Grant: Discovery Grants Program - Individual
École Polytechnique de Montréal
$36,000.00
Mise à jour en continu des ressources minérales et leurs incertitudes par apprentissage profond basé sur la géostatistique
FY 2022-23
Summary
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.
Program
Discovery Grants Program - Individual
Recipient
Location
Quebec, Canada
Recipient Type
Academia
Type
Grant
Source
NSERC's Awards Data
As published
Application id
RGPIN-2020-04508
Name nom
Marcotte, Denis
Department département
Génies Civil, géologique et des mines - Génies Civil, géologique et des mines
Organization id
64
Institution établissement
École Polytechnique de Montréal
Province en
Québec
Province fr
Québec
Country en
CANADA
Country fr
CANADA
Fiscal year exercice financier
2022
Competition year année de concours
2020
Award amount
36000
Program id
RGPIN
Program name en
Discovery Grants Program - Individual
Program name fr
Programme de subventions à la découverte - individuelles
Group en
DISCOVERY RESEARCH
Group fr
RECHERCHE AXÉE SUR LA DÉCOUVERTE
Committee code
1509
Committee name en
Civil, Industrial and Systems Engineering
Committee name fr
Génie civil, industriel et des systèmes
Area of application code
202
Area of application group en
Natural resources (economic aspects)
Area of application group fr
Ressources naturelles (aspects économiques)
Area of application en
Mineral resources ( prospecting, exploration, mining, extraction, processing)
Area of application fr
Ressources minérales (prospection, exploration, mines, extraction et préparation)
Research subject code
1400
Research subject group en
Mining and mineral processing
Research subject group fr
Génie minier et minéral
Research subject en
Mining and mineral processing
Research subject fr
Génie minier et minéral
Installment
inst:3
Partie
1
Nb partie
5
Application title
Mise à jour en continu des ressources minérales et leurs incertitudes par apprentissage profond basé sur la géostatistique
Application summary
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.