L’industrie minière génère des données à partir de millions de mètres de carottes de forage, sur les teneurs et la minéralisation, lesquelles viennent s’ajouter aux téraoctets de données de surveillance en surface, aux mesures de convergence, aux fiches d’entretien et aux feuilles d’inspection. Le risque n’est pas de manquer de données, mais plutôt de manquer de personnes qui comprennent ces données et la raison pour laquelle elles ont été recueillies en premier lieu.

Quelle est l’étendue des connaissances concrètes à tout moment sur un site minier ? Où sont conservées ces connaissances ? Et plus important encore, existe-t-il des mécanismes menant à une perte de ces connaissances ? Dans ce cas, quelle proportion de ces connaissances peut-on récupérer ? Il ne s’agit pas de questions rhétoriques. Environ la moitié des ingénieures et ingénieurs principaux de l’industrie prendront leur retraite dans les dix années à venir, emportant avec eux leurs connaissances uniques et intrinsèques. C’est une forme de connaissances que chaque spécialiste développe et emporte avec lui ou elle une fois qu’il ou elle prend sa retraite ou change de parcours. Cette association d’expérience et d’observations physiques n’est conservée dans aucun serveur. Le redressement récent du nombre d’inscriptions d’étudiantes et étudiants de premier cycle ne permet pas de contrebalancer ce que des décennies d’attrition ont déjà coûté aux connaissances institutionnelles. Certes, les nouvelles et nouveaux diplômés apportent leur formation technique, mais ceci ne permet pas de recréer le lien entre la nature de ces données et la raison pour laquelle elles existent.

Imaginez ce qu’il se produit lorsqu’un ou une spécialiste en génie géotechnique récemment embauché.e pénètre dans une mine souterraine pour la première fois. Ils auront bien entre les mains les rapports et notes techniques qui sous-tendent le plan de gestion du contrôle des pressions de terrains, mais les décisions prises pour ce contexte spécifique l’auront été sans leur participation. Les seuls paramètres qu’ils ont entre les mains sont ceux ayant servi à caractériser la masse rocheuse et à concevoir le soutènement. Les données brutes à l’origine de ces décisions existent peut-être sur un serveur quelque part, mais le récit qui leur donne un sens se trouve entre les mains des spécialistes en génie qui les ont collectées et interprétées.

Ce récit, né de l’expérience acquise, ne peut que se transmettre lentement, souvent de manière fragmentée, par le biais de supports tels que de la documentation et des notes de passation de fonctions. Toutefois, la chaîne de raisonnement qui préserve l’unité de ces observations, fruits d’années de travail sous terre, ne survit pas dans les registres. Lorsque les spécialistes partent, la chaîne se brise. Il ne reste alors qu’une série de chiffres et de fichiers qui décrivent les données mesurées, mais pas leur signification.

Aucune puissance de calcul ne peut résoudre seule ces problèmes. L’industrie minière, tout comme tout autre secteur, n’est pas exonérée de la transformation entraînée par l’intelligence artificielle (IA). La réponse de l’industrie a été d’investir dans l’IA, développée à partir des mêmes données fragmentées qui ne parvenaient déjà pas à saisir les connaissances concrètes des spécialistes en génie. Un modèle formé sur ces données n’apprend rien de la mine. Il apprend à partir de données humaines incomplètes sur la mine, hérite de leurs lacunes et reproduit leur subjectivité à grande échelle. Prenons par exemple les chutes de plain-pied : elles représentent grossièrement 40 % de l’ensemble des accidents mortels dans les mines souterraines. Les connaissances qui pourraient permettre d’éviter ces accidents ne se trouvent dans aucun système informatique, et aucun modèle de langage ne peut nous dire ce qu’il se passe sur le chantier 14B, ce qu’il s’est produit au fil des trois dernières années, ni la performance du soutènement par rapport au mécanisme de rupture prévu, car les connaissances n’ont jamais été saisies sous une forme permettant à la technologie de les utiliser.

Pour combler ces lacunes, il faut adopter un point de vue différent sur les connaissances minières. Chaque mine est une source centralisée de données regroupant les éléments qui ont été mesurés et décrivant la manière dont ils l’ont été, mais aussi la raison pour laquelle ils l’ont été. Les données et les explications y afférentes sont dispersées le long de ses galeries d’accès, chantiers et descenderies. Mais sans intervention adéquate, cette source de données centralisée pourrait ressembler à un labyrinthe, dans lequel un ou une spécialiste en génie résout immédiatement les enjeux locaux tout en perdant de vue la question plus vaste du comportement global d’une mine. Une amélioration du fil conducteur qui relie chaque décision au raisonnement dont elle émane est nécessaire, tout comme une observation du contexte qui lui donne son sens. De même, il faut relier chaque spécialiste en génie aux connaissances que ses prédécesseurs ont développées et qu’ils ou elles n’ont pu lui transmettre. Ce fil conducteur doit avoir une structure à laquelle se rattachent les données d’exploration, les analyses de développement, les statistiques en matière de production, les interprétations de surveillance et la documentation relative à la fermeture, répertoriées selon la période et le lieu où elles ont été collectées. Ce fil conducteur n’est pas une carte, mais un lien continu, maintenu tout au long de la durée de vie de la mine.

Avec ce genre de fil conducteur, cette source de données centralisée revêt une forme particulière. Elle devient ancrée dans l’espace et dans le temps. Chaque observation, mesure ou décision est alors liée à un emplacement (la désignation d’une galerie d’accès, la référence d’un chantier, une coordonnée en surface) et à une étape de la vie de la mine. Ainsi, les données d’exploration, les évaluations de développement, les anomalies dans la production et les bilans relatifs à la remise en état peuvent être interprétés selon une séquence et un contexte. La source doit mentionner leur paternité, à savoir le nom et le rôle de l’ingénieure ou ingénieur responsable de l’observation, et leur interprétation de la signification attribuée à l’époque. Elle doit également répertorier la conséquence opérationnelle. Ainsi, lorsqu’une observation a entraîné un changement dans la conception, une révision des systèmes de contrôle des pressions de terrain ou une halte dans la production, ce lien doit être saisi afin que l’ingénieure ou ingénieur suivant puisse retracer non seulement ce qui a été mesuré, mais aussi ce que cela a déclenché et la raison de ce résultat.

Les données existent, les capteurs sont disponibles. Ce qu’il manque, c’est ce fil conducteur et la volonté de le traiter comme l’atout essentiel, et non comme une réflexion après coup sur des chiffres. 

Munkhtsolmon Munkhchuluun est ingénieur des mines et cofondateur d’Ayavex Solutions. Davide Elmo est professeur en mécanique des roches au Norman B. Keevil Institute of Mining Engineering (l’institut de génie minier Norman B. Keevil) de l’université de la Colombie-Britannique (UBC). 

Traduit par Karen Rolland