les nouvelles technologies requièrent souvent des matières premières telles que le tungstène et les centrales à charbon continuent à alimenter nos villes en énergies, malgré l'utilisation croissante des sources renouvelables. Toutefois, ces matériaux sont de plus en plus rares et souvent difficiles à extraire : ces processus requièrent donc d'importantes ressources en main d'œuvre et sont coûteuses. Toutes les améliorations incrémentales peuvent générer des résultats qui améliorent la rentabilité. De plus, les applications autonomes, le machine learning et l'intelligence artificielle (IA) sont maintenant des méthodes largement reconnues pour atteindre ces résultats. Si l'on ajoute le développement supplémentaire de l'Industrie et de l'Automatisation 4.0, de nombreuses entreprises minières sont encouragées à adapter et adopter la technologie.

Rio Tinto, le géant minier britannique/australien, a été l'un des premiers à adopter les systèmes d'extraction minière autonome, démontrant exactement comment la technologie peut améliorer l'efficience et la productivité. Ce géant a commencé par lancer son système de halage autonome en 2008, déplaçant les matériaux extraits plus efficacement et de manière sûre, et améliorant ainsi directement la productivité.

L'industrie a cherché à améliorer d'autres processus, en manifestant un intérêt prononcé pour les avantages potentiels du machine learning appliqué à l'exploration minérale, dans lequel elle a spécifiquement investi. Les techniques d'exploration minérale traditionnelles incluent la géochimie des sédiments de flux, l'échantillonnage de roche et de sol, la formation de tranchées, les enquêtes géophysiques et, bien sûr, le forage. L'exploration minérale et le forage exploratoire associé sur des sites identifiés, sont une lourde charge financière, mais les perspectives liées à la localisation d'une couche mince plus riche compensent largement cette charge. Et si le machine learning pouvait être bénéfique à ce processus d'exploration minérale ?

L'exploration minérale traditionnelle génère des quantités exorbitantes de données géologiques précieuses, collectées par les capteurs de l'équipement. Les entreprises investissent des centaines de millions dans les modèles d'exploration géologiques mais n'utilisent qu'une petite partie des données collectées. Le machine learning (une forme d'IA) automatise un modèle analytique sur la base d'analyses de données ; ces systèmes peuvent donc utiliser les analyses de données pour apprendre de manière autonome, identifier des modèles dans le cadre de ces données collectées et être capable de prendre des décisions avec une intervention humaine minimale.

Goldspot Discoveries Inc est une de ces entreprises qui se sont pleinement lancées dans ces BIG data : son objectif est de « révolutionner l'activité d'exploration minérale en utilisant le machine learning à une échelle régionale et locale ». La combinaison des données et de l'expertise des géoscientifiques diminue les risques de manière substantielle et augmente le taux de réussite.

« La mission de GoldSpot Exploration est de se fonder sur des jeux de données fiables et le machine learning pour générer des cartes de prospectivité. »

Ces cartes utilisent les big data collectées auprès des projets miniers de l'entreprise pour déterminer la probabilité des emplacements de sites miniers. Les opportunités de prospection sont définies par le type, l'abondance et l'accessibilité des minéraux à teneur en minerai : les décisions en matière d'investissements dans l'exploration peuvent ainsi être mieux informées. Les réserves en or de Quebec Abitibi illustrent bien le succès de l'analyse des données du machine learning : 86 % des dépôts d'or existants ont été identifiés sur la base d'une enquête de seulement 4 % de la surface totale. Grâce aux économies de temps et d'argent réalisées avec ces résultats, de plus en plus de sociétés minières investissent maintenant dans une approche scientifique de ce type, fondée sur les données.

Bien que les mines à ciel ouvert ou les puits de mine, consommant de l'énergie, des convoyeurs et une équipe de « gueules noires » armées de foreuses et d'outils pour extraire le minerai restent l'image d'Épinal de cette activité, elle tend maintenant, comme la plupart de nos industries, à se fier aux systèmes de contrôle et d'instrumentation qui envoient des signaux et des données à analyser. L'industrie minière actuelle demeure une activité importante, recherchant des données autant que des matières premières. À mesure que l'IA continue à se développer, la précision avec laquelle l'industrie minière détermine ses tâches ne pourra que s'affiner en proportion des investissements qui lui sont consacrés.