Mise à jour en continu des ressources minérales et leurs incertitudes par apprentissage profond basé sur la géostatistique

点击翻译按钮获取中文摘要

Deux constats implacables se dégagent à la lecture des rapports statutaires des ressources minérales (NI43-101). Malgré le resserrement des bonnes pratiques survenu dans la foulée du scandale BRE-X, les estimations des ressources pour les différentes catégories (mesurées, indiquées, présumées) ne montrent toujours pas d'intervalles de confiance. Ce fait est surprenant compte tenu qu'un gisement exige des milliards d'investissement et qu'une simple sonde de température valant à peine dix dollars possède cette information! Un second constat est qu'une bonne part de subjectivité persiste à toutes les étapes d'estimation : découpage en sous-domaines considérés statistiquement homogènes, ajustement de modèles de variogrammes dans chaque sous-domaine à des variogrammes expérimentaux souvent très erratiques, identification des catégories de ressources et choix de la méthode d'estimation des teneurs de blocs. L'idée maîtresse de ce programme de recherche est d'utiliser les outils géostatistiques en amont de ce qui se fait présentement et en environnement parfaitement contrôlé. Plutôt que de chercher à modéliser directement le gisement par les outils géostatistiques, on utilisera ces mêmes outils pour produire par simulation un très grand nombre de gisements synthétiques (plusieurs milliers), chacun ayant ses propres caractéristiques géostatistiques (histogramme et variogramme) et des données en densité et localisation variables. Pour chaque gisement synthétique on calculera les courbes tonnages, fonction de la teneur de coupure. Pour un même jeu de données on produira plusieurs gisements (n) par simulation conditionnelle, associant ainsi à chaque jeu de données n courbes tonnages différentes qui serviront à construire des intervalles de confiance sur le tonnage. L'apprentissage des règles implicites liant données et caractéristiques, en entrée, aux courbes tonnages, en sortie, sera réalisé par apprentissage profond. Une fois l'apprentissage effectué, la prédiction des ressources et leurs intervalles de confiance, dans tout sous-domaine souhaité, est immédiate et directe. Il suffit de calculer les caractéristiques sur les données réelles incluses dans ce sous-domaine et procéder à la prédiction. Nul découpage préalable, nulle modélisation géostatistique des variogrammes, ou estimation des teneurs de blocs n'est requis. On passe directement des données aux courbes tonnage avec intervalles de confiance sur les ressources à la clé. Ces intervalles serviront à définir objectivement les catégories de ressource. Les résultats de ces travaux sont susceptibles de modifier profondément la façon dont les estimations de ressources sont effectuées et d'accroître l'objectivité et la fiabilité des estimations de ressources et de leurs incertitudes menant ainsi à des décisions plus éclairées d'investissement minier. La position de leader du Canada dans le domaine de l'investissement minier (30% de niveau mondial de financement) s'en retrouvera d'autant renforcée.