Table des Matières
Dans les mines, l'IA intervient à chaque étape de la chaîne de valeur : des modèles de prospectivité classent les zones à explorer, des capteurs et des modèles distinguent minerai et stérile au front de taille, des camions autonomes et la surveillance d'état font tourner la flotte, et des capteurs logiciels et des caméras de mousse pilotent la laverie. Le meilleur point de départ est une décision fréquente, appuyée sur des données existantes.
Points clés
- En exploration, l'apprentissage automatique classe le terrain selon sa probabilité d'abriter un gisement. Dans une étude co-signée par l'USGS, les meilleurs modèles ont réduit l'espace de recherche de plus de 94 % (Lawley et al., 2022).
- Au front de taille, des capteurs dans le godet de la pelle peuvent classer le matériau godet par godet plutôt que bloc par bloc (Haest et al., AusIMM).
- Le roulage autonome est une technologie mûre : Komatsu a mis en service son 1 000e camion autonome de très grande capacité en avril 2026 (Komatsu).
- À l'usine, le concassage et le broyage représentent généralement 25 % de la consommation d'énergie finale du secteur minier, ce qui en fait une cible naturelle d'optimisation (AusIMM).
- L'IA aide les géologues et les ingénieurs ; elle ne signe pas les rapports. La déclaration publique des ressources repose toujours sur une Personne compétente (JORC).
Où l'IA s'insère-t-elle dans la chaîne de valeur minière ?
Une mine produit des données à chaque étape : levés géophysiques, carottes de sondage, analyses des trous de tir, télémétrie des camions, historians de l'usine, résultats de laboratoire et des décennies de rapports. L'IA est utile là où ces données appuient une décision fréquente. Le tableau résume les principaux usages traités dans ce guide.
| Étape | Usage de l'IA | Données nécessaires | Exemple publié |
|---|---|---|---|
| Exploration | Cartographie de prospectivité, diagraphie des carottes | Géophysique, géochimie, cartes géologiques, spectres des carottes | Modèles de prospectivité par gradient boosting pour des gisements de zinc-plomb (Lawley et al., 2022) |
| Contrôle des teneurs | Classement minerai-stérile au front de taille, rapprochement avec le plan | Analyses des trous de tir, mesures des capteurs, plan minier | Capteurs XRF dans le godet de la pelle (Haest et al.) |
| Abattage et roulage | Roulage autonome, dispatching, maintenance prédictive | GPS, charge utile, données moteur et hydrauliques, ordres de travail | Camions de roulage autonomes (Komatsu) |
| Traitement | Capteurs logiciels, imagerie de mousse, optimisation des consignes | Données de l'historian, analyses de laboratoire, mesures des analyseurs, images de caméra | Vision par ordinateur en flottation (Aldrich et al., 2010) |
| Sur tout le site | Recherche et questions-réponses sur les procédures, rapports et historiques de maintenance | Documents en arabe, français et anglais | Voir notre guide RAG pour les manuels de maintenance |
Une revue sur l'IA dans le traitement des minerais cite la baisse des teneurs et la demande d'une exploitation minière éthique et à faible impact parmi les raisons pour lesquelles le secteur s'intéresse à l'IA (Mishra, 2021). Des teneurs plus faibles signifient plus de roche déplacée et broyée par tonne de métal, si bien que de petits gains à chaque étape s'additionnent.
Comment l'IA est-elle utilisée en exploration minière ?
Cartographie de prospectivité. Un modèle de prospectivité combine des couches comme la gravimétrie, le magnétisme, la géologie et les gisements connus, et attribue à chaque maille d'une carte une note selon sa probabilité d'abriter un type de gisement. Dans une étude couvrant le Canada, les États-Unis et l'Australie, co-signée par des chercheurs de l'USGS, les modèles de référence par poids de l'évidence (weights-of-evidence) ont donné des résultats relativement faibles sur un jeu de test indépendant. Les meilleurs modèles par gradient boosting ont atteint une aire sous la courbe (AUC) de 0,983 pour les gisements de zinc-plomb de type Mississippi Valley et de 0,991 pour ceux de type clastic-dominated, et ont réduit l'espace de recherche de plus de 94 % (Lawley et al., 2022). L'AUC mesure la capacité d'un modèle à classer les gisements connus au-dessus des terrains stériles ; 1,0 correspond à un classement parfait. Une zone de recherche plus petite signifie moins de kilomètres carrés à couvrir sur le terrain, pas une découverte garantie.
Diagraphie des carottes. Les scanners spectraux transforment les carottes de sondage en données numériques homogènes. Le HyLogger du CSIRO utilise la lumière visible et infrarouge pour caractériser certains minéraux dans les carottes, les cuttings et les pulpes ; il est en grande partie automatisé et piloté par un système d'échantillonnage robotisé. Sept machines HyLogging sont utilisées par les services géologiques des États et territoires australiens (CSIRO). C'est le type de données dont l'apprentissage automatique a besoin : la même mesure, faite de la même façon, sondage après sondage.
Anciens rapports et cartes. Une grande partie des connaissances d'exploration se trouve dans des rapports, des logs et des cartes numérisés issus de campagnes passées. Leur numérisation vient en premier ; notre guide sur l'OCR des documents techniques numérisés traite de cette étape.
Notre article sur l'analyse géologique assistée par l'IA approfondit l'exploration et les données géologiques.
Le géologue signe toujours. Selon le code JORC, toute publication de résultats d'exploration, de ressources minérales ou de réserves de minerai « doit reposer sur, et refléter fidèlement, une documentation préparée par une Personne compétente », qui doit justifier d'au moins cinq ans d'expérience sur le style de minéralisation ou le type de gisement concerné (JORC). Le résultat d'un modèle n'est qu'un élément du travail de cette personne.
Comment l'IA aide-t-elle le contrôle des teneurs au front de taille ?
Le contrôle des teneurs décide, camion par camion, si le matériau part à l'usine, sur un stock ou à la verse à stériles. Les erreurs vont dans les deux sens : du minerai envoyé à la verse est perdu, et du stérile envoyé à l'usine dilue l'alimentation.
Les capteurs au front de taille changent l'unité de décision. Le système ShovelSense de MineSense place des capteurs à fluorescence X (XRF) dans la lèvre du godet de la pelle et les relie au système de gestion de flotte, si bien qu'un camion peut être réorienté automatiquement lorsque la teneur mesurée donne un classement différent de celui du plan minier. Mesurer chaque godet réduit l'unité de sélection minière (SMU) de la taille d'un bloc d'exploitation (par exemple 1 500 m³) à celle d'un seul godet (par exemple 45 m³ ou moins) (Haest et al., AusIMM).
Selon l'Institut canadien des mines, de la métallurgie et du pétrole (CIM), sur neuf mines de cuivre à ciel ouvert et pendant une partie de 2023, chaque système a réorienté en moyenne 5,9 % des camions mesurés vers la verse alors qu'ils étaient désignés comme minerai, et 7,2 % vers l'usine alors qu'ils étaient désignés comme stérile. Ces réorientations varient selon le contraste de teneur du gisement (CIM). Ce sont des chiffres déclarés par le fournisseur, pour le cuivre ; les résultats sur un autre gisement seront différents.
La prédiction des teneurs à partir des données de sondage, de la géologie et des rapprochements passés constitue l'autre moitié du contrôle des teneurs. Notre guide sur la prédiction des teneurs et le contrôle des teneurs présente les modèles, les données et la façon de les valider.
Où l'IA aide-t-elle en foration, en roulage et en maintenance ?
Roulage autonome. Komatsu indique avoir été le premier à commercialiser une solution minière autonome, en 2008. En avril 2026, il a mis en service son 1 000e camion de roulage autonome de très grande capacité, et ses clients ont transporté au total plus de 11,5 milliards de tonnes de matériaux avec son système FrontRunner (Komatsu). L'autonomie s'achète généralement auprès du constructeur sous forme de système complet, avec le dispatching et la planification minière autour, plutôt que d'être développée par la mine.
Maintenance prédictive. Les camions, pelles, concasseurs et broyeurs produisent de la télémétrie, des analyses d'huile et des ordres de travail. Les modèles qui signalent tôt un comportement anormal permettent aux planificateurs de programmer les réparations avant la panne. Les pannes étiquetées sont généralement rares, si bien que la plupart des projets commencent par la détection d'anomalies ; voir notre comparatif des méthodes de détection d'anomalies pour les données industrielles.
Connaissances de maintenance. Les techniciens d'un site isolé ont besoin des manuels, des procédures et de l'historique des pannes similaires. Un assistant qui recherche dans ces documents, dans les langues utilisées sur le site, fait gagner du temps à chaque intervention, à condition de tourner en local.
Comment l'IA est-elle utilisée dans le traitement des minerais ?
L'usine de traitement est l'endroit où part une grande partie de l'énergie. Un rapport commandé par le groupe Weir, qui a analysé les données de plus de 40 études publiées, constate que la comminution (concassage et broyage) représente généralement 25 % de la consommation d'énergie finale du secteur minier (AusIMM).
Capteurs logiciels. La granulométrie de broyage, la teneur du concentré et la récupération ne sont souvent connues que par des prélèvements périodiques ou des analyseurs. Un capteur logiciel les estime en continu à partir des mesures procédé, ce qui permet aux opérateurs et aux boucles de régulation de réagir plus tôt. Notre guide sur les capteurs logiciels explique comment en construire et en valider un, avec un exemple en flottation.
Imagerie de mousse. Des caméras placées au-dessus des cellules de flottation extraient des caractéristiques physiques comme la taille des bulles et des caractéristiques dynamiques comme la vitesse de la mousse. Les recherches se poursuivent depuis la fin des années 1980 et des systèmes commerciaux d'imagerie de mousse existent, mais une revue de 2010 constatait qu'un système de contrôle entièrement automatisé et durable fondé sur la vision restait « à concrétiser » (Aldrich et al., 2010). En pratique, les caméras de mousse servent surtout de mesures pour les opérateurs et les boucles de régulation.
Optimisation des consignes et des réactifs. Avec un historique suffisant, des modèles relient les propriétés du minerai, les dosages de réactifs et les réglages de marche à la récupération et à la teneur, et proposent des réglages à tester. Les changements doivent passer par des essais avec les métallurgistes, et non directement dans le système de contrôle-commande.
Quel est le contexte minier algérien ?
Le chapitre sur l'Algérie du Minerals Yearbook 2019 de l'USGS donne un aperçu des principaux gisements (USGS, 2019). Les chiffres ci-dessous sont ceux publiés pour 2019 et ont pu évoluer depuis.
| Substance | Gisement ou mine | Ce que rapporte l'USGS |
|---|---|---|
| Minerai de fer | Gara Djebilet (sud-ouest) | 1 540 Mt à 56 % de fer |
| Minerai de fer | Mecheri Abdelaziz (à l'est de Gara Djebilet) | 702 Mt à 52 % de fer |
| Minerai de fer | Ouenza et Boukhadra (Tébessa) | 80,3 Mt à 59,5 % de fer et 47,1 Mt à 48 % de fer |
| Phosphate | Djebel Onk (Tébessa), SOMIPHOS | Production de 1,3 Mt en 2019 ; ressources nationales estimées à 2,2 Gt |
| Zinc et plomb | Tala Hamza, permis d'Oued Amizour près de Béjaïa | 68,6 Mt à 4,6 % de zinc et 1,2 % de plomb |
Trois points comptent pour l'IA. D'abord, certains sites sont isolés : Gara Djebilet se trouve dans le sud-ouest de l'Algérie, près de la frontière mauritanienne, si bien que les systèmes doivent y fonctionner sur site ; notre guide sur l'IA sur les sites isolés à faible connectivité en traite l'architecture. Ensuite, les données géologiques et de production sont sensibles sur les plans commercial et stratégique, ce qui plaide pour les garder sur une infrastructure que l'exploitant contrôle. Enfin, le cadre juridique a changé : la loi n° 25-12 du 3 août 2025 relative aux activités minières a abrogé et remplacé la loi n° 14-05 du 24 février 2014 (King & Spalding). Vérifiez avec votre conseil juridique ce que la nouvelle loi et ses textes d'application exigent pour les données géologiques, les déclarations et les données détenues par les prestataires avant de concevoir un projet d'IA qui en dépend.
Par quels cas d'usage une mine doit-elle commencer ?
- Lister les décisions fréquentes. Destination des camions, priorités de maintenance, consignes du broyage et de la flottation, cibles de sondage. Noter la fréquence de chacune et le coût d'une erreur.
- Vérifier les données derrière chacune. Les analyses sont-elles rattachées à une position et à une heure ? Les pannes sont-elles enregistrées dans les ordres de travail ? L'historian de l'usine est-il complet ? Une évaluation de la maturité IA structure cette vérification.
- Choisir un seul cas d'usage, avec des décisions fréquentes, des données exploitables et un responsable sur site qui le souhaite.
- Commencer en parallèle. Comparer pendant plusieurs semaines les recommandations du modèle avec la pratique actuelle, en prenant comme arbitre le rapprochement, les résultats de laboratoire ou l'historique des pannes.
- Décider où il tourne. Pour les fosses isolées et les données géologiques sensibles, prévoir des serveurs locaux dès le départ.
- Transférer à un responsable. Une personne sur site doit suivre la performance du modèle, signaler les dérives et décider quand le réentraîner.
Ce que nous avons constaté chez KABAS AI
KABAS AI n'a pas publié de projet minier ; nous ne pouvons donc pas partager de résultats dans les mines. Nous pouvons en revanche décrire comment nos produits sont conçus pour les contraintes présentées dans ce guide.
DALILE se déploie entièrement sur site (on-premise) et fonctionne sans connexion internet. Sur notre page dédiée aux mines, il est présenté comme un moyen de relier les données de production, les dossiers des équipements et la documentation de sécurité, afin que les ingénieurs puissent les interroger en langage naturel sur un site isolé. Virtual Lab permet de tester virtuellement des paramètres de procédé avant les essais, ce qui correspond à l'approche prudente des changements de consignes décrite plus haut.
Notre conseil pratique est le même pour toutes les mines : commencer par une décision qui compte, prouver le modèle en parallèle de la pratique actuelle, et garder les données et les modèles sur une infrastructure que vous contrôlez. Si vous préparez un projet d'IA pour une mine ou une usine de traitement, notre équipe de conseil peut vous aider à choisir le premier cas d'usage et à vérifier les données. Vous pouvez aussi nous contacter directement.
Sources
- Lawley et al., Data-driven prospectivity modelling of sediment-hosted Zn-Pb mineral systems and their critical raw materials, Ore Geology Reviews 141, 2022 (USGS record)
- CSIRO, HyLogging
- JORC, Competent Persons
- Haest et al., ShovelSense: measuring grade at bucket resolution, AusIMM International Mining Geology Conference 2022, résumé
- CIM, Optimizing the mine-to-mill pipeline with data (MineSense spotlight), 2024
- Komatsu, Komatsu becomes first OEM to commission 1,000 ultra-class autonomous haul trucks, 22 avril 2026
- AusIMM Bulletin, Recent report identifies major carbon reduction opportunities in global mining, 2021
- Aldrich, Marais, Shean et Cilliers, Online monitoring and control of froth flotation systems with machine vision: A review, International Journal of Mineral Processing 96, 2010
- Mishra, AI4R2R (AI for Rock to Revenue): A Review of the Applications of AI in Mineral Processing, Minerals 11, 2021
- USGS, The Mineral Industry of Algeria, 2019 Minerals Yearbook
- King & Spalding, Algeria Reshapes Mining Regime: New Law Signals Fresh Opportunities, 15 septembre 2025
Questions fréquentes
Par où une mine doit-elle commencer avec l'IA ?
Commencez par une décision prise souvent, qui coûte cher quand elle est fausse et qui repose déjà sur des données, comme le classement minerai-stérile, une panne récurrente d'équipement ou une variable qualité de l'usine de traitement. Vérifiez d'abord les données, faites tourner le modèle en parallèle de la pratique actuelle et comparez les résultats avant que quiconque s'y fie.
L'IA remplace-t-elle le géologue ou la Personne compétente ?
Non. Un modèle peut classer des cibles ou estimer des teneurs, mais selon le code JORC, toute publication de résultats d'exploration, de ressources minérales ou de réserves de minerai doit reposer sur une documentation préparée par une Personne compétente. Les autres codes de déclaration ont des règles similaires : les résultats de l'IA restent des éléments soumis au jugement d'une personne qualifiée.
Les camions de roulage autonomes sont-ils en service commercial ?
Oui. Komatsu indique avoir été le premier à commercialiser une solution minière autonome en 2008, et en avril 2026 il a mis en service son 1 000e camion de roulage autonome de très grande capacité (ultra-class). Ses clients ont transporté plus de 11,5 milliards de tonnes de matériaux avec son système FrontRunner.
L'IA peut-elle fonctionner sur une mine isolée sans connexion internet ?
Oui, si les modèles, les données dont ils ont besoin et l'interface utilisateur tournent sur des serveurs installés sur le site. La liaison ne sert alors qu'à synchroniser les données et à recevoir les mises à jour. Prévoyez le matériel, l'alimentation électrique, le refroidissement et la mise à jour des modèles sur site avant de retenir cette architecture.
Pourquoi la flottation est-elle une cible courante de la vision par ordinateur ?
L'aspect de la mousse reflète le fonctionnement de la cellule, et une caméra peut mesurer en continu des caractéristiques comme la taille des bulles et la vitesse de la mousse. Les recherches sur l'imagerie de mousse se poursuivent depuis la fin des années 1980 et des systèmes commerciaux existent, mais une revue de 2010 constatait qu'un contrôle entièrement automatisé et durable fondé sur la vision restait à concrétiser.



