L’intelligence artificielle s’impose comme un outil précieux pour la sécurité dans les mines de charbon. Une étude récente démontre sa capacité à prédire les incidents liés au gaz avec une précision remarquable, offrant ainsi de nouvelles possibilités pour la protection des mineurs.
Une étude novatrice menée dans les mines de charbon chinoises a comparé dix algorithmes d’apprentissage automatique pour déterminer quelle méthode d’IA pourrait prédire avec le plus d’efficacité les variations des niveaux de méthane 30 minutes à l’avance. L’objectif principal était d’alerter les utilisateurs en cas d’anomalies potentiellement dangereuses.
Les explosions de gaz dans les mines souterraines représentent un risque majeur pour la sécurité des travailleurs. En Chine, près de 60% des accidents dans les mines de charbon sont causés par le méthane. L’importance de ce constat est soulignée par le fait que la Chine a produit 46% du charbon mondial en 2020, avec plus de 3200 mines présentant des niveaux de risque élevés liés aux dégagements de gaz.
Des algorithmes performants pour une prédiction précise
Selon le professeur associé Niusha Shafiabady de l’Université Charles Darwin (CDU), qui a déclaré : «La régression linéaire s’est révélée être l’un des algorithmes les plus efficaces pour les prévisions à court terme, surpassant les autres méthodes testées.»
Il a également ajouté : «Le Random Forest affiche fréquemment une performance d’erreur statistiquement plus faible et atteint la plus haute précision de prédiction. La machine à vecteurs de support (SVM) fonctionne bien et présente un temps de calcul plus court sur les petits ensembles de données, mais nécessitera un temps d’entraînement plus long à mesure que la taille de l’ensemble de données augmente.»
Les résultats prometteurs de cette étude créent de nouvelles possibilités pour l’industrie minière. Ils permettront de réduire considérablement les risques d’accidents tels que les explosions de gaz, de protéger les travailleurs et d’améliorer la capacité à prévenir et à atténuer les catastrophes, limitant ainsi les pertes financières et humaines potentielles.
Vers une surveillance accrue pour une sécurité renforcée
L’étude a été menée conjointement par l’Université Charles Darwin, l’Université de Technologie de Sydney, l’Université Catholique Australienne, l’Université Normale de Shanxi et l’Université Centrale du Queensland. Cette collaboration internationale souligne l’importance accordée à cette problématique à l’échelle mondiale.
Le professeur Shafiabady, également chercheur à l’École de commerce Peter Faber de l’Université Catholique Australienne, a souligné les multiples applications de ces résultats. Il a affirmé : «Cette méthode fonctionne pour toutes les mines de charbon, et les mêmes principes peuvent s’appliquer à d’autres industries telles que l’aérospatiale, le pétrole et le gaz, l’agriculture et bien d’autres.»
Le chercheur a conclu en mettant en avant le potentiel de l’IA pour sauver des vies : «C’est un exemple d’application où l’intelligence artificielle peut être utilisée pour sauver des vies et atténuer les risques pour la santé et la sécurité.»
L’étude comparative des dix algorithmes d’apprentissage automatique pour la prévision à court terme dans les systèmes d’alerte au gaz a été publiée dans la revue Scientific Reports. Elle s’inscrit dans la continuité d’une précédente recherche menée par le professeur Shafiabady, qui avait démontré qu’une surveillance accrue du vent, de la densité du gaz et des températures dans les mines de charbon pouvait également contribuer à réduire les risques de catastrophes.
Ces avancées dans le domaine de l’intelligence artificielle appliquée à la sécurité minière marquent un tournant significatif pour l’industrie. Elles offrent des outils concrets pour améliorer la protection des travailleurs et prévenir les accidents, tout en ouvrant de nouvelles possibilités dans d’autres secteurs industriels à risque.
Légende illustration : L’étude menée en collaboration avec l’université Charles Darwin a révélé que la technologie de l’IA peut prévoir les variations du niveau de méthane dans les mines de charbon.
Article : « Comparative study of ten machine learning algorithms for short-term forecasting in gas warning systems »- DOI: s41598-024-67283-4
