Chaque jour, de nouveaux tunnels sont en cours de construction à travers des roches à travers le pays. Les tunnels terminés sont sûrs, mais la phase de construction présente des défis.
Pour ceux qui travaillent avec le dynamitage et le forage, le risque de chutes de roche, de pénétration d'eau ou de conditions de roche imprévisible fait partie de la vie quotidienne. Alors, comment pouvons-nous rendre cette phase plus sûre, plus précise et moins coûteuse?
Ma réponse est: avec l'aide de l'intelligence artificielle.
« Rock » fait référence au matériau que nous fictons et explosons, tandis que « Mountain » décrit le relief que nous voyons dans la nature. Cet article parle de rock.
Trop d'évaluations subjectives
Pendant de nombreuses années, travaillant sur divers tunnel et projets miniers, j'ai vu que de nombreuses décisions dans la construction de tunnels sont toujours basées sur l'expérience et le jugement souvent subjectif.
Dans la phase de planification, nous utilisons des échantillons de base et des données sismiques pour prédire les conditions. Pendant l'excavation, la masse rocheuse est évaluée visuellement et nous analysons comment la machine à forage se comporte.
Par exemple, une pénétration rapide dans la roche peut indiquer des zones plus faibles. Mais sans la capacité de voir à l'intérieur de la roche, ces évaluations portent un degré d'incertitude. C'est là que réside le risque.
Aujourd'hui, nous avons accès à beaucoup plus de données que nous n'utilisons réellement. Une machine à forage moderne recueille des milliers de mesures par minute pendant le forage. C'est ce qu'on appelle les données MWD – «Mesurez lors du forage».
Les données MWD agissent comme une signature de la roche: nous obtenons des informations sur la résistance de la roche, la quantité de rinçage en eau nécessaire et la quantité de pression nécessaire pour percer. Ces données sont souvent stockées et non utilisées activement pour la prise de décision.
Développer des modèles d'apprentissage automatique pour prédire ce qui nous attend
Dans mon doctorat. Recherche, j'ai développé des modèles d'apprentissage automatique qui peuvent utiliser des données MWD pour prédire ce qui se passe avant le visage du tunnel. Quel type de roche allons-nous rencontrer? À quel point est-il faible? Devrions-nous renforcer le tunnel ici? Pouvons-nous réutiliser la roche dynamitée, ou doit-elle aller dans une décharge?
Avec de tels modèles, nous pouvons anticiper ce qui va aller et prendre des mesures à temps. Au lieu d'attendre un effondrement, nous pouvons agir avant qu'il ne se produise.
Voici comment cela fonctionne: nous collectons des données de la machine à forage. Ceux-ci sont transformés en une sorte d'empreinte digitale numérique de la roche. Le modèle d'apprentissage automatique le compare à des milliers de cas précédents et suggère à quel type de roche nous traitons. Tout se passe en quelques secondes.
Et ce n'est pas seulement le type de roche que nous pouvons prédire. Les modèles peuvent également suggérer quelles actions sont nécessaires: jusqu'où devons-nous faire exploser le prochain tour? Devrions-nous renforcer la roche avec des boulons et du béton supplémentaires avant de continuer? Le résultat est des tunnels plus sûrs, moins de surutilisation des ressources et des coûts inférieurs.
L'apprentissage automatique donne aux ingénieurs un nouvel outil pour réduire les coûts et les accidents
La société a beaucoup à gagner. Les tunnels offrent des itinéraires de voyage plus courts, de meilleurs transports publics et des émissions de climat inférieures. Mais ils doivent être construits en toute sécurité. Les accidents de Rockfall peuvent coûter des vies et de grosses sommes d'argent. En utilisant l'apprentissage automatique, nous donnons aux ingénieurs un nouvel outil. Un outil qui ne les remplace pas, mais les aide à prendre de meilleures décisions.
De plus, des tunnels plus efficaces et plus sûrs peuvent rendre l'exploitation souterraine plus attrayante comme alternative aux grandes mines à ciel ouvert. Cela signifie moins d'impact sur les paysages et les écosystèmes, et une meilleure coexistence entre l'extraction des ressources et la conservation de la nature.
Lorsque cet outil est utilisé à grande échelle, nous pouvons également rassembler l'expérience de la construction de tunnels à travers le pays et l'utiliser pour améliorer davantage les modèles. Cela crée une boucle de rétroaction positive: plus nous nous construisons, mieux nous nous obtenons. La technologie peut également être adaptée à l'exploitation minière et aux projets internationaux, donnant à l'expertise norvégienne un avantage concurrentiel.
L'avenir de la construction du tunnel n'est pas seulement de meilleurs explosifs, acier et machines. Il est numérique, basé sur les données et plus intelligent. Et peut-être le plus important: plus sûr.
Avec l'intelligence artificielle, nous pouvons « voir à travers le rocher » – avant que nous la frappions.
