Une enquête systématique sur les techniques hybrides de ML pour prédire la vitesse de pointe des particules (PPV) dans les opérations de dynamitage à ciel ouvert
Les opérations de dynamitage dans les mines à ciel ouvert sont cruciales pour l’extraction des minéraux, mais elles s’accompagnent également de risques environnementaux et structurels significatifs. La vitesse de pointe des particules (Peak Particle Velocity, PPV) générée lors des dynamitages est un indicateur clé pour évaluer l’impact des vibrations sur les structures environnantes et l’environnement. Une prédiction précise de la PPV est essentielle pour optimiser les pratiques de dynamitage, réduire les dommages environnementaux et assurer la sécurité structurelle. Les méthodes traditionnelles de prédiction présentent des limites dans la gestion des relations non linéaires et des données de haute dimension, tandis que les techniques d’apprentissage automatique (Machine Learning, ML), en particulier les méthodes hybrides, montrent un grand potentiel dans la prédiction de la PPV. Cet article vise à passer en revue de manière systématique l’application des techniques hybrides d’apprentissage automatique dans la prédiction de la PPV pour les dynamitages dans les mines à ciel ouvert, en explorant leurs avantages, leurs défis et les orientations futures de la recherche.
Source de l’article
Cet article a été co-écrit par Gundaveni Shylaja et Ragam Prashanth, tous deux issus de l’École d’ingénierie en informatique et sciences de l’informatique de l’Université VIT-AP. L’article a été accepté le 18 février 2025 et publié dans la revue Artificial Intelligence Review, avec le DOI 10.1007/s10462-025-11156-3.
Points principaux
1. Les avantages des techniques hybrides d’apprentissage automatique
Les techniques hybrides d’apprentissage automatique, qui combinent des méthodes traditionnelles (comme les arbres de décision et les machines à vecteurs de support) avec des techniques avancées (comme l’apprentissage ensembliste et les réseaux de neurones), excellent dans la prédiction de la PPV. Par rapport aux méthodes traditionnelles, les modèles hybrides réduisent efficacement les biais et les variances, améliorant ainsi la précision des prédictions. En particulier, les méthodes hybrides, grâce à l’ingénierie des caractéristiques avancées, l’apprentissage ensembliste et les techniques d’optimisation, renforcent la robustesse et la capacité de généralisation des modèles.
Preuves à l’appui : Les études montrent que les méthodes hybrides et ensemblistes surpassent les autres techniques dans la plupart des cas, en particulier dans les scénarios de dynamitage en surface. Par exemple, les modèles hybrides montrent une fiabilité accrue dans la prédiction de la PPV, avec des valeurs de RMSE et de R² supérieures à celles des modèles traditionnels.
2. Les limites des méthodes traditionnelles
Les méthodes traditionnelles (comme l’analyse de régression) présentent des lacunes évidentes dans la gestion des relations non linéaires des phénomènes de vibration dus au dynamitage. Ces méthodes ne prennent généralement en compte qu’un nombre limité de paramètres (comme la quantité d’explosifs, les constantes du site et la distance entre la station de surveillance et le lieu du dynamitage), négligeant ainsi la multiplicité des paramètres de conception du dynamitage. Par exemple, les modèles de régression traditionnels ne parviennent pas à bien gérer les paramètres complexes de conception du dynamitage, tels que le diamètre des trous, le nombre de trous, l’espacement, la hauteur de bourrage, etc.
Preuves à l’appui : Les études montrent que les méthodes traditionnelles présentent des erreurs importantes dans la prédiction de la PPV, en particulier dans des conditions géologiques complexes. En revanche, les modèles d’apprentissage automatique (comme CART, les modèles ML et MR) montrent une précision et une fiabilité supérieures dans la prédiction de la PPV.
3. L’application de l’apprentissage automatique dans l’optimisation du dynamitage
Les techniques d’apprentissage automatique montrent un grand potentiel dans l’optimisation du dynamitage. Par exemple, l’optimisation par essaim particulaire (Particle Swarm Optimization, PSO) et les machines à apprentissage extrême (Extreme Learning Machine, ELM) montrent une grande précision dans la prédiction des projections de roches. De plus, les méthodes hybrides (comme KELM et FB-SVR) améliorent considérablement la précision et la robustesse des prédictions en combinant les avantages de plusieurs algorithmes.
Preuves à l’appui : Les études montrent que les méthodes hybrides excellent dans la prédiction des projections de roches et de la PPV. Par exemple, le modèle GPR montre les valeurs de R² les plus élevées et les valeurs de RMSE les plus basses dans la prédiction de la PPV, démontrant ainsi sa capacité à gérer des ensembles de données complexes.
4. Les orientations futures de la recherche
Bien que les techniques hybrides d’apprentissage automatique montrent un grand potentiel dans la prédiction de la PPV, plusieurs défis subsistent. Les recherches futures devraient se concentrer sur les aspects suivants : le développement d’ensembles de données standardisés, l’amélioration de l’interprétabilité et de l’évolutivité des modèles, l’extension des recherches aux environnements de dynamitage souterrain, l’intégration de systèmes adaptatifs en temps réel, l’optimisation automatisée de la conception du dynamitage et la résolution des problèmes environnementaux et sociaux.
Preuves à l’appui : Les études montrent que les modèles hybrides excellent dans la gestion des conditions géologiques complexes et des paramètres dynamiques de dynamitage, mais ils rencontrent des défis dans les applications pratiques, notamment en ce qui concerne la qualité des données et la complexité des modèles. Les recherches futures devraient viser à résoudre ces problèmes pour favoriser une application plus large des techniques hybrides d’apprentissage automatique dans le dynamitage minier.
Signification et valeur de l’article
Cet article passe en revue de manière systématique l’application des techniques hybrides d’apprentissage automatique dans la prédiction de la PPV pour les dynamitages dans les mines à ciel ouvert, en explorant leurs avantages, leurs défis et les orientations futures de la recherche. En combinant des méthodes traditionnelles avec des techniques avancées, les modèles hybrides montrent une précision et une fiabilité accrues dans la prédiction de la PPV, offrant ainsi de nouvelles solutions pour optimiser les pratiques de dynamitage, réduire les dommages environnementaux et assurer la sécurité structurelle. Les résultats de cette recherche sont d’une grande importance pour promouvoir l’application des techniques d’apprentissage automatique dans le dynamitage minier et fournissent une référence précieuse pour les recherches futures.
Autres informations utiles
Cet article détaille également les applications spécifiques des techniques d’apprentissage automatique dans l’optimisation du dynamitage, telles que le PSO, l’ELM et les méthodes hybrides (comme KELM et FB-SVR). De plus, il explore la performance des modèles d’apprentissage automatique dans la gestion des conditions géologiques complexes et des paramètres dynamiques de dynamitage, fournissant ainsi une expérience précieuse pour les applications pratiques.
En passant en revue de manière systématique l’application des techniques hybrides d’apprentissage automatique dans la prédiction de la PPV pour les dynamitages dans les mines à ciel ouvert, cet article démontre leur grand potentiel pour améliorer la précision des prédictions, optimiser les pratiques de dynamitage et assurer la sécurité structurelle. Les recherches futures devraient viser à résoudre les défis liés à la qualité des données et à la complexité des modèles pour favoriser une application plus large des techniques hybrides d’apprentissage automatique dans le dynamitage minier.