Experimental measurement, mathematical description, and machine learning prediction of the mechanical properties of waste rocks for mine haul roads

RÉSUMÉ: Les opérations minières peuvent générer de grandes quantités de roches stériles, lesquelles sont souvent entreposées en surface, dans des haldes généralement construites à proximité des sites de production. Cependant, la gestion et la restauration des haldes à stériles peuvent s'avérer complexes en raison notamment de leur grande taille et des risques d'instabilités géochimiques et géotechniques. La valorisation des stériles pour la construction de routes minières peut donc être une alternative intéressante au stockage en surface, tant sur le plan économique qu'environnemental. Le réseau routier sur un site minier est en effet un élément critique et vital du processus de production, et il a un impact direct et significatif sur la productivité et les coûts. Les propriétés mécaniques des stériles sont des paramètres essentiels pour améliorer la conception des routes de transport de la mine, mais les résultats et informations sur les propriétés mécaniques des roches stériles de mines en roches dures sont relativement limitées. De plus, les outils de conception et les méthodes de mesure ont généralement été développés pour des applications civiles, et leur applicabilité aux routes minières (qui sont souvent soumises à une charge de trafic significativement différente de celle des autoroutes) reste incertaine. L'objectif principal de ce projet était donc d'évaluer les propriétés mécaniques des roches stériles soumises au chargement des camions miniers afin d'améliorer la conception des routes minières. L'applicabilité des normes et des méthodes expérimentales au laboratoire ainsi que des modèles mathématiques aux stériles a été évaluée. L'effet des propriétés de base et des facteurs climatiques sur les propriétés mécaniques des stériles a été quantifié. Des modèles d'apprentissage automatique ont été développés au moyen de différents algorithmes afin de prédire les propriétés mécaniques des stériles. Un grand nombre d'essai CBR et triaxiaux, de différentes dimensions et sous différents types de contraintes, ont été réalisés dans cette étude. Les niveaux de contrainte proposés dans les normes existantes (p.ex. AASHTO T307 et EN 13286) était significativement plus faibles que les contraintes attendues sur les sites miniers puisque ces normes ont été développées pour le design des autoroutes. Des conditions expérimentales différentes et des chemins de contraintes plus élevés ont donc été proposés et appliqués dans cette étude afin de représenter les conditions typiques causées par des camions miniers extra-lourds. Les essais CBR dynamiques ont été proposés comme une alternative efficace aux essais triaxiaux dynamiques afin d'estimer le comportement de déformation résiliente et permanente des stériles. Les résultats ont montré que l'impact de la fréquence de chargement et de la forme d'onde dans les essais CBR dynamique était limité, tandis que le module équivalent mesuré augmentait de manière significative avec la contrainte. L'équation et le modèle développés pour les essais CBR dynamiques se sont avérés fiables pour décrire la rigidité et la déformation permanente des stériles. Le rapport optimal gravier/sable des stériles broyés se situait entre 1 et 1,5 et a contribué à obtenir un module de résilience et une résistance au cisaillement plus élevés, ainsi qu'une déformation permanente plus faible. Une augmentation de la teneur en fines a, au contraire, entraîné la diminution du module d'élasticité et de la déformation permanente mais aussi une augmentation significative de la résistance au cisaillement. Le rapport gravier/sable optimal des stériles non broyés avec une taille de particule maximale de 60 mm était d'environ 5 et le taux de déformation permanente a augmenté de manière significative lorsque la taille maximale des particules a été réduite à 25 mm. Une augmentation de l'énergie de compactage a entraîné une diminution significative de la déformation permanente des stériles ; les stériles d'une granulométrie maximale de 60 mm, d'un rapport gravier/sable de 5 et d'une teneur en fines de 5 % ont montré une résistance au cisaillement plus élevée. Les cycles de gel-dégel ont entraîné une réduction du module d'élasticité et de la résistance au cisaillement, et une augmentation de la déformation permanente. Une plus grande teneur en eau pendant les cycles de gel-dégel a également entraîné une augmentation significative de la déformation permanente. Les résultats ont également montré que les cycles mouillage-séchage pouvaient contribuer à augmenter la rigidité, le CBR et la déformation permanente des stériles broyés. Le modèle MR-θ et le modèle MEPDG sont apparus fiables pour décrire le comportement du module de résilience des stériles sous différentes conditions de contraintes. Le modèle de Rahman et Erlingsson (étendu à l'aide d'une approche d'écrouissage) était bien adapté pour décrire l'accumulation de déformation permanente avec le nombre de cycles de chargement causés par la succession de nombreux chemins de contraintes. Des modèles de prédiction des coefficients k1, k2, a et b, exprimés en fonction des propriétés physiques de base et des facteurs climatiques, ont également été proposés afin de prédire le module de résilience et la déformation permanente des stériles. Les modèles proposés pourraient être utilisés pour prédire les propriétés mécaniques des stériles sur le terrain, mais devraient être améliorés en utilisant davantage de résultats d'essais et ainsi étendre leur capacité de généralisation. Différents algorithmes d'apprentissage automatique, y compris la régression linéaire multiple (MLR), la machine à vecteurs de support (SVM), les k plus proches voisins (KNN), l'arbre de décision (DT), la forêt aléatoire (RF), le réseau de neurones à rétropropagation (BPNN) et la neuroévolution des topologies d'augmentation (NEAT) ont été utilisées pour développer des modèles de prédiction du CBR, du module de résilience et de la déformation permanente des stériles broyés à partir des propriétés de base des matériaux. Huit propriétés (densité sèche, énergie de compactage, teneur en fines, taille maximale des particules, CC, CU, D10 et D60) ont été sélectionnées comme variables d'entrée pour les modèles CBR, et le nombre de cycles de chargement, la pression de confinement et la contrainte de déviation ont été ajoutés comme variables d'entrée supplémentaires pour les modèles de module de résilience et de déformation permanente. L'architecture optimale des modèles d'apprentissage automatique a été déterminée par l'étude des hyperparamètres. Une étude comparative a montré que les modèles DT, RF et BPNN permettaient d'obtenir de meilleurs résultats pour le CBR, le module de résilience et la déformation permanente, respectivement. Les résultats présentés dans cette thèse devraient contribuer à donner aux exploitants miniers des indications générales pour sélectionner et préparer les stériles à utiliser dans la construction de routes minières. Les recommandations proposées pourraient améliorer les performances à court et à long terme des routes minières et réduire les besoins d'entretien, et ainsi diminuer la consommation de carburant, améliorer la durée de vie des composants des véhicules (en particulier les pneus), augmenter la productivité et réduire les coûts d'exploitation. ABSTRACT: Mining operations can generate large amounts of waste rocks, which are often stored on the surface, in piles, close to production sites. However, the management and reclamation of waste rock piles can be challenging because of their large size and the risks for geochemical and geotechnical instabilities. The valorization of waste rocks for the construction of mine haul roads is an attractive alternative to surface disposal, both economically and environmentally. The mine haul road network is, indeed, a critical and vital component of the production process, which directly and significantly impacts mine productivity and costs. Waste rock mechanical properties are critical parameters to improve mine haul roads design, but the relevant research on the mechanical properties of waste rocks from hard rock mine are relatively limited. Also, design tools and measurement methods were usually developed for civil applications, and their applicability to mine haul roads (which are subjected to significantly different traffic loading compared to highways) remains uncertain. The main objective of this project was therefore to evaluate the mechanical properties of waste rocks under mining truck loading to improve the design of mine haul roads. The applicability of laboratory test standards and methods, and of mathematical regression models to waste rocks was assessed. The effect of basic properties and climatic factors on the mechanical properties was quantified. Machine learning models for predicting the mechanical properties of waste rocks were also developed using different algorithms. A large number of CBR and triaxial tests, of various dimensions and with different load types, were carried out in this study. The stress levels proposed in the existing laboratory tests standards (e.g., AASHTO T307 and EN 13286) were significantly lower than the stress state within mine haul roads since these standards were initially developed for the highway design. High stress levels were therefore proposed and applied in this study to represent the typical stress conditions caused by extra heavy mining trucks. Repeated load CBR tests appeared to be an effective alternative to repeated load triaxial tests to estimate resilient and permanent deformation behavior of waste rocks. Results showed that the impact of loading frequency and waveform in repeated load CBR tests was limited, while the measured equivalent modulus increased significantly with contact stress. The developed equation and model for repeated load CBR tests were reliable to describe the stiffness and permanent deformation of waste rocks, respectively. The optimum gravel-to-sand ratio of crushed waste rocks was between 1 and 1.5 and contributed to provide higher resilient modulus and shear strength, and lower permanent strain. An increase in fines content could, to the contrary, result in the decrease of resilient modulus and permanent strain but also to significant increase of shear strength. The optimum gravel-to-sand ratio of uncrushed waste rocks with 60 mm of maximum particle size was around 5 and the permanent strain rate increased significantly when the maximum particle size was decreased to 25 mm. An increasing of compaction effort resulted in a significant decrease in permanent strain of waste rocks; waste rocks with 60 mm of maximum particle size, a gravel-to-sand ratio of 5, and 5% of fines showed higher shear strength. Freeze-thaw cycles resulted in a reduction of the resilient modulus and shear strength, and an increase of the permanent deformation. A greater water content during freeze-thaw cycles also resulted in a significant increase of the permanent deformation. Results also showed that wetting-drying cycles could contribute to increase the stiffness, CBR, and permanent deformation of crushed waste rocks. MR-θ model and MEPDG model appeared reliable to describe the resilient modulus behavior of waste rocks under different stress conditions. Rahman and Erlingsson model (extended using time hardening approach) was well adapted to fit the accumulation of permanent strain with number of loading cycles caused by numerous stress paths. Coefficient prediction models (k1, k2, a, and b), expressed as a function of basic physical properties and climatic factors, were also developed to predict the resilient modulus and permanent strain of waste rocks. The proposed models could be used to predict the mechanical properties of waste rocks in the field, but would need to be improved using more test results to extend their generalization capacity. Different machine learning algorithms, including multiple linear regression (MLR), support vector machine (SVM), k-nearest neighbors (KNN), decision tree (DT), random forest (RF), backpropagation neural network (BPNN), and neuroevolution of augmenting topologies (NEAT), were therefore used to develop prediction models for CBR, resilient modulus, and permanent deformation of crushed waste rocks based on experimental data. Eight properties (dry density, compaction energy, fines content, maximum particle size, CC, CU, D10, and D60) were selected as input variables for CBR models, and number of loading cycles, confining pressure, and deviator stress were chosen as the input variables for the resilient modulus and permanent deformation models. The optimum architecture of machine learning models was determined through hyperparameters study. A comparison study showed that the DT, RF, and BPNN models provided better results for CBR, resilient modulus, and permanent deformation, respectively. The results presented in this thesis should contribute to give mine operators general indications to select and prepare waste rocks to be used in haul road construction. The proposed recommendations could improve the short and long-term performance of haul roads and reduce the need for maintenance, and therefore decrease fuel consumption, improve vehicle component lifetime (especially tires), increase productivity and reduce operation costs