Rejoignez nos 155 000 followers (pour IMP)

constructionequipmentmag.fr

Sandvik automatise l’analyse des boulons d’ancrage souterrains grâce à l’IA et au LiDAR

La nouvelle plateforme cloud traite les données LiDAR par apprentissage automatique afin d’identifier les boulons installés, de mesurer leur géométrie critique et de simplifier le contrôle qualité du soutènement pour les ingénieurs.

  www.home.sandvik
Sandvik automatise l’analyse des boulons d’ancrage souterrains grâce à l’IA et au LiDAR

La stabilité géotechnique dans les mines souterraines et les tunnels de génie civil repose fondamentalement sur l’intégrité des systèmes de soutènement installés. Les éléments de renforcement du massif rocheux, tels que les boulons à friction, les boulons à ancrage mécanique et les tirants scellés, stabilisent la roche en maintenant les strates instables et en limitant la convergence autour des excavations. Les ingénieurs géotechniciens sont confrontés à d’importantes difficultés opérationnelles lorsqu’ils évaluent les renforcements installés : l’inspection physique sous un terrain non soutenu ou fraîchement abattu expose le personnel à des risques, tandis que la mesure manuelle des maillages de boulonnage sur de vastes réseaux de galeries entraîne des écarts de mesure, une documentation lente et des coûts opérationnels élevés.

Automatisation du contrôle qualité du soutènement
Sandvik a lancé xCell Vision, une plateforme logicielle cloud conçue pour automatiser l’identification et la vérification des boulons d’ancrage dans les processus d’assurance et de contrôle qualité (QA/QC). Fonctionnant comme une extension de la Digital Ground Support Platform de Sandvik, le système convertit les mesures spatiales brutes en indicateurs géotechniques d’installation validés. En remplaçant les audits manuels subjectifs par des évaluations systématiques fondées sur des algorithmes, les équipes d’ingénierie peuvent repérer les installations non conformes et concentrer les inspections physiques uniquement là où apparaissent des schémas de renforcement anormaux.

Acquisition et traitement des nuages de points LiDAR
L’architecture du logiciel traite des nuages de points 3D acquis à partir de plusieurs configurations de relevé souterrain, mobiles ou fixes. La chaîne d’acquisition prend en charge les nuages de points issus de scanners portatifs de cartographie mobile utilisés lors des visites géologiques de routine, de scanners laser stationnaires montés sur trépied pour les relevés géotechniques haute densité, ainsi que de systèmes de numérisation embarqués directement sur les foreuses de production, les boulonneuses ou les véhicules de service.

Une fois les nuages de points chargés dans l’environnement cloud, des modèles de classification par apprentissage automatique isolent chaque élément de renforcement des surfaces rocheuses rugueuses, projetées en béton ou fracturées. Le modèle détecte les différents types de boulons, élimine les irrégularités de surface en arrière-plan et calcule les orientations vectorielles sur l’ensemble du profil d’excavation numérisé.

Extraction automatisée des paramètres géotechniques
La documentation manuelle de la qualité du renforcement nécessite l’enregistrement de variables géométriques sur des milliers de points d’installation. La plateforme automatise l’extraction et l’évaluation quantitative de quatre paramètres géométriques principaux. Le nombre total de boulons est comparé aux densités exigées par la conception sur des intervalles d’excavation prédéfinis. L’espacement des boulons correspond à la distance entre têtes de boulons adjacentes, afin de vérifier le respect des maillages de boulonnage et des espacements entre anneaux approuvés. L’orientation des boulons mesure l’angle d’insertion 3D et la trajectoire vectorielle par rapport au profil d’excavation et aux familles de discontinuités attendues. La longueur de queue apparente quantifie la longueur d’acier dépassant de la tête et de la plaque, afin de vérifier la profondeur d’ancrage et le contact de la plaque.

Les paramètres extraits alimentent un modèle numérique 3D interactif de l’infrastructure souterraine numérisée. Dans cette visionneuse spatiale, les ingénieurs géotechniciens peuvent comparer les installations réelles aux normes de soutènement prévues, isoler visuellement les densités de boulonnage insuffisantes et exporter les données d’analyse directement vers les registres de planification minière et de contrôle des terrains.

Amélioration de la sécurité et de la planification
La suppression des mesures manuelles au mètre ruban et du comptage physique des têtes de boulons sous les fronts actifs réduit l’exposition du personnel de relevé aux terrains non soutenus, aux interactions avec les véhicules et aux particules en suspension. Du point de vue des processus d’ingénierie, le traitement spatial automatisé permet de réorienter les ressources géotechniques de la collecte répétitive de données vers l’évaluation des risques et la remise en état des renforcements.

Les données spatiales recueillies constituent une référence historique pour la stabilité à long terme des excavations. Lorsque les services géotechniques intègrent les installations de boulons vérifiées dans des processus numériques de soutènement plus larges, les anomalies structurelles ou les tendances de déformation du terrain peuvent être corrélées à la qualité initiale de l’installation.

Contexte supplémentaire :
Cette section présente des spécifications techniques et une analyse concurrentielle qui ne figurent pas dans l’annonce initiale du produit.

L’assurance qualité numérique du renforcement des roches constitue une discipline en plein essor au sein des exploitations minières numériques. Dans les processus souterrains conventionnels, les audits QA/QC suivent des lignes directrices sectorielles, comme celles définies par les associations internationales de mécanique des roches (par exemple l’ISRM) et les inspections nationales de sécurité minière, qui imposent une vérification régulière de la conformité des installations de soutènement aux plans de gestion du soutènement approuvés (GSMP). Historiquement, ces audits reposaient sur des listes de contrôle papier, des essais d’arrachement mécaniques sur un très faible pourcentage de boulons et des relevés manuels au mètre ruban et à l’inclinomètre.

Les outils d’analyse automatisée évoluent parallèlement aux technologies LiDAR terrestres et mobiles modernes. Parmi les approches comparables dans le secteur de l’inspection géotechnique et des tunnels figurent des logiciels spécialisés de traitement de nuages de points proposés par des éditeurs tels que Deswik, Maptek et Bentley Systems, ainsi que des solutions d’analyse associées à des systèmes de numérisation mobile comme Emesent Hovermap. Alors que les suites logicielles minières généralistes exigent souvent une classification manuelle des nuages de points ou des scripts CAO spécifiques pour extraire les vecteurs de chaque boulon, les modèles d’apprentissage automatique dédiés visent une segmentation automatisée quasi instantanée de petits éléments matériels, directement dans des environnements souterrains bruités.

Les scanners LiDAR terrestres standard atteignent généralement une précision de mesure de distance de 2 à 6 millimètres, tandis que les unités mobiles basées sur le SLAM (Simultaneous Localization and Mapping) capturent des nuages de points avec une précision comprise entre 10 et 30 millimètres selon la dérive de trajectoire et la vitesse de balayage. Les logiciels d’identification automatique des boulons doivent tenir compte de ces écarts de résolution et reconnaître des plaques et des extrémités filetées dont la dimension totale est souvent inférieure à 100 millimètres sur des surfaces de béton projeté irrégulières. À mesure que les engins mobiles souterrains intègrent des capteurs LiDAR en temps réel, les plateformes d’analyse automatisée passent d’évaluations a posteriori sur poste de travail à une vérification automatisée en boucle fermée, directement après le cycle de boulonnage.

Édité par Natania Lyngdoh, rédactrice Induportals, avec l’assistance de l’IA.

www.sandvik.com

  Demander plus d’information…

LinkedIn
Pinterest

Rejoignez nos 155 000 followers (pour IMP)