DISCUSSION G´EN´ERALE
Dans cette th`ese, nous avons propos´e une nouvelle approche pour r´esoudre le probl`eme de positionnement des trous de forage dans les mines. La nouvelle approche utilise des mod`eles d’optimisation bas´es sur le probl`eme de recouvrement d’ensembles. Pour r´esoudre les mod`eles propos´es, nous avons d´evelopp´e des algorithmes m´etaheuristiques hybrides. La raison pour laquelle nous avons choisi de d´evelopper des algorithmes m´etaheuristiques au lieu d’utiliser un solveur de programmation math´ematique comme CPLEX est la grande taille des probl`emes. Tel que discut´e au chapitre 4, sans modifications majeures, CPLEX ne permet pas de r´esoudre les probl`emes de grande taille dans un temps raisonnable.
Dans la revue de litt´erature, nous avons identifi´e plusieurs limitations majeures des m´e- thodes existantes utilis´ees pour r´esoudre le probl`eme PTF. Parmi ces limitations :
1. Le probl`eme est fr´equemment trait´e en 2D au lieu de 3D.
2. Les algorithmes d’optimisation propos´es sont peu efficaces et ne trouvent g´en´eralement pas la solution optimale du probl`eme pos´e.
3. Les coˆuts de positionnement de la foreuse ne sont pas pris en compte. 4. La contrainte de budget n’est pas prise en compte.
5. Dans le cas 3D, les hypoth`eses sugg´er´ees ne sont pas tout `a fait r´ealistes et compro- mettent l’optimalit´e des solutions. Parmi les hypoth`eses rencontr´ees :
— Le nombre de trous est connu `a l’avance. — La longueur des trous est suppos´ee constante. — Les trous sont suppos´es parall`eles.
— L’azimut des trous est connu `a l’avance.
En utilisant une approche bas´ee sur le recouvrement d’ensembles, la g´eom´etrie des trous est d´efinie `a l’avance dans l’´etape de g´en´eration de l’univers des sous-ensembles. L’approche de g´en´eration de l’univers des trous discut´ee `a la section 3.1 permet de g´en´erer tous les trous possibles dans l’espace 3D selon la pr´ecision de la foreuse. Par la suite, l’algorithme d’optimisation est utilis´e pour trouver une solution optimale ou quasi optimale. Par rapport aux limitations des approches existantes discut´ees ci-dessus, notre approche offre les avantages suivants :
1. Le probl`eme est trait´e en 3D grˆace au fait que l’ensemble de tous les trous possibles est g´en´er´e en 3D. Par cons´equent, toutes les directions des trous (selon la pr´ecision de la foreuse) sont prises en consid´eration. De plus, la longueur des trous est optimis´ee parce que le g´en´erateur des trous cr´ee des trous de diff´erentes longueurs pour une direction donn´ee.
2. Le nombre de trous n’est pas connu `a l’avance et est choisi par l’algorithme d’optimi- sation.
3. Les coˆuts de repositionnement de la foreuse sont pris en compte dans nos mod`eles PMSCP et BPMSCP.
4. La contrainte de budget est prise en compte dans notre mod`ele BPMSCP.
5. Nous avons montr´e dans les chapitres 4 et 6 que les algorithmes d’optimisation propos´es sont tr`es efficaces.
`
A la section 8.2, nous avons discut´e plusieurs sc´enarios d’utilisation de notre approche permettant de r´epondre `a plusieurs besoins qui peuvent intervenir durant la planification des trous de forage. Nous avons montr´e que notre approche peut ˆetre ais´ement adapt´ee `a plusieurs situations sans modifier le mod`ele ou l’algorithme d’optimisation. L’adaptation est r´ealis´ee en ajustant les gains assign´es aux blocs et les trous inclus dans l’univers des trous, qui repr´esentent des param`etres du probl`eme. Notons que les composantes de g´en´eration de l’univers des trous et de l’assignation des gains aux blocs sont ind´ependantes l’une de l’autre et du mod`ele d’optimisation et peuvent ˆetre abord´ees d’une fa¸con ind´ependante. Bien que ces composantes aient ´et´e abord´ees dans cette th`ese, elles peuvent ˆetre trait´ees d’une fa¸con plus avanc´ee dans une th`ese en g´eostatistique. Par exemple, le g´en´erateur des trous pourrait ˆetre am´elior´e en y ajoutant la capacit´e de pr´evoir la trajectoire des trous et de g´en´erer des trous courbes. Par contre, il n’est actuellement pas possible de pr´evoir la trajectoire des trous de forage d’une fa¸con pr´ecise.
En plus des tests r´ealis´es sur les algorithmes aux chapitres 4 et 6, quatre cas tests r´eels ont ´
et´e utilis´es pour comparer notre approche aux approches qui sont pr´esentement utilis´ees dans l’industrie mini`ere (voir chapitre 9). Par rapport `a ces approches, notre approche a permis de :
— r´eduire les coˆuts de forage de 35.4% dans le premier cas test,
— am´eliorer la couverture des blocs de 27.4% dans le deuxi`eme cas test, — r´eduire les coˆuts de forage de 25% dans le troisi`eme cas test et,
— am´eliorer la couverture des blocs de 36% en utilisant 33% moins de forage et 34% moins de points de collet dans le quatri`eme cas test.
Les r´esultats obtenus montrent que les mod`eles propos´es sont tr`es convenables pour mod´eliser le probl`eme PTF et que les algorithmes d’optimisation d´evelopp´es sont tr`es efficaces pour r´esoudre ces mod`eles. Par cons´equent, l’approche propos´ee dans cette th`ese est tr`es efficace pour r´esoudre le probl`eme PTF dans l’exploration mini`ere.
Outre les contributions apport´ees `a l’exploration mini`ere, nous avons r´ealis´e des contri- butions importantes au SCP et au PSCP. Au chapitre 4, nous avons propos´e une nouvelle variante du recouvrement partiel et un algorithme m´etaheuristique tr`es efficace pour r´e- soudre cette variante. Nous avons aussi montr´e que l’utilisation d’un deuxi`eme op´erateur de perturbation et d’un op´erateur de recherche taboue dans la recherche locale it´er´ee permet d’am´eliorer significativement la performance de cette m´etaheuristique. Au chapitre 5, nous avons propos´e une nouvelle formulation du SCP. Cette formulation facilite consid´erablement la r´esolution du SCP avec des algorithmes m´etaheuristiques en ´eliminant les difficult´es li´ees `
a la faisabilit´e des solutions et `a la redondance des sous-ensembles. Finalement, au chapitre 6, nous avons d´evelopp´e un algorithme m´etaheuristique tr`es efficace pour r´esoudre le SCP dont les performances sont meilleures que la majorit´e des algorithmes m´etaheuristiques exis- tants. Cet algorithme a permis d’am´eliorer les meilleures solutions connues pour plusieurs probl`emes populaires dans la litt´erature.
Bien que l’hypoth`ese de couverture binaire que nous avons pos´ee `a la Section 1.6 a ´et´e justifi´ee, il est possible de mieux exploiter l’aspect g´eom´etrique du probl`eme PTF. En fait, dans nos mod`eles, nous avons consid´er´e qu’un bloc est couvert par un trou si et seulement si ce bloc se trouve `a une distance r ≤ Rmaxde ce trou (o`u Rmaxest un param`etre). En pratique,
si un bloc est entour´e par deux (ou plus) trous qui se trouvent `a une distance l´eg`erement sup´erieure `a Rmax de ce bloc, ce dernier peut-ˆetre consid´er´e couvert. De plus, un bloc est
mieux couvert par des trous qui se trouvent proche de cˆot´es oppos´es (g´eom´etriquement) de ce bloc que par des trous qui se trouvent du mˆeme cˆot´e de ce bloc. Cet aspect g´eom´etrique du probl`eme PTF sera ´etudi´e plus en d´etails dans nos travaux futurs.