Gradient Boosting-Based Computational Method for Predicting Uniaxial Compressive Strength of Cemented Hydraulic Backfill

Profondément sous la surface de la terre, là où les mineurs extraient des ressources précieuses, de vastes espaces vides sont laissés derrière eux. Si ces vides ne sont pas soutenus, le sol au-dessus peut s'effondrer, créant un environnement dangereux pour les travailleurs et menaçant la stabilité de l'ensemble de l'opération. Pour prévenir cela, les ingénieurs remplissent ces chambres vides avec un mélange spécial connu sous le nom de remblai hydraulique cimenté. Ce matériau est essentiellement une boue composée de roches de déchets broyées, de résidus du processus minier, d'eau et de ciment. Une fois pompé dans les vides souterrains, il durcit avec le temps, agissant comme un plancher solide qui soutient le toit de la mine et permet une extraction plus sûre et plus efficace des minéraux restants. La mesure la plus critique de la performance de ce remblai est sa capacité à résister à l'écrasement sous la pression, une propriété que les ingénieurs appellent la résistance à la compression uniaxiale. Prédire cette résistance avec précision est vital ; si le mélange est trop faible, la mine pourrait s'effondrer, mais s'il est surdimensionné, le projet devient inutilement coûteux.

Pendant des décennies, la détermination du bon mélange d'ingrédients reposait sur le tâtonnement ou sur des formules simples qui manquent souvent les interactions complexes et non linéaires de ces matériaux. Une nouvelle étude publiée par des chercheurs de l'Université de technologie minière de Chine et de partenaires internationaux propose une approche différente. Au lieu de s'appuyer sur des équations traditionnelles, ils se sont tournés vers une famille d'algorithmes informatiques avancés connus sous le nom de machines de boosting de gradient (gradient boosting machines). Ce sont des outils puissants qui apprennent à partir de données en construisant une série de modèles simples, chacun corrigeant les erreurs du précédent, pour créer un prédicteur hautement précis. Les chercheurs ont rassemblé un ensemble massif de données comprenant 1 641 exemples réels, enregistrant les quantités spécifiques de ciment utilisées, la durée du temps de cure, la concentration de solides dans le mélange et le rapport entre les agrégats et les résidus. Ils ont ensuite injecté ces informations dans quatre types différents de ces algorithmes d'apprentissage pour voir lequel pourrait le mieux prédire la résistance finale du remblai durci.

L'étude a testé plusieurs variations de ces modèles d'apprentissage, incluant LightGBM, CatBoost, AdaBoost et une machine de boosting de gradient standard. L'objectif n'était pas seulement de trouver un modèle capable de deviner la résistance, mais de trouver un modèle capable de le faire de manière fiable sur de nouvelles données non vues, sans être perturbé par le bruit des informations. Après avoir entraîné les modèles sur 80 % des données et les avoir testés sur les 20 % restants, les résultats étaient clairs. Le modèle de machine de boosting de gradient standard est apparu comme l'outil le plus efficace. Il a atteint un haut niveau de précision, prédisant correctement les valeurs de résistance avec un score statistique de 0,86 sur les données de test, tout en maintenant une erreur moyenne très faible. Cette performance était supérieure aux autres modèles, qui peinaient soit à se généraliser à de nouvelles données, soit produisaient des résultats moins cohérents. Les conclusions suggèrent que ce type spécifique d'algorithme est particulièrement bien adapté pour capturer les relations complexes entre les ingrédients et la résistance finale du remblai.

Au-delà de la simple prédiction, les chercheurs voulaient comprendre pourquoi les modèles prenaient leurs décisions. Dans de nombreux systèmes informatiques avancés, le fonctionnement interne est une « boîte noire », ce qui signifie que même les créateurs ne peuvent pas facilement expliquer comment une entrée mène à une sortie. Pour résoudre cela, l'équipe a utilisé une technique appelée analyse SHAP, qui agit comme un projecteur, révélant exactement comment chaque ingrédient a contribué au résultat final. L'analyse a montré que deux facteurs dominaient le résultat : la quantité de ciment dans le mélange et le temps alloué pour la cure du matériau. Ces deux variables avaient l'impact positif le plus significatif sur la résistance. En revanche, la concentration de solides et le rapport entre les agrégats et les résidus avaient une influence beaucoup plus faible sur le résultat final. Cette compréhension est cruciale pour les ingénieurs, car elle leur indique précisément où concentrer leur attention lors de la conception d'un mélange afin de garantir la sécurité et la stabilité.

L'étude conclut que l'utilisation de ces modèles d'apprentissage automatique explicables offre une méthode fiable et transparente pour concevoir le remblai hydraulique cimenté. En prédisant avec précision la force du matériau avant même qu'il ne soit coulé, les opérations minières peuvent optimiser la conception de leurs mélanges, économisant potentiellement de l'argent sur les matériaux tout en garantissant que l'environnement souterrain reste sûr. Les chercheurs soulignent que, bien que leur modèle soit une étape importante, il est plus efficace lorsqu'il est utilisé comme un outil d'aide à la décision aux côtés du jugement technique traditionnel. Ils suggèrent que les travaux futurs pourraient impliquer le test de ces modèles par rapport à des mesures de terrain réelles pour affiner davantage leur précision. En fin de compte, cette recherche offre une voie plus claire vers une exploitation minière souterraine plus sûre, transformant des données complexes en conseils pratiques pour les ingénieurs qui assurent la stabilité des mines.