Three-dimensional stochastic assimilation of gravity and dc resistivity data at the Lalor volcanogenic massive sulphide deposit, Manitoba, Canada.

Tirdad, Shiva (2019). Three-dimensional stochastic assimilation of gravity and dc resistivity data at the Lalor volcanogenic massive sulphide deposit, Manitoba, Canada. Thèse. Québec, Doctorat en sciences de la terre, Université du Québec, Institut national de la recherche scientifique, 128 p.

Prévisualisation

PDF Télécharger (51MB) | Prévisualisation

Résumé

Nous proposons un nouveau flux de travail numérique reposant sur l’intégration stochastique de données dans lequel nous combinons un modèle géologique conceptuel, les diagraphies géophysiques et les descriptions géologiques sur les carottes, ainsi que les données géophysiques de surface et de forage pour obtenir un modèle numérique unifié d’un gisement sulfure massif volcanogéne. La première étape du flux de travail consiste en l’élaboration d’un modèle conceptuel numérique 3D de la géologie par un géologue expert de la zone à l’étude. Ce modèle conceptuel ainsi que les diagraphies géologiques sont utilisés pour produire cent scénarios équiprobables de la géologie au moyen de la simulation multipoints (SMP). La méthode SMP est utilisée, car elle permet de tenir en compte les statistiques d’ordre supérieur dans l’espace du modèle numérique conceptuel, rendant ainsi possible la reconstitution de structures géologiques complexes. Nous utilisons ensuite la simulation séquentielle gaussienne conditionnelle classique, une méthode basée sur un processus séquentiel noeud-par-noeud pour peupler de manière stochastique la grille géologique par des valeurs de densité hétérogènes. À cette fin, nous utilisons des diagraphies de densité disponibles pour simuler différentes distributions spatiales équiprobables de la densité à haute résolution spatiale dans chaque unité géologique. Les modèles de densité stochastiques de haute résolution sont itérativement combinés par la méthode de déformation graduelle afin de minimiser la différence entre les données d’anomalie de Bouguer mesurées et les données obtenues des réalisations combinées de la densité. L’application de la méthode proposée au gisement de Lalor, un gisement de sulfures massifs volcanogènes au Manitoba (Canada), produit un modèle de densité qui reflète bien la géologie du gisement et les données d’anomalie de Bouguer. Les modèles optimisés de densité et les conductivités de forage sont ensuite transmis aux algorithmes séquentiels bayésiens afin de calculer des modèles 3D de conductivité pouvant expliquer les mesures de champ. Le modèle de conductivité passe par une autre étape d’optimisation de la déformation graduelle dans laquelle l’objectif est de minimiser la différence entre les potentiels électriques bruts et calculés. Le modèle pétrophysique unifié construit avec notre méthode est géologiquement réaliste et prend en compte la variabilité spatiale ainsi que l’incertitude inhérente à chaque méthode. Il présente l’avantage de l’intégration et le couplage de toutes les informations disponibles (diagraphies géologiques et géophysiques et les mesures géophysiques en surface et en forage) à des échelles convenant à des applications minières.

We propose a new numerical workflow based on stochastic data integration where we merge a conceptual geological model, the drillhole geophysical and geological logs as well as surface and borehole geophysical data to compute a unified numerical model of a volcanogenic massive sulphide (VMS) deposit. The first step of the workflow consists in building a 3D numerical conceptual model of the geology by a geologist. This conceptual model as well as geological logs are then used to generate multiple equiprobable scenarios of the geology by means of multiple-point simulation (MPS). The MPS method studies high-order statistics in the space of a numerical conceptual model making it possible to reproduce complex geological structures. We then use conventional conditional sequential Gaussian simulation, which is a method based on a node-by-node sequential process to stochastically populate the geological grid with densities. For this purpose we use available density logs to simulate multiple equiprobable spatial distributions of the density at high spatial resolution within each geological unit separately. The stochastic high-resolution density models are iteratively combined by the gradual deformation method in order to minimize the difference between measured Bouguer anomaly data and the data computed on the combined realizations of density. Application of the proposed method to the Lalor deposit, a VMS in Manitoba, Canada, produces a density model that honors the geology of the deposit and the Bouguer anomaly data. The optimized density models and borehole conductivity logs are then fed to Bayesian sequential algorithms to compute 3D conductivity models that can explain the field measurements. The conductivity model goes through another gradual deformation optimization step where the objective function is to minimize the difference between raw and computed electrical potentials. The unified petrophysical model built with our method is geologically meaningful and considers the spatial variability so as the uncertainty inherent to each method. It has the advantage to include all the available information (geological and geophysical logs and surface and borehole geophysics) at scales appropriate for mining applications.

Type de document:	Thèse Thèse
Directeur de mémoire/thèse:	Gloaguen, Erwan
Co-directeurs de mémoire/thèse:	Dupuis, Christian J.
Mots-clés libres:	inversion stochastique; assimilation de données; modélisation de données gravimétriques; simulation multipoints; simulation séquentielle bayésienne; modélisation de la résistivité en courant direct; méthode de la déformation graduelle; stochastic inversion; data assimilation; gravity data modeling; multiple-point simulation; bayesian sequential simulation; DC resistivity modeling; gradual deformation method
Centre:	Centre Eau Terre Environnement
Date de dépôt:	16 sept. 2020 14:49
Dernière modification:	09 nov. 2021 19:31
URI:	https://espace.inrs.ca/id/eprint/10366

Gestion Actions (Identification requise)

Modifier la notice