Table des Matières
Le machine learning optimise l'enrichissement du phosphate en prédisant la qualité du concentré (P2O5, MgO) et la récupération à partir des données d'alimentation, de réactifs et de marche, avant l'arrivée des analyses de laboratoire, et en proposant des consignes que les métallurgistes testent. Il fonctionne au mieux comme capteur logiciel et aide à la décision, à côté des analyseurs en ligne et du laboratoire, pas comme pilote automatique.
Points clés
- L'enrichissement élimine les argiles, la silice, les carbonates et d'autres impuretés pour relever la teneur en phosphate ; les étapes dépendent du type de gisement et de ses impuretés (IFA et PNUE, 2001).
- Le magnésium, en grande partie porté par la dolomie, augmente la viscosité des bouillies d'acide phosphorique et réduit leur filtrabilité ; c'est pourquoi le MgO du concentré est une cible essentielle (Boukhsib et al., 2019).
- Les travaux publiés sur le machine learning en flottation du phosphate restent surtout à l'échelle du laboratoire, et les communications industrielles publient rarement des chiffres de précision.
- Une référence simple peut être difficile à battre : dans une étude sur la flottation du minerai de fer, maintenir la dernière valeur de laboratoire a fait mieux que plusieurs modèles à base d'arbres sur des données d'usine (Basilio et al., 2026).
- Le projet commence par les données : analyses de laboratoire avec la véritable heure de prélèvement, dosages de réactifs, informations sur l'alimentation et tonnages.
Qu'élimine l'enrichissement du phosphate ?
L'enrichissement relève la teneur en phosphate du minerai en éliminant les contaminants et les stériles avant le traitement chimique. Quelques minerais n'ont besoin d'aucune concentration. Les impuretés dépendent du type de gisement (sédimentaire ou igné), des minéraux associés et du degré d'altération (IFA et PNUE, 2001).
La plupart des ressources mondiales de phosphate sont des phosphorites marines sédimentaires, et les plus grands gisements sédimentaires se trouvent en Afrique du Nord, au Moyen-Orient, en Chine et aux États-Unis. Aux États-Unis, plus de 95 % du phosphate extrait sert à fabriquer de l'acide phosphorique par voie humide et de l'acide superphosphorique, et l'USGS définit le produit marchand comme une roche enrichie dont la teneur en P2O5 convient à la production d'acide phosphorique ou de phosphore élémentaire (USGS, 2026).
| Impureté | Méthodes d'élimination courantes |
|---|---|
| Argiles et autres fines | Concassage ou broyage, débourbage, lavage, criblage, hydrocyclones |
| Silice (sable) | Flottation |
| Carbonates (calcite, dolomie) | Calcination suivie d'une extinction à l'eau ; flottation |
| Minéraux de fer (magnétite, hématite, goethite) | Débourbage et classification granulométrique, ou séparation magnétique |
Source : IFA et PNUE, 2001.
Le même guide indique que les carbonates peuvent causer des problèmes dans les traitements en aval et réduire la qualité du produit final. Chaque étape du tableau est un point où des décisions de conduite, comme le dosage des réactifs, le pH, la pression des cyclones ou la température du four, modifient la teneur et la récupération.
Pourquoi le MgO compte-t-il autant ?
Le magnésium fait partie des impuretés indésirables de l'acide phosphorique par voie humide. Il augmente la viscosité de la phase liquide, ralentit la croissance des cristaux de gypse et contribue à l'encrassement et aux pertes de phosphore. Lors d'essais sur pilote de laboratoire, un magnésium plus élevé a réduit la filtrabilité de la bouillie phosphorique et augmenté sa viscosité apparente (Boukhsib et al., 2019).
À Djebel Onk, dans la wilaya de Tébessa, la dolomie est abondante. Une étude de 2026 sur les rejets secs de l'usine de traitement de Somiphos a relevé une forte proportion de dolomie, que les auteurs considèrent comme un facteur limitant pour l'enrichissement direct. En laboratoire, ils ont ajusté les réactifs de flottation pour viser des concentrés à plus de 28 % de P2O5 avec moins de 1 % de MgO, et ont obtenu environ 30 % de P2O5 avec moins de 1 % de MgO. La calcination à 1000 °C a atteint 33,51 % de P2O5, mais les auteurs notent que son coût énergétique élevé limite son usage à grande échelle, et jugent la flottation plus facile à intégrer aux circuits existants (Meniai et al., 2026). Il s'agit de résultats de laboratoire sur des rejets, pas de chiffres d'usine.
Pour un modèle, cela signifie que la cible est rarement un chiffre unique. Un concentré doit respecter plusieurs limites à la fois, en général un P2O5 minimal et un MgO maximal, tout en gardant la récupération aussi élevée que possible.
Quel est le contexte algérien ?
L'USGS estime la production algérienne de phosphate marchand à 2,0 millions de tonnes en 2024 comme en 2025, avec des réserves de 2,2 milliards de tonnes (USGS, 2026).
Les capacités augmentent. Argus a rapporté en juillet 2026 que Somiphos prévoit d'achever une extension de 1 Mt/an à Djebel Onk d'ici mi-2027. Le Projet intégré phosphate, un partenariat entre Sonatrach et Sonarem, doit entrer en production au premier trimestre 2027, et sa mine de Bled El Hadba est déjà en exploitation et constitue des stocks (Argus, 2026).
Les nouveaux circuits démarrent avec peu d'historique d'exploitation, et ceux qui s'agrandissent reçoivent un nouveau minerai. Ces deux points déterminent ce que le machine learning peut faire : un modèle entraîné sur un minerai et un schéma de traitement doit être revérifié quand l'un ou l'autre change. Pour une vue d'ensemble, de l'exploration au traitement, consultez notre guide de l'IA dans les mines.
Où le machine learning aide-t-il dans une usine d'enrichissement ?
| Cas d'usage | Ce que fait le modèle | Entrées principales | Référence de validation |
|---|---|---|---|
| Capteur logiciel de qualité du concentré | Estime P2O5 et MgO entre deux analyses de laboratoire | Dosages de réactifs, pH, débits, niveaux, informations sur l'alimentation | Analyses de laboratoire |
| Optimisation des réactifs et des consignes | Relie dosage, pH et temps à la teneur et à la récupération ; propose des essais | Historique de l'usine et essais planifiés | Essais en usine et bilan matière |
| Mélange de l'alimentation | Prédit la qualité du concentré pour un mélange proposé | Analyses des stocks ou de la mine, données d'analyseur en ligne | Analyses du concentré |
| Mesure de la chimie de l'alimentation | Fournit en continu la composition de l'alimentation aux autres modèles | Analyseur en ligne sur convoyeur | Analyses de laboratoire de l'alimentation |
Capteur logiciel de qualité du concentré. Une communication présentée à l'assemblée annuelle 2025 de la SME décrit un modèle de prédiction de flottation fondé sur l'IA, qui prévoit la teneur en P2O5 à partir de données d'exploitation en temps réel pour aider les opérateurs à ajuster les paramètres de flottation. Le résumé ne donne aucun chiffre de précision et ne nomme pas l'usine (AlMuhaisen et al., 2025). La méthode est la même que dans les autres usines de procédés ; notre guide des capteurs logiciels explique comment en construire un.
Optimisation des réactifs et des consignes. Dans une étude de laboratoire sur des rejets de phosphate riches en silicates à 21,6 % de P2O5, des chercheurs ont fait varier le type et le dosage du dépresseur polymère, le pH et le temps de flottation, puis ont entraîné des réseaux de neurones sur les résultats. Le meilleur essai a atteint 84,6 % de récupération à 28,6 % de P2O5, et les réseaux ont prédit des pH et des temps de flottation optimaux différents pour chaque dépresseur (Alsafasfeh et al., 2022). En usine, la même idée consiste à utiliser l'historique pour choisir les réglages à tester, puis à les confirmer par des essais. Notre comparaison entre plans d'expériences et optimisation bayésienne explique comment planifier ces essais.
Mélange de l'alimentation. Le mélange détermine ce que reçoit l'usine. Une communication sur le mélange des minerais indique que le groupe OCP utilise principalement des formules de mélange simples et que la variabilité croissante du minerai rend plus difficile le maintien de la qualité du concentré (Xu et al.). Les auteurs proposent l'apprentissage par renforcement pour le mélange et l'orientation des flux ; dans deux scénarios synthétiques, leur solveur a fait mieux qu'une méthode d'optimisation classique en moyenne dans 73,5 % des cas (Xu et al., résumé). Il s'agit d'un résultat de recherche, pas d'un système déployé.
Analyseurs en ligne. L'analyse par activation neutronique à rayonnement gamma prompt (PGNAA) mesure en continu la composition globale du produit sur la bande transporteuse, et Thermo Fisher cite le phosphate parmi les matériaux sur lesquels ses analyseurs PGNAA ont été déployés (Thermo Fisher). Un analyseur fournit la chimie de l'alimentation dont les modèles de teneur et de mélange ont besoin en entrée. Il ne remplace pas le modèle, et le modèle ne remplace pas l'analyseur.
La logique rappelle, en amont, la prédiction des teneurs pour le contrôle des teneurs : des mesures fréquentes et peu coûteuses estiment une mesure coûteuse, et les analyses restent la référence.
De quelles données a-t-on besoin ?
- Analyses de laboratoire avec l'heure du prélèvement, et non celle de l'analyse ou de la saisie. Incluez le P2O5, le MgO et tout autre élément limité par votre spécification qualité.
- Tonnages et débits de l'alimentation, du concentré et des rejets, pour calculer la récupération par bilan matière plutôt que de la supposer.
- Dosages de réactifs réellement injectés, pas seulement les consignes, ainsi que le pH, la densité de pulpe et l'origine de l'eau.
- Informations sur l'alimentation : quelle fosse, quel stock ou quel mélange a été alimenté, et les analyses de l'alimentation ou les lectures de l'analyseur.
- Événements : arrêts, changements de lot ou de fournisseur de réactifs, étalonnages d'instruments et changements de minerai, pour marquer ou exclure ces périodes.
L'essentiel se trouve dans l'historian et le LIMS. Notre guide sur l'utilisation des données d'historian pour le machine learning traite de l'extraction et de l'alignement, et l'article sur les problèmes de qualité des données industrielles liste ce qu'il faut corriger en premier.
Comment construire et valider un modèle, étape par étape ?
- Définir la cible et le compromis. Convenir avec les métallurgistes de la variable qui compte (P2O5, MgO ou récupération) et de la valeur d'un point de teneur ou de récupération.
- Auditer l'échantillonnage et les analyses. Un échantillon biaisé donne un modèle biaisé. Vérifiez où et comment les échantillons sont prélevés, et comment les identifiants d'échantillons sont reliés aux heures.
- Aligner les données dans le temps. Décaler chaque entrée du temps de séjour entre son point de mesure et le point de prélèvement du concentré.
- Fixer des références. Utiliser la dernière valeur de laboratoire maintenue jusqu'à la suivante, et un modèle linéaire. Dans l'étude sur la flottation du minerai de fer citée plus haut, la référence naïve a atteint R² = 0,64 sur les données industrielles, devant un arbre de décision (0,55), une forêt aléatoire (0,57) et XGBoost (0,58). Le meilleur modèle, un LSTM (0,75), présentait encore un biais dans ses résidus (Basilio et al., 2026).
- Découper dans le temps. Entraîner sur les données anciennes et tester sur une période plus récente qui comprend des changements de minerai et des perturbations.
- Faire tourner en mode fantôme. Montrer les prédictions aux opérateurs à côté des résultats de laboratoire pendant plusieurs semaines avant que quiconque agisse en conséquence.
- Tester les changements de consignes par des essais planifiés avec les métallurgistes, avec un bilan matière pour mesurer la récupération, avant de modifier les valeurs de marche standard.
- Surveiller la dérive. Un nouveau minerai, de nouveaux réactifs ou un nouveau circuit éloigneront le modèle du laboratoire. Notre guide sur la surveillance de la dérive des modèles précise quoi suivre.
Quelles sont les limites ?
Les preuves publiées sur le machine learning en enrichissement du phosphate sont minces. Les travaux cités ici sont une étude de laboratoire, un résumé de communication sans chiffres et un article de recherche sur des scénarios synthétiques. Aucun ne rapporte un résultat d'usine validé que l'on pourrait reprendre comme référence.
Un modèle n'apprend que les conditions présentes dans son historique. Si l'usine n'a jamais traité un mélange de minerai donné, on ne peut pas se fier au modèle pour ce mélange, ce qui compte pour les nouveaux gisements et les extensions. Les modèles ne changent pas non plus la métallurgie : éliminer la dolomie par flottation, par calcination ou par une autre voie reste une décision fondée sur les essais et les coûts.
Ce que nous avons constaté chez KABAS AI
KABAS AI n'a pas publié de projet dans le phosphate ; nous n'avons donc pas de résultats d'usine à partager. Nous pouvons en revanche décrire comment notre offre s'inscrit dans la démarche ci-dessus.
Sur notre page de solutions pour les mines, Virtual Lab est positionné sur l'optimisation des procédés : tester des scénarios virtuellement avant d'appliquer des changements sur le terrain. Cela correspond à l'étape 7 : utiliser le modèle pour réduire la liste des changements de réactifs et de consignes qui méritent un essai en usine. En R&D de formulation, un cas d'usage différent, Virtual Lab a aidé ENAD Shymeca à réduire de 40 % ses cycles d'essais physiques. DALILE fonctionne sur site sans connexion internet et est positionné pour relier données de production, dossiers d'équipements et documentation de sécurité sur les sites isolés.
Notre conseil pratique : commencez par une variable qualité qui coûte de l'argent quand elle arrive en retard, en général le MgO ou le P2O5 du concentré ; vérifiez que les analyses et les heures de prélèvement peuvent soutenir un modèle ; et gardez les données et les modèles sur une infrastructure que vous maîtrisez. Notre équipe data science peut vous accompagner dans l'audit des données et le premier modèle, et notre article sur l'IA sur les sites isolés traite du déploiement là où la connectivité est faible. Vous pouvez aussi nous contacter.
Sources
- USGS, Mineral Commodity Summaries 2026: Phosphate Rock, février 2026
- IFA et PNUE, Environmental Aspects of Phosphate and Potash Mining, 2001
- Boukhsib, Khamar, Kadiri et Omari, Effects of Magnesium Content on the Rheological Behaviour of Phosphoric Acid and on the Performances of his Industrial Manufacturing by the Dihydrate Wet Processes, IJESRT 8(7), 2019
- Meniai et al., Management and development of mining waste from the dry process of the Djebel Onk phosphate ore beneficiation plant (Somiphos), Tébessa, Journal of Mining and Environment 17(4), 2026
- Argus, Algeria to accelerate Annaba phosphate port expansion, 13 juillet 2026
- AlMuhaisen et al., Unlocking Optimal Flotation Outcomes: Leveraging AI to Enhance Phosphate Recovery Through Predictive Modeling, SME Annual Meeting 2025
- Alsafasfeh, Alagha, Alzidaneen et Nadendla, Optimization of flotation efficiency of phosphate minerals in mine tailings using polymeric depressants: Experiments and machine learning, Physicochemical Problems of Mineral Processing 58(4), 2022
- Xu, Arief, Elghali et Caers, Adaptive mineral blending and routing under uncertainty using reinforcement learning, actes de l'IIMP, Track 1: AI and Data-Driven Decision Making (résumé)
- Xu, Arief, Elghali et Caers, même article, section de contexte
- Thermo Fisher Scientific, 40 years of process control with PGNAA
- Basilio et al., Silica grade forecast in flotation processes: Evaluation and Statistical Diagnosis of Machine Learning Methods, actes étendus SBSI 2026
Questions fréquentes
Quelle est la différence entre l'enrichissement du phosphate et la production d'acide phosphorique ?
L'enrichissement transforme le minerai extrait en concentré en éliminant les argiles, la silice, les carbonates et d'autres impuretés, par des étapes comme le lavage, le criblage, la flottation et parfois la calcination. La production d'acide phosphorique est l'étape chimique suivante, où le concentré est attaqué à l'acide sulfurique. La qualité du concentré, en particulier sa teneur en magnésium, influe sur la marche de l'unité d'acide.
Le machine learning peut-il remplacer le laboratoire dans une usine de phosphate ?
Non. Les analyses de laboratoire sont la référence qui sert à entraîner le modèle, à le vérifier avant usage et à le recaler une fois en service. Un modèle peut estimer le P2O5 ou le MgO entre deux analyses, mais si l'échantillonnage est trop réduit, il perd les données dont il dépend.
Quel modèle de machine learning est le meilleur pour prédire la teneur du concentré de phosphate ?
Il n'y a pas de réponse universelle. Commencez par une référence naïve, comme la dernière valeur de laboratoire maintenue jusqu'à la suivante, et par un modèle linéaire. Dans une étude de 2026 sur la flottation du minerai de fer, la référence naïve a battu plusieurs modèles à base d'arbres sur des données industrielles ; un modèle plus complexe doit donc prouver qu'il fait mieux sur les données de votre propre usine.
Le machine learning aide-t-il pour les minerais de phosphate dolomitiques ?
Il peut aider à conduire le circuit qui élimine la dolomie, par exemple en estimant le MgO du concentré entre deux analyses ou en reliant le dosage des réactifs et le pH à la teneur et à la récupération. Il ne change pas la minéralogie. Le choix entre flottation, calcination ou une autre voie reste une décision métallurgique et économique fondée sur les essais.
De combien de données a-t-on besoin pour commencer ?
La limite est généralement le nombre d'analyses de laboratoire avec des heures de prélèvement fiables, pas les données procédé. Il faut aussi les dosages de réactifs, les débits, le pH et les informations sur l'alimentation pour les mêmes périodes, et l'historique doit couvrir les différents types de minerai traités. Un audit des données avant la modélisation indique si tout cela existe.



