Language selection

Recherche

Détection de gisements minéraux profonds à des fins d’extraction grâce à l’apprentissage profond

Les gisements minéraux sont, pour l’économie canadienne, la source de matériaux importants pour le commerce, incluant des minéraux critiques pour lesquels l’approvisionnement est bas ou peu fiable, mais la demande élevée. Avec le déclin mondial des grandes découvertes de gisements près de la surface, de nouvelles méthodes sont nécessaires pour détecter des gisements à grande profondeur dont l’exploitation serait rentable. Cette détection est toutefois difficile étant donné la taille plutôt réduite des gisements, le faible nombre de données disponibles sur la géologie des profondeurs et les limites des méthodes de détection géophysiques. L’apprentissage automatique peut contribuer à produire de meilleurs modèles de prédiction des types de roches et du lieu de gisements minéraux dont l’exploitation est rentable en vue de leur extraction, sans engager les dépenses des méthodes longues et coûteuses.

Objectifs du projet

On peut recourir à l’apprentissage automatique et aux algorithmes d’apprentissage profond pour aider à déterminer la probabilité de la présence de gisements de minéraux de valeur et de types de roches dans des camps miniers canadiens. Ce projet établira des modèles d’apprentissage profond qui créent des relations entre les données de la sismique en trois dimensions et les types de roches, au site de la mine Lalor au lac Snow (Manitoba) et utilisera ces modèles pour prédire les types de roches et les gisements minéraux dans des zones pour lesquelles on ne dispose que de données sismiques. Ce projet pilote déterminera les types de données et l’architecture optimale du réseau nécessaires pour appliquer avec succès cette méthode à d’autres lieux présentant un grand potentiel économique.

Résultats attendus

La création de nouveaux modèles éclairés par l’intelligence artificielle contribuera à rehausser la compétitivité et les avantages économiques de l’industrie minière canadienne. Plusieurs méthodes potentielles d’apprentissage automatique ou d’apprentissage profond seront mises au point. Ces modèles auront des capacités inédites de prédiction de la présence de gisements minéraux. De plus, ce projet apportera plusieurs avantages, notamment :

  • un flot de travail d’apprentissage automatique en source ouverte
  • des occasions d’intensifier et de reproduire les résultats de projets dans différents sites miniers du Canada
  • des possibilités accrues de collaboration intérieure et internationale pour l’exploitation minière

Sources de données

  • Les données disponibles pour la mine Lalor comprennent :
    • une base de données exhaustive des trous de forage avec les types de roches
    • un modèle géologique tridimensionnel détaillé construit à partir de données de forage
    • un ensemble de données de sismique dans les trois dimensions

Secteur


Collaborateurs et partenaires

  • Mila – L’institut pour l’intelligence artificielle du Québec

Personne-ressource

Gilles Bellefleur

Signaler un problème sur cette page
Veuillez sélectionner toutes les cases qui s'appliquent :

Merci de votre aide!

Vous ne recevrez pas de réponse. Pour toute demande, contactez-nous.

Date de modification :