Grant: Engage Grants Program
École Polytechnique de Montréal
$25,000.00
Une nouvelle approche combinant simulations multipoints et apprentissage machine en vue d'une meilleure définition des ressources pour les mines exploitées en fosse
FY 2017-18
Summary
La compagnie canadienne IAMGOLD exploite des mines d'or en fosse. Dans les gisements d'or, la continuitéspatiale des teneurs est typiquement très faible ce qui complique énormément la prédiction des ressources etnuit à une bonne planification à moyen terme des opérations. Une façon d'améliorer l'estimation des ressourcesest d'injecter plus de géologie dans les modèles. En effet, les géologues de ressources connaissent les contrôlesgéologiques tel un lien direct de la minéralisation d'or avec des veines de quartz liées à des fractures. Lesméthodes actuelles d'estimation des ressources négligent cette information cruciale. L'objectif de ce projet estdonc de développer une nouvelle méthodologie pour incorporer pleinement cette information géologique.La méthodologie proposée se base sur la méthode de simulation multipoints par morceaux combinée à desméthodes d'apprentissage machine. La méthode multipoints permet de reproduire par simulation des textures etstructures identifiées sur une ou plusieurs images d'entraînement. Ces simulations sont compatibles avec lesdonnées observées et respectent des tendances spatiales identifiées à priori. Cette méthode est très peu utiliséedans le domaine minier en raison de l'unicité des gisements et la rareté des images d'entraînement fiables. Dansce projet, les images d'entraînement seront construites à l'aide du très grand nombre de forages de productiondisponibles sur les niveaux déjà exploités de la mine Rosebel. Les teneurs en or seront codées en catégories.Les données conditionnantes seront les données de forage au diamant et à circulation inversée disponibles surles niveaux futurs. Les tendances sur les niveaux futurs d'exploitation seront estimées par apprentissagemachine identifiant la relation entre niveaux successifs.La méthode proposée est transposable à toute exploitation en fosse où les données des niveaux déjà exploitéssont disponibles. Un bénéfice non-négligeable est l'obtention de scénarios compatibles avec les informationsdisponibles 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 Grants Program
Recipient
Location
Quebec, Canada
Recipient Type
Academia
Type
Grant
Source
NSERC's Awards Data
As published
Application id
515870-2017
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
2017
Competition year année de concours
2017
Award amount
25000
Program id
EGP
Program name en
Engage Grants Program
Program name fr
Programme de subventions d'engagement partenariat
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
Une nouvelle approche combinant simulations multipoints et apprentissage machine en vue d'une meilleure définition des ressources pour les mines exploitées en fosse
Keyword
NSERC
Application summary
La compagnie canadienne IAMGOLD exploite des mines d'or en fosse. Dans les gisements d'or, la continuitéspatiale des teneurs est typiquement très faible ce qui complique énormément la prédiction des ressources etnuit à une bonne planification à moyen terme des opérations. Une façon d'améliorer l'estimation des ressourcesest d'injecter plus de géologie dans les modèles. En effet, les géologues de ressources connaissent les contrôlesgéologiques tel un lien direct de la minéralisation d'or avec des veines de quartz liées à des fractures. Lesméthodes actuelles d'estimation des ressources négligent cette information cruciale. L'objectif de ce projet estdonc de développer une nouvelle méthodologie pour incorporer pleinement cette information géologique.La méthodologie proposée se base sur la méthode de simulation multipoints par morceaux combinée à desméthodes d'apprentissage machine. La méthode multipoints permet de reproduire par simulation des textures etstructures identifiées sur une ou plusieurs images d'entraînement. Ces simulations sont compatibles avec lesdonnées observées et respectent des tendances spatiales identifiées à priori. Cette méthode est très peu utiliséedans le domaine minier en raison de l'unicité des gisements et la rareté des images d'entraînement fiables. Dansce projet, les images d'entraînement seront construites à l'aide du très grand nombre de forages de productiondisponibles sur les niveaux déjà exploités de la mine Rosebel. Les teneurs en or seront codées en catégories.Les données conditionnantes seront les données de forage au diamant et à circulation inversée disponibles surles niveaux futurs. Les tendances sur les niveaux futurs d'exploitation seront estimées par apprentissagemachine identifiant la relation entre niveaux successifs.La méthode proposée est transposable à toute exploitation en fosse où les données des niveaux déjà exploitéssont disponibles. Un bénéfice non-négligeable est l'obtention de scénarios compatibles avec les informationsdisponibles 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.