La sécurité dans les mines souterraines est l’une des principales préoccupations des entreprises d’exploitation minières. La surveillance des moindres changements ou déformations au niveau des tunnels et galeries miniers, notamment la convergence des tunnels (rétrécissement diamétral d’une section de tunnel), figure parmi les principales priorités de ces entreprises. Les techniques de surveillance de la convergence des tunnels miniers communément utilisées se basent essentiellement sur des mesures ponctuelles et limitées qui sont généralement longues et coûteuses. Les technologies LiDAR mobiles émergentes et prometteuses amènent des pistes de solutions qui permettent de gagner en efficacité et en sécurité. Cependant, la détection et la mesure précise de convergence des tunnels miniers au moyen de données LiDAR mobile demeurent problématiques en raison des enjeux suivants : la précision des nuages de points, l’irrégularité de la zone observée, la variabilité de la densité des scans et de leur prise de vue, la présence d’obstructions, la complexité de l’alignement parfait des nuages de points. La recherche visée dans ce mémoire de maîtrise s’inscrit dans le cadre du projet « MinEyes » et elle a pour objectif principal de détecter et de mesurer la convergence de tunnels miniers souterrains à partir de données LiDAR mobile. Pour ce faire, nous proposons une méthode multi-échelles de comparaison de nuages de points qui prend en considération les irrégularités de surface des tunnels miniers et qui permet une meilleure détection de leurs changements et une mesure plus précise de leur convergence. La méthode proposée se base sur une approche de comparaison modèle à modèle locale des nuages de points LiDAR mobile souterrain. Les résultats obtenus sont très prometteurs comparés à ceux d’autres méthodes de détection de changement dans les nuages de points LiDAR (ex. : méthodes C2C, C2M). Une analyse statistique des résultats a également permis de confirmer la robustesse de la méthode proposée surtout dans des zones rugueuses des tunnels miniers. / Security in underground mines is one of the main concerns of mining companies. Monitoring any changes or distortions in mining tunnels and galleries, including tunnel’s convergence, is one of the top priorities for those companies. Commonly used convergence monitoring techniques in underground tunnels are based on limited measurements that are usually very time-consuming and costly in terms of process. Emerging mobile LiDAR technologies offer alternative solutions that are far more efficient and lower in risk. However, the accurate measurements of convergence in mining tunnels using mobile LiDAR data remains challenging because of the following issues: limited precision of LiDAR point clouds, the roughness and irregularity of the studied surfaces in the tunnels, the irregularity of the scan density, the presence of occlusions and the complexities of reliable registration of point clouds. This research work is defined as a part of the ‘MinEyes project’ in collaboration with the company Pecktech which main objective is to detect and measure the convergence of underground mining tunnels from mobile LiDAR data. To do so, we propose a multi-scale point cloud comparison method that considers the surface irregularities of the mining tunnels and allows a better detection of their changes and a more precise measurement of their convergence. The proposed method is based on a local model-to-model comparison method of underground mobile LiDAR point clouds. The results obtained are very promising compared to other LiDAR point cloud comparison methods (e.g. C2C, C2M methods). A statistical analysis of the results also has confirmed the efficiency of the proposed method, especially in the rough areas of the mining tunnels.
| Identifer | oai:union.ndltd.org:LAVAL/oai:corpus.ulaval.ca:20.500.11794/34007 |
| Date | 13 March 2019 |
| Creators | Lamarfa, Houda |
| Contributors | Mostafavi, Mir Abolfazl, Larouche, Christian |
| Source Sets | Université Laval |
| Language | French |
| Detected Language | French |
| Type | mémoire de maîtrise, COAR1_1::Texte::Thèse::Mémoire de maîtrise |
| Format | 1 ressource en ligne (xiv, 110 pages), application/pdf |
| Rights | http://purl.org/coar/access_right/c_abf2 |
Page generated in 0.0023 seconds