⚡ génie électrique

Quantum Spherical Fuzzy Decision Framework with Golden Cut and ARTASI for Sustainable Mining Method Selection in Geologically Complex Thin Seams

Cette étude propose un nouveau cadre de prise de décision à grande échelle par logique floue sphérique quantique, intégrant la coupe dorée, la pondération d'experts basée sur le consensus, l'optimisation par colonies de fourmis et l'ARTASI pour identifier systématiquement l'extraction par abattage automatisé de trajectoire 3D comme la méthode optimale pour extraire de manière sûre et durable les veines de charbon minces et géologiquement complexes du Meghalaya.

Auteurs originaux : Nidahamteinsar Papang, Bishal Gurung, Priya Sharma

Publié 2026-10-29

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Nidahamteinsar Papang, Bishal Gurung, Priya Sharma

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Au plus profond de la terre, là où les veines de charbon sont minces, fracturées et géologiquement complexes, le choix de la méthode d'extraction du combustible est un pari à haut risque. Dans des régions comme le Meghalaya, en Inde, où les couches de charbon peuvent ne mesurer que quelques pouces d'épaisseur, les méthodes traditionnelles ont souvent reposé sur un creusement rudimentaire et non scientifique qui met en danger les travailleurs et balafrre le paysage. Le défi central pour les ingénieurs et les planificateurs n'est pas seulement de trouver du charbon, mais de sélectionner une technique minière qui équilibre la sécurité, le coût, l'impact environnemental et la faisabilité technique. Cette décision est rarement simple car les facteurs en présence tirent souvent dans des directions opposées ; une méthode peut être peu coûteuse mais dangereuse, tandis qu'une autre peut être très efficace mais trop onéreuse pour un site spécifique. Pour naviguer entre ces exigences contradictoires, les chercheurs se tournent vers un domaine des mathématiques conçu pour gérer l'incertitude humaine, où les jugements ne sont pas forcés dans des nombres rigides, mais sont autorisés à exister dans des nuances de gris, capturant l'hésitation et le doute qui accompagnent naturellement l'opinion d'un expert.

Une équipe de chercheurs a développé un nouveau système sophistiqué pour résoudre ce problème spécifique, visant à remplacer l'improvisation par une approche structurée et scientifique. Ils ont créé un cadre de prise de décision qui traite les opinions des experts non pas comme de simples votes de type « oui » ou « non », mais comme des évaluations complexes contenant des couches d'accord, de désaccord et d'incertitude. En utilisant un modèle mathématique qui incorpore des concepts « quantiques » — spécifiquement l'idée que l'information peut posséder à la fois une magnitude et une phase, tout comme une onde — ils peuvent représenter toute la nuance de l'hésitation d'un expert. Pour garantir que le système reste ancré et cohérent, les chercheurs ont appliqué un principe basé sur le nombre d'or, une célèbre proportion mathématique présente dans la nature, afin de générer automatiquement les paramètres nécessaires à ces évaluations complexes, éliminant ainsi le besoin de choix arbitraires.

L'étude s'est concentrée sur les champs charbonniers du Meghalaya, où les veines varient de 0,30 à 2,12 mètres d'épaisseur. Les chercheurs ont réuni un groupe d'experts pour évaluer douze méthodes minières différentes, allant du forage et dynamitage traditionnel aux machines automatisées avancées. Ces méthodes ont été testées selon douze critères distincts, incluant l'épaisseur et la profondeur du charbon, la stabilité de la roche sus-jacente, les besoins en ventilation, les antécédents de sécurité et les conséquences environnementales. Au lieu de simplement faire la moyenne des scores des experts, le nouveau système a examiné le degré d'accord entre les experts. Ceux dont les jugements s'alignaient étroitement avec le consensus du groupe ont reçu plus d'influence dans le calcul final, garantissant que la sagesse collective de l'équipe guide le résultat plutôt que les opinions aberrantes d'un seul individu.

Une fois les points de vue des experts combinés, le système devait décider quels critères étaient les plus importants. Plutôt que de demander aux experts de deviner l'importance de chaque facteur, les chercheurs ont utilisé un algorithme informatique inspiré de la façon dont les fourmis trouvent de la nourriture. Cet algorithme, connu sous le nom d'Optimisation par Colonies de Fourmis (Ant Colony Optimization), a simulé des milliers de scénarios pour trouver l'équilibre parfait des poids qui permettrait de mieux distinguer les différentes méthodes minières. Il a recherché un ensemble de priorités qui rendrait les différences entre les options aussi claires que possible. L'étape finale consistait à classer les méthodes en utilisant une technique qui compare chaque option à un scénario idéal (le meilleur cas) et à un scénario de pire cas, calculant un score unique qui reflète la proximité de chaque méthode avec la perfection.

Les résultats de cette analyse rigoureuse ont désigné clairement un vainqueur : l'extraction par coupeuse 3D automatisée (automated 3D-trajectory shearer mining). Cette méthode, qui utilise des machines de pointe pour couper le charbon selon une trajectoire précise contrôlée par ordinateur, est apparue comme le premier choix avec un score d'utilité de 0,674. Elle était suivie de près par l'extraction par long de paroi basée sur une coupeuse (shearer-based thin-seam longwall mining) et l'extraction par méthode de chambres et piliers avec mineuse continue (continuous-miner bord-and-pillar mining). L'étude a révélé que le potentiel de mécanisation était le facteur le plus important dans cette décision, supplantant d'autres préoccupations telles que la profondeur de la veine ou la continuité géologique. Les chercheurs ont testé la stabilité de leurs conclusions en modifiant aléatoirement l'importance des critères et les données d'entrée, et les méthodes les mieux classées sont restées cohérentes, suggérant que le résultat est robuste et n'est pas un coup de chance du calcul.

Ce travail ne prétend pas avoir résolu tous les problèmes miniers ou être une règle universelle pour tous les champs charbonniers. Il offre plutôt un fondement scientifique fiable pour s'éloigner des pratiques d'extraction dangereuses et non réglementées au Meghalaya. En fournissant un classement clair et fondé sur les données des technologies disponibles, ce cadre donne aux décideurs un moyen de justifier le choix de méthodes plus sûres et plus durables plutôt que de méthodes qui pourraient sembler plus faciles mais comportent des risques cachés. L'étude démontre que lorsque l'incertitude humaine est traitée avec les bons outils mathématiques, il est possible de percer la complexité de la géologie et de l'économie pour trouver la voie qui offre la meilleure chance d'un avenir sûr et durable.

Résumé Technique : Cadre de Décision à Logique Floue Sphérique Quantique avec Coupe Dorée et ARTASI pour la Sélection de Méthodes d'Exploitation Minière Durable

Énoncé du Problème
La sélection de méthodes d'exploitation minière appropriées pour des veines de charbon géologiquement complexes et minces (spécifiquement celles dont l'épaisseur varie de 0,30 à 2,12 m) présente un défi critique, particulièrement dans des régions comme le Meghalaya, en Inde. Les pratiques d'extraction conventionnelles dans ces zones, telles que l'exploitation par « rat-hole mining », sont associées à des risques importants pour la sécurité, des pertes de ressources et une dégradation environnementale. Le processus de prise de décision est compliqué par la nécessité d'évaluer simultanément de multiples critères, souvent conflictuels — incluant les caractéristiques géologiques, la faisabilité technique, la viabilité économique, la sécurité et l'impact environnemental — dans des conditions d'incertitude, d'imprécision et de jugement subjectif d'experts. Les méthodes existantes peinent souvent à représenter l'hésitation et le caractère vague inhérents aux évaluations humaines ou à déterminer objectivement les poids des critères sans dépendre de règles analytiques fixes.

Méthodologie
L'étude propose un cadre de Prise de Décision à Grande Échelle par Logique Floue Sphérique Quantique (QSF-LSDM) conçu pour traiter l'incertitude multidimensionnelle et la subjectivité des experts. La méthodologie suit un processus structuré en plusieurs étapes :

Représentation par Ensembles Flous Sphériques Quantiques (QSFS) : Les jugements des experts sont modélisés à l'aide de QSFS, qui étendent les ensembles flous sphériques conventionnels en incorporant des informations d'amplitude et de phase. Cela permet la représentation simultanée des amplitudes d'appartenance, de non-appartenance et d'hésitation, ainsi que de leurs paramètres de phase correspondants, offrant une description plus riche de l'information incertaine.
Mécanisme de Coupe Dorée : Pour réduire la subjectivité dans la sélection des paramètres, une procédure de Coupe Dorée basée sur le Nombre d'Or ( $\approx 1,618$ ) est employée. Ce mécanisme dérive systématiquement les paramètres de non-appartenance, d'hésitation et de phase directement des évaluations linguistiques initiales (par exemple, « Très élevé », « Faible »), éliminant ainsi les choix d'échelle arbitraires.
Pondération des Experts Basée sur le Consensus (CBEW) : Au lieu de traiter tous les experts de la même manière, le cadre calcule les poids des experts en fonction du degré d'accord (consensus) au sein du groupe de décision. Des mesures de similitude entre les matrices de décision individuelles déterminent l'importance relative de chaque expert, attribuant des poids plus élevés aux évaluations qui s'alignent davantage sur l'opinion collective.
Agrégation via QSFWBM : Les évaluations individuelles des experts sont agrégées à l'aide de l'opérateur Moyenne de Bonferroni Pondérée par Flou Sphérique Quantique (QSFWBM). Contrairement aux moyennes arithmétiques ou géométriques standards, cet opérateur capture explicitement les interactions non linéaires par paires et les dépendances entre les critères et les opinions des experts lors de la fusion des informations du groupe.
Pondération Objective des Critères via ACO : Pour éviter le biais subjectif dans la pondération des critères, l'étude formule la détermination du poids des critères comme un problème d'optimisation continue. Un algorithme d'Optimisation par Colonies de Fourmis (ACO) continu est utilisé pour rechercher un vecteur de poids optimal qui maximise l'écart global de score entre les alternatives candidates, dérivant ainsi les poids directement du pouvoir discriminant inhérent à la matrice de décision.
Classement via ARTASI : Le classement final est établi à l'aide de la Technique de Classement d'Alternatives basée sur des Intervalles Standardisés Adaptatifs (ARTASI). Cette méthode transforme divers attributs de bénéfice et de coût en un intervalle standardisé unifié tout en préservant la disposition relative des données brutes. Elle évalue les alternatives en fonction de leur distance par rapport aux conditions idéales et anti-idéales pour produire un indice d'utilité.

Principales Contributions
L'article expose six contributions primaires au domaine de la prise de décision multicritère (MCDM) et du génie minier :

Développement de Cadre : Établissement d'un cadre QSF-LSDM qui modélise l'incertitude cognitive complexe et l'hésitation humaine en intégrant les QSFS avec les paramètres de phase et un mécanisme de Coupe Dorée pour une construction systématique des paramètres.
Pondération Objective des Experts : Introduction d'un modèle de Pondération des Experts Basée sur le Consensus (CBEW) qui assigne des poids basés sur les niveaux d'accord du groupe, empêchant les biais individuels de fausser les évaluations collectives.
Agrégation Sensible aux Interactions : Application de l'opérateur QSFWBM pour capturer les interrelations entre les critères et les opinions des experts, allant au-delà de l'hypothèse d'indépendance présente dans les méthodes d'agrégation conventionnelles.
Pondération par Optimisation : Formulation de la pondération des critères comme un problème d'optimisation continue résolu via ACO, maximisant la discrimination des scores sans dépendre de règles analytiques fixes.
Classement Adaptatif : Utilisation de la méthode ARTASI pour fournir un cadre de classement flexible qui traite de manière cohérente les critères de bénéfice et de coût grâce à une standardisation adaptative.
Validation Pratique : Application du cadre à une étude de cas réelle au Meghalaya, évaluant 12 méthodes minières candidates à travers 12 critères divers pour soutenir la transition vers des pratiques minières scientifiques et durables.

Résultats
Le cadre a été appliqué pour évaluer 12 méthodes minières ( $M_1$ à $M_{12}$ ) à travers 12 critères. L'implémentation computationnelle, réalisée à l'aide de Python 3.11, a produit les résultats suivants :

Méthode la mieux classée : L'extraction par trancheuse à trajectoire 3D automatisée ( $M_{10}$ ) est apparue comme l'alternative la mieux classée avec un indice d'utilité ( $\Omega$ ) de 0,674.
Classements suivants : Elle est suivie par l'extraction par longwall en veine mince avec trancheuse ( $M_5$ ) avec $\Omega = 0,662$ , et l'extraction par bordure et pilier avec mine continue ( $M_3$ ) avec $\Omega = 0,632$ .
Plus bas classements : L'extraction par auger ( $M_7$ ) et l'extraction par stope et pilier ( $M_9$ ) ont reçu les valeurs d'utilité les plus basses.
Importance des Critères : La pondération basée sur l'ACO a identifié le potentiel de mécanisation ( $C_{11}$ ) comme le critère le plus influent ( $w_{11} = 0,529$ ), suivi de la géométrie et de la continuité de la veine ( $C_4$ ), de la profondeur de la veine ( $C_3$ ) et de la récupération du charbon ( $C_{10}$ ).
Robustesse : Les analyses de sensibilité (simulations de Monte Carlo et perturbations COMSAM) ont démontré que le classement des meilleures alternatives restait très stable malgré les variations des poids des critères et des données d'entrée.
Analyse Comparative : Les résultats QSF-ARTASI ont montré un accord parfait (corrélation de Spearman de 1,000) avec les méthodes EDAS et MARCOS, et un fort accord avec TOPSIS. Une divergence significative a été observée avec VIKOR, attribuée aux différences méthodologiques dans le traitement de l'information de décision.

Signification et Revendications
L'article affirme que le cadre QSF-LSDM proposé fournit une base systématique et scientifique pour évaluer les méthodes minières dans les veines de charbon minces et géologiquement complexes. En intégrant la logique floue d'inspiration quantique avec l'optimisation et les mécanismes de consensus, le cadre gère efficacement l'incertitude et l'hésitation inhérentes aux évaluations d'experts tout en minimisant le biais subjectif dans la sélection des paramètres et des poids.

L'étude positionne ses résultats non pas comme des recommandations universelles pour toutes les conditions minières, mais comme des résultats d'aide à la décision adaptés au contexte géologique, technique et opérationnel spécifique des veines de charbon minces du Meghalaya. La principale signification réside dans l'offre d'une alternative structurée aux pratiques d'extraction non scientifiques, soutenant la transition vers des opérations minières plus sûres, réglementées et durables. Les auteurs soulignent que, bien que le cadre identifie les méthodes les plus appropriées selon les critères définis, la mise en œuvre réelle nécessite des investigations géologiques supplémentaires sur site, une validation technique, des évaluations de sécurité et une approbation réglementaire.

Articles similaires