Grant: Engage Plus Grants Program
École Polytechnique de Montréal
$12,500.00
Extensions de la stratégie multipoints/apprentissage machine de modélisation des ressources à d'autres contextes géologiques
FY 2018-19
Summary
La compagnie canadienne IAMGOLD exploite des mines d'or en fosse. Dans les gisements d'or, la continuité*spatiale des teneurs est typiquement très faible ce qui complique énormément la prédiction des ressources et*nuit à une bonne planification à moyen terme des opérations. Une façon d'améliorer l'estimation des ressources*est d'injecter plus de géologie dans les modèles. Une méthode combinant simulation multipoints et*apprentissage machine a été appliquée avec succès lors d'une première subvention d'engagement partenarial.*Toutefois, le gisement considéré était relativement simple géologiquement. L'objectif de ce projet est double.*D'une part, on veut améliorer la méthode utilisée pour la rendre plus générale et, en particulier pour réduire le*niveau de supervision requis dans la partie apprentissage machine. D'autre part, on souhaite tester l'approche*modifiée sur une série de gisements différents complexes afin de valider la méthode. La méthodologie*proposée se base sur la méthode de simulation multipoints combinée à des*méthodes d'apprentissage machine. La méthode multipoints permet de reproduire par simulation des textures et*structures identifiées sur une ou plusieurs images d'entraînement. Cette méthode est peu utilisée dans le*domaine minier en raison de l'unicité des gisements et la rareté des images d'entraînement fiables. Dans ce*projet, les images d'entraînement seront construites à l'aide du très grand nombre de forages de production*disponibles sur les niveaux déjà exploités des divers gisements de IAMGOLD. Diverses méthodes*d'apprentissage machine (classification) seront comparées sur ces mêmes niveaux en utilisant les forages*d'exploration et la texture multipoints et en comparant les prédictions à la codification des ressources effectuée*par IAMGOLD. La méthode proposée est transposable à toute exploitation en fosse où les données des*niveaux déjà exploités sont disponibles. Un bénéfice non-négligeable est l'obtention de scénarios divers*permettant de quantifier l'incertitude et d'identifier les zones nécessitant des forages additionnels. On anticipe*une bien meilleure modélisation des ressources à moyen terme, d'où bénéfices économiques.
Program
Engage Plus Grants Program
Recipient
Location
Quebec, Canada
Recipient Type
Academia
Type
Grant
Source
NSERC's Awards Data
As published
Application id
533487-2018
Name nom
Marcotte, Denis
Department département
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
2018
Competition year année de concours
2018
Award amount
12500
Program id
EGP2
Program name en
Engage Plus Grants Program
Program name fr
Programme de subvention d'engagement partenarial Plus
Group en
Research partnerships programs
Group fr
Programmes de partenariat
Committee code
1552
Committee name en
Quebec Internal Decision Committee
Committee name fr
Comité de décision interne pour le Québec
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
1401
Research subject group en
Mining and mineral processing
Research subject group fr
Génie minier et minéral
Research subject en
Mining engineering
Research subject fr
Génie minier
Partie
1
Nb partie
1
Application title
Extensions de la stratégie multipoints/apprentissage machine de modélisation des ressources à d'autres contextes géologiques
Keyword
NSERC
Application summary
La compagnie canadienne IAMGOLD exploite des mines d'or en fosse. Dans les gisements d'or, la continuité*spatiale des teneurs est typiquement très faible ce qui complique énormément la prédiction des ressources et*nuit à une bonne planification à moyen terme des opérations. Une façon d'améliorer l'estimation des ressources*est d'injecter plus de géologie dans les modèles. Une méthode combinant simulation multipoints et*apprentissage machine a été appliquée avec succès lors d'une première subvention d'engagement partenarial.*Toutefois, le gisement considéré était relativement simple géologiquement. L'objectif de ce projet est double.*D'une part, on veut améliorer la méthode utilisée pour la rendre plus générale et, en particulier pour réduire le*niveau de supervision requis dans la partie apprentissage machine. D'autre part, on souhaite tester l'approche*modifiée sur une série de gisements différents complexes afin de valider la méthode. La méthodologie*proposée se base sur la méthode de simulation multipoints combinée à des*méthodes d'apprentissage machine. La méthode multipoints permet de reproduire par simulation des textures et*structures identifiées sur une ou plusieurs images d'entraînement. Cette méthode est peu utilisée dans le*domaine minier en raison de l'unicité des gisements et la rareté des images d'entraînement fiables. Dans ce*projet, les images d'entraînement seront construites à l'aide du très grand nombre de forages de production*disponibles sur les niveaux déjà exploités des divers gisements de IAMGOLD. Diverses méthodes*d'apprentissage machine (classification) seront comparées sur ces mêmes niveaux en utilisant les forages*d'exploration et la texture multipoints et en comparant les prédictions à la codification des ressources effectuée*par IAMGOLD. La méthode proposée est transposable à toute exploitation en fosse où les données des*niveaux déjà exploités sont disponibles. Un bénéfice non-négligeable est l'obtention de scénarios divers*permettant de quantifier l'incertitude et d'identifier les zones nécessitant des forages additionnels. On anticipe*une bien meilleure modélisation des ressources à moyen terme, d'où bénéfices économiques.