Prédiction des propriétés mécaniques des remblais miniers en pâte cimentés par des approches de l’intelligence artificielle (IA)

Amri, Mariem (2024). Prédiction des propriétés mécaniques des remblais miniers en pâte cimentés par des approches de l’intelligence artificielle (IA). (Mémoire de maîtrise). Université du Québec en Abitibi-Témiscamingue. Repéré dans Depositum à https://depositum.uqat.ca/id/eprint/1574

Prévisualisation

PDF Télécharger (7MB) | Prévisualisation

Résumé

À l'ère du numérique, l'industrie minière aura besoin de disposer d'outils puissants pour prédire les propriétés mécaniques des remblais miniers pour aider à sélectionner des recettes optimales des mélanges de remblai en pâte cimenté (RPC) dans le but de satisfaire aux contraintes technico-économiques de l’exploitation. Grâce aux progrès récents dans le déploiement de l'intelligence artificielle (IA), l'apprentissage automatique (Machine Learning – ML) et l’apprentissage profond (Deep Learning - DL) sont devenus des techniques de pointe pouvant être employées dans le secteur minier.
C’est dans cette perspective que s'inscrit l'objectif de développer des modèles de Machine Learning et d’un réseau de neurones profond (Deep Neural Network - DNN) pour prédire la résistance à la compression uniaxiale (UCS) des remblais en pâte cimentés. Pour ce faire, de nombreuses données ont été collectées auprès des mines d’Agnico-Eagle pour ajouter à des résultats de laboratoire afin de construire une base de données (BD) riche. Avant l’apprentissage des modèles de ML et le DNN, un prétraitement et des analyses ont été faits sur cette BD en optimisant également les hyperparamètres des modèles. En s’appuyant sur des indicateurs de performance, les modèles de prédiction les plus performants ont été sélectionnés; GBR et DNN qui ont donné des coefficients de détermination (R) égale à 0.970 et 0.969 respectivement. Ces modèles ont été validés au laboratoire par la préparation des nouveaux mélanges de RPC.
Dans le but de mettre ces modèles en production et pour qu'ils soient utilisables par l’industrie minière, une application web sera développée afin de faciliter leurs exécutions par les utilisateurs.

Type de document:	Thèse ou mémoires (Mémoire de maîtrise)
Directeur de mémoire/thèse:	Belem, Tikou
Codirecteurs de mémoire/thèse:	Mrad, Hatem et Masmoudi, Faouzi
Informations complémentaires:	Institution en extension : École Nationale d'Ingénieurs de Sfax - ENIS
Mots-clés libres:	Intelligence artificielle (IA), Base de données, Modèle de prédiction, Résistance à la compression uniaxiale (UCS), Remblai en pâte cimenté (RPC), Application Web.
Divisions:	Génie > Maîtrise en ingénierie
Date de dépôt:	04 sept. 2024 16:14
Dernière modification:	04 sept. 2024 16:14
URI:	https://depositum.uqat.ca/id/eprint/1574

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt