Skip to content
FR

Étude de cas : Exploitation minière - Pour atteindre la neutralité carbone d'ici 2050, il faut d'abord faire les bons choix technologiques

Sommaire

Notre client est une entreprise diversifiée de ressources naturelles qui se consacre à l'exploitation minière et au développement de minéraux, notamment l'acier, le charbon, le cuivre, le zinc et l'énergie. Dans le cadre de son engagement en faveur du développement durable, notre client s'est fixé pour objectif d'atteindre la neutralité carbone pour l'ensemble de ses opérations et activités d'ici à 2050. Dans le cadre de ce projet, la vision de notre client est d'atteindre et de dépasser ses objectifs de réduction de l'empreinte carbone grâce à la mise en œuvre d'un système de transport intelligent durable, composé d'une combinaison de camions électriques, de technologies de recharge, de rails et de systèmes de convoyage. Pour ce faire, notre client a choisi de sous-traiter l'optimisation d'un modèle de simulation AnyLogic existant afin d'exécuter autant de scénarios que nécessaire pour atteindre ses objectifs. Ce projet pilote a permis à notre client d'obtenir les résultats ambitieux souhaités et de les étendre à d'autres opérations.  

 

green-ideas

 

Le défi

Ce projet comportait les trois volets suivants  

1) Réduire le temps d'exécution du modèle Anylogic existant à haute fidélité à moins de 2 minutes en moyenne par année simulés sur une période de 30 ans;  

2) Intégrer avec succès le modèle Anylogic avec une composante d'apprentissage-machine (AI);  

3) L'optimisation de la combinaison de camions électriques, de technologies de recharge, de rails et de systèmes de transport qui apportera le meilleur retour sur investissement au cours des 30 prochaines années. Le modèle a pris en compte la transition des camions diesel aux camions électriques sur plusieurs années. Les coûts d'acquisition et de cycle de vie ont également été pris en compte. 

La Solution

Les fonctionnalités et variables suivantes ont été développées dans le cadre de cet effort de modélisation : 

  • Temps de transport des camions, nombre de camions, etc. 
  • Transition vers une nouvelle technologie électrique (camions électriques, stratégies de recharge)
  • Capacité, vitesse, nombre et emplacement des unités de chargement et de transport, etc.
  • Maintenance et temps d'arrêt 
Pour réduire le temps d'exécution du modèle existant, les scénarios consistaient à désactiver plusieurs logiques de fonctionnalité du modèle et à étudier l'impact résultant sur le temps d'exécution. Pour l'optimisation de la transition vers des camions électriques, les scénarios comprenaient l'exécution par le modèle de nombreuses combinaisons de différentes technologies (types de camions, nombre et stations de recharge), ce qui a permis d'optimiser nos principaux objectifs de performance, comme suit : 

  1. Réduction de la durée d'exécution du modèle existant: 2 minutes de temps moyen d'exécution du modèle sur une période de 30 ans. 
  2. Intégration de l'intelligence artificielle: Validation réussie de l'intégration d'AnyLogic dans le cerveau de l'IA. 
  3. Transition vers la technologie électrique: Optimisation du nombre et des types de camions électriques et de stations de recharge. 

Résultats

La consolidation globale des améliorations a conduit à une amélioration significative du temps d'exécution du modèle de 9 secondes par an en moyenne, ce qui représente une réduction notable par rapport aux 160 secondes initiales.   

Le modèle a également fourni au cerveau de l'IA, après chaque itération, les OpEx et CapEx, les émissions annuelles de GES et le coût de transport total pour l'année. Cela a permis au cerveau de comparer/analyser les scénarios conduisant à l'optimisation de la solution en termes de coûts. Les scénarios les plus prometteurs ont été retenus par le client puis exécutés dans le module apprentissage-machine (AI) pour l'optimisation de la sélection de la meileure technologie électrique.

Derniers articles publiés