Québec Mines + Énergie - 19 au 22 novembre 2018 - Centre des congrès de Québec
Vous êtes ici :
Retour à la programmation

Salle 308-AB

19 novembre 2019

Outils d’intelligence artificielle dans les secteurs minier et énergétique

Président

Benoit Charette

MERN

Jean-Philippe Paiement

Président

Jean-Philippe Paiement

Mira Geoscience

L’intelligence artificielle (IA) occupe une place grandissante dans les discussions entourant l’innovation et le développement des secteurs minier et énergétique. Les outils d’apprentissage machine (Machine Learning) s’imposent désormais comme des solutions matures et avantageuses permettant de relever divers défis et problématiques reliés à l’exploration et à l’exploitation des ressources minérales et énergétiques. Faisant suite au Symposium sur les données massives et l’IA présenté à Québec Mines + Énergie 2018, cette séance traitera des outils novateurs et d’exemples d’application de l’IA dans le domaine de la géologie, des mines et de l’énergie.

Liste des acronymes 

14 h

Distiller le big data : piste et pièges

Présentateur

Guy Desharnais, émérite

Redevances Aurifères Osisko

Détails de la conférence

L’apprentissage automatique renforce notre capacité d’exploiter les bases de données toujours croissantes et d’y extraire des connaissances utiles. Les algorithmes développés récemment sont axés sur la reconnaissance de formes, mais avec une telle efficacité qu’on les confond avec une intelligence rationnelle. Ces outils ont révolutionné plusieurs secteurs industriels. Pour le secteur des mines, l’apprentissage automatique peut s’appliquer dans plusieurs domaines, particulièrement en géométallurgie et en exploration.

Lors de la planification de la collecte de données, il est important de bien définir les étiquettes et de s’assurer que les mesures seront facilement liées à celles-ci. Les connaissances d’experts en minéralurgie, en géologie et en ingénierie minière sont indispensables pour que les résultats d’apprentissage soient fondés dans une réalité vérifiable. Une attention particulière devra être accordée aux données d’entrée et aux résultats de requêtes par ces experts, afin que le modèle ne se contente pas de prédire ce qui est déjà connu ou de produire de fausses pistes. La communication de la méthode et des livrables pour les parties prenantes ainsi que l’implémentation physique dans nos flux de travail sont des défis capitaux pour l’application de l’apprentissage automatique dans les mines.

15 h

Isolation des textures géologiques dans les données de géophysiques aéroportées par apprentissage automatique

Présentateurs

Matthieu Cédou

INRS

Erwan Gloaguen

INRS

Martin Blouin

Geolearn

Détails de la conférence

Les données géophysiques aéroportées sont couramment utilisées pour interpoler la géologie. Pour ce faire, les géologues recourent à des filtres numériques, une technique de traitement d’image permettant de mettre en valeur certaines propriétés des mesures géophysiques. Ces filtres requièrent des compétences en traitement de données géophysiques et sont appliqués de manière subjective.

Les algorithmes d’apprentissage automatique profond ont changé le paradigme du traitement d’image, notamment en imagerie biomédicale (détection de cellules cancéreuses ou d’anomalies cérébrales). Leur application à la géophysique permettrait d’explorer les données d’une manière novatrice, en générant plusieurs nouvelles couches d’information pertinentes, reproductibles et transférables.

Notre projet a étudié un algorithme « d’auto-encodeur » qui isole les différentes « textures » contenues dans les données, en optimisant des filtres spatiaux, sans apport direct de l’utilisateur. Il est ensuite possible de visualiser la localisation de ces « textures » dans les données d’origine et de les associer avec des objets géologiques connus ou anticipés. Cette technique de décomposition des données géophysiques aéroportées fournit automatiquement de nombreuses représentations objectives et optimisées de ces intrants. Ces représentations fournissent une information synthétisée et standardisée qui isole et met en évidence les objets géologiques présentant différentes signatures géophysiques et leur localisation, tout en supprimant le bruit. Elles permettent de mieux comprendre la géologie de la zone d’étude et facilitent la prospection indirecte.

Le potentiel de notre algorithme à détecter les failles, des structures importantes en exploration minière, a été testé dans la ceinture de roches vertes hôte de la mine Langlois-Grevet. Les données aéromagnétiques et MEGATEM ont été utilisées pour produire une carte de probabilité de présence de failles et une sélection des représentations générées les plus pertinentes pour leur prédiction.

Les résultats montrent la capacité de l’algorithme à explorer les données géophysiques aéroportées, à générer de nouvelles couches d’information et à automatiser les processus de traitement d’image.

15 h 25

Segmentation d’images par apprentissage profond pour faciliter la planification des campagnes d’exploration minérale sur le terrain

Présentateurs

Charles L. Bérubé

Charles L. Bérubé

GoldSpot Discoveries

Véronique Bouzaglou

GoldSpot Discoveries

Lindsay Hall

GoldSpot Discoveries

Détails de la conférence

La délinéation des zones propices à la présence d’affleurements, des étendues d’eau et des chemins d’accès est une composante essentielle de la planification des levés géophysiques et des campagnes de cartographie géologique sur le terrain. Bien que certaines de ces informations soient disponibles librement, la détection d’affleurement se fait généralement à l’aide d’une analyse visuelle des orthophotographies et des modèles numériques de terrain, une méthode qui peut être fastidieuse. De plus, la morphologie des étendues d’eau peut évoluer rapidement et les données publiques ne sont pas toujours exactes. Nous présentons un protocole de traitement automatisé des orthophotographies basé sur les réseaux de neurones à convolution et l’architecture U-Net permettant d’extraire plusieurs composantes utiles à la planification des campagnes de terrain. Plus précisément, ce protocole permet de faire une segmentation sémantique des photographies aériennes afin de tracer des polygones délimitant les zones d’affleurements, les lacs, les cours d’eau, les routes et les sentiers. En utilisant des données du camp minier de Red Lake, en Ontario, nous avons démontré que l’algorithme de segmentation permet de produire une carte délimitant l’emplacement d’affleurements dans la forêt boréale, en plus d’améliorer la délinéation des étendues d’eau lorsque celles-ci ont évolué par rapport aux données publiques disponibles. L’impact de la résolution des orthophotographies sur les prédictions et l’importance des processus d’étiquetage et d’augmentation des données seront aussi discutés. Dans le futur, de nouvelles classes de segmentation – par exemple les lignes à haute tension, les marais ou encore les zones défrichées – pourront être ajoutées au modèle proposé.

15 h 50

La contribution des techniques d’apprentissage machine dans la conception des systèmes de commande des réseaux autonomes fortement décarbonés

Présentateurs

François Bouffard

Université McGill, GERAD

Yuchong Huo

Université McGill, GERAD

Géza Joós

Université McGill

Détails de la conférence

La décarbonation des réseaux électriques autonomes est un enjeu central pour l’industrie minière et les communautés du Nord québécois. L’intégration de sources d’énergie renouvelables, tels l’éolien et le solaire, fait partie du lot de solutions visant la réduction de l’empreinte carbone et des besoins en carburants fossiles de ces réseaux.

En revanche, la variabilité des sources d’énergie renouvelables est un enjeu technique non négligeable dans l’exploitation des réseaux électriques. En particulier dans les réseaux autonomes où, par exemple, les actifs de production au diésel ne sont généralement pas conçus pour répondre aux besoins d’équilibrage engendrés par les ressources renouvelables. L’utilisation de moyens de stockage d’énergie – batteries, volants d’inertie, etc. – est proposée afin de capter la production renouvelable et la répartir dans le temps en fonction de la demande. Le dimensionnement, la sélection et l’exploitation des actifs de stockage demeurent tout de même tributaires d’une caractérisation de la variabilité à gérer, tant du côté de la production que de la demande. De plus, étant donné que les actifs de stockage possèdent des capacités énergétiques limitées, les méthodes traditionnelles de répartition de la production ( dispatching) doivent être adaptées.

C’est ici qu’interviennent les méthodes d’apprentissage machine. Elles permettent la caractérisation de la variabilité de la production renouvelable et de la charge ainsi que le calcul de la répartition de la production en présence d’actifs de stockage d’énergie. Pour la caractérisation de la variabilité, il est possible de calculer systématiquement des ensembles de bornes sur la variabilité à partir de données temporelles de production renouvelable et de demande. Avec de telles caractérisations en main, on peut optimiser conjointement la répartition de la production fossile et des actifs de stockage avec des algorithmes de commande prédictive qui peuvent maximiser la valeur des capacités de stockage.

Même si les algorithmes de commande prédictive permettent une réduction accrue de la production à partir de combustibles fossiles, ils sont associés à des efforts de calcul substantiels qui n’ont pas nécessairement leur place dans un contexte industriel en milieu isolé. Par contre, en réalisant un grand nombre de simulations de scénarios d’exploitation – basés sur la caractérisation de la variabilité – et en générant leurs ensembles de commandes correspondantes, il est possible d’utiliser des algorithmes d’apprentissage machine pour obtenir des modèles de prise de décision infiniment plus simples. De tels modèles, qui peuvent être implantés dans des plateformes informatiques minimalistes (automates programmables ou microcontrôleurs), sont en mesure de reproduire fidèlement le comportement des algorithmes de commande prédictive à moindre coût.

Ces travaux de recherche ont reçu le support financier du Conseil de recherche en sciences naturelles et génie du Canada (CRSNG), d’Hydro-Québec, d’OPAL-RT Technologies et d’InnovÉÉ.

16 h 15

Utilisation des données radiométriques afin de générer des cartes automatisées d’altération résiduelle

Présentateur

Jean-Philippe Paiement

Mira Geoscience

Détails de la conférence

Toutes les roches et tous les sols contiennent des isotopes radioactifs et presque tous les rayons gamma détectés près de la surface de la Terre résultent de la désintégration radioactive naturelle du potassium, de l’uranium et du thorium. Ces rayons sont assez pénétrants et peuvent parcourir environ 35 cm dans la roche et plusieurs centaines de mètres dans les airs. La méthode de spectrométrie radiométrique est un outil géophysique utilisé pour estimer les concentrations en potassium, en uranium et en thorium en mesurant les rayons gamma émis par les isotopes radioactifs de ces éléments lors de la désintégration radioactive. Elle a de nombreuses applications, notamment en cartographie géologique et en exploration minérale. Les modifications de lithologie ou de type de sol s’accompagnent couramment d’une variation des concentrations en radioéléments. La méthode spectrométrique à rayons gamma est capable de détecter les gisements minéraux, directement ou indirectement, comme l’altération potassique associée aux gisements hydrothermaux.

Dans les environnements affleurants ou peu recouverts de mort-terrain, il est possible de cartographier les différentes lithologies et d’estimer les variations de concentration en potassium et en uranium dues aux processus d’altération. Nous proposons ici, à travers quelques études de cas, une utilisation d’algorithmes de groupement automatisés (clustering) afin d’établir les différents groupes lithologiques selon les signatures radiométriques et magnétiques, le tout associé à une calibration géologique. Une fois le dictionnaire lithologique créé pour la zone étudiée, il est possible d’estimer des changements de masses pour le potassium et l’uranium, caractérisant ainsi les différents processus d’altérations. En effet, la nature immobile du thorium nous permet d’estimer une régression thorium/potassium et thorium/uranium et de calculer les valeurs résiduelles des éléments plus mobiles (potassium et uranium), qui auraient pu être affectés par la circulation de fluides hydrothermaux. Cette méthode de cartographie permet de mettre en évidence les zones de lessivage et de déposition de ces éléments radiométriques.

Cette approche permet de générer rapidement des cartes d’altération beaucoup plus précise que les cartes ternaires traditionnellement utilisées pour l’exploration de gîtes d’oxydes de fer-cuivre-or (IOCG), d’uranium, porphyriques ou tout autre système minéralisé possédant une grande empreinte, avec des variations de concentration en potassium et en uranium.