CAS D'USAGE IA
Prédiction des teneurs minérales à partir des données de forage
Prédisez en temps réel les teneurs en minerai grâce au deep learning appliqué aux carottes de forage et aux données d'analyse.
Voir si ce cas s'applique à votre contexte, diagnostic gratuit de 7 min
Lancer le diagnostic →De quoi il s'agit
Ce cas d'usage applique le deep learning et l'analytique prédictive aux images de carottes de forage et aux résultats d'analyse pour estimer en continu les teneurs minérales à travers le gisement. En remplaçant ou en complétant les workflows de laboratoire traditionnels, les mines peuvent réduire le délai d'estimation des teneurs de 50 à 70 %, permettant des décisions de tir plus rapides et une dilution moindre du minerai. Une meilleure maîtrise des teneurs génère généralement un gain de 3 à 8 % sur la qualité de l'alimentation du broyeur, se traduisant directement par des taux de récupération plus élevés et des coûts de traitement réduits. Le système s'intègre aux outils de planification forage-tir existants pour alimenter les modèles de teneurs en quasi temps réel.
Données nécessaires
Images historiques de carottes de forage (de préférence hypspectrales ou RGB haute résolution), résultats d'analyse appairés, et données géoréférencées de colliers de trous de forage sur plusieurs zones minéralisées.
Systèmes requis
- data warehouse
- erp
Pourquoi ça marche
- Impliquer les géologues seniors dès le départ pour co-concevoir le workflow d'étiquetage et de validation, établissant la confiance dans les résultats du modèle.
- Standardiser les protocoles de photographie des carottes (éclairage, résolution, marquage de profondeur) avant le début de la collecte des données d'entraînement.
- Commencer par une zone minéralisée bien caractérisée pour démontrer la précision prédictive avant un déploiement plus large.
- Intégrer les prédictions de teneur directement dans le logiciel de planification des trous de mine pour que la valeur soit visible dans les workflows normaux.
Comment ça rate
- Les données d'analyse historiques insuffisantes ou incohérentes rendent l'entraînement peu fiable, produisant des prédictions de teneur mal calibrées.
- La qualité des images de carottes varie selon les équipes de forage ou l'équipement, introduisant du bruit qui dégrade la performance du modèle.
- Les géologues n'ont pas confiance dans les résultats du modèle et reviennent à l'estimation manuelle, empêchant l'intégration opérationnelle.
- Un modèle entraîné sur une zone minéralisée ne se généralise pas lorsqu'il est appliqué à des zones géologiquement distinctes dans le même gisement.
Quand NE PAS faire ça
Ne déployez pas ce système si votre mine ne dispose pas d'au moins deux ans de registres d'analyse spatialement enregistrés appairés avec des images de carottes, le modèle sera trop clairsemé pour surpasser l'interpolation krigeage simple.
Fournisseurs à considérer
Sources
Autres cas d'usage dans cette fonction
Ce cas d'usage fait partie d'un catalogue Data & IA construit à partir de 50+ programmes de transformation en entreprise. Lancez le diagnostic gratuit pour voir comment il se classe dans votre contexte.