Apprentissage automatique de données multiparamétriques au gisement de sulfures massifs volcanogènes Bracemac-Mcleod, district minier de Matagami, Québec

Schnitzler, Nathalie (2017). Apprentissage automatique de données multiparamétriques au gisement de sulfures massifs volcanogènes Bracemac-Mcleod, district minier de Matagami, Québec Mémoire. Québec, Université du Québec, Institut national de la recherche scientifique, Maîtrise en sciences de la terre, 115 p.

Archive (ZIP) Télécharger (28MB)

Résumé

En exploration minière, le forage au diamant représente la majorité des dépenses des projets avancés. L’utilisation des carottes de forage est cependant souvent limitée à la description visuelle du géologue et aux analyses en métaux des zones minéralisées ou potentiellement minéralisées. L’acquisition non destructive et l’intégration de mesures de propriétés physiques, chimiques et minéralogiques à haute résolution spatiale, notamment dans les parties non échantillonnées, permettraient de mieux connaître les gisements, les roches et l’altération qui les entourent. Dans ce contexte, le Laboratoire mobile de caractérisation physique, minéralogique et chimique des roches (LAMROC) de l’INRS a été conçu pour valoriser les carottes de forage. Le LAMROC permet de mesurer la densité, la susceptibilité magnétique, la géochimie et la minéralogie, en plus de pouvoir prendre une image de la carotte. La quantité importante de mesures colocalisées générées par le LAMROC ouvre la voie à l’intégration quantitative et la prédiction de vecteurs d’exploration, c’est-à-dire définir les caractéristiques spécifiques au type de gisement cherché pour créer des vecteurs qui pointent vers la minéralisation. L’étude est réalisée dans la région de Matagami, un camp minier situé dans le nord de la Sous-province de l’Abitibi et riche en gisements de sulfures massifs volcanogènes (SMV). Neuf forages d’exploration, pour un total d’environ 6000 m, ont été analysés autour du gisement McLeod. L’objectif est d’estimer le sodium, un élément chimique important pour l’étude de l’altération hydrothermale et le développement de vecteurs d’exploration en contexte de SMV, mais manquant dans les analyses du LAMROC en raison de limitations technologiques. L’approche proposée dans cette maîtrise est basée sur une branche de l’intelligence artificielle, l’apprentissage automatique (Machine learning). Un des principaux enjeux de l’apprentissage automatique consiste à élaborer des systèmes de classification performants à partir d’un ensemble d’exemples représentatifs d’une population de données. La méthode sélectionnée ici est celle de la « forêt aléatoire » (Random forest). L’utilisation de cet algorithme sur l’ensemble du secteur ou une partie restreinte montre son efficacité pour l’estimation du sodium. L’estimation de cet élément par algorithme révèle de bons résultats tant sur la précision de la prédiction que sur le choix des variables (paramètres multivariés). Des tests d’estimations faits à partir des données géochimiques de Glencore montrent que le magnésium est l’élément le plus influent pour estimer le sodium. Ceci s’explique par le processus de chloritisation des rhyolites qui apporte un gain en magnésium et une perte de sodium. Cependant, lorsque l’estimation est faite à partir des données provenant du LAMROC, le magnésium est un élément moins influent. Ceci est possiblement dû à l’abondance de mesures sous la limite de détection du XRF portatif pour le magnésium. C’est plutôt le strontium qui devient l’élément le plus influent dans l’estimation du sodium, car il est contenu dans les plagioclases et donc susceptible d’être mobilisé pendant l’altération. Les propriétés physiques apportées par le LAMROC sont également un ajout important, puisque la densité est le deuxième élément le plus influent dans l’estimation. La contribution potentielle de la minéralogie a été peu approfondie, mais étant donné qu’une corrélation existe entre la perte de sodium et la variation des micas blancs et des chlorites, les variables minéralogiques mériteraient d’être utilisées. Les résultats d’estimation sont présentés par forage en fonction de leur profondeur, permettant une analyse spatiale des variations de l’altération hydrothermale. Finalement, des outils technologiques facilitant l’interprétation des données ont été développés permettant de prédire les éléments utilisés dans l’étude de variation de l’altération hydrothermale liée à la mise en place des gisements de SMV tout en garantissant une bonne résolution spatiale grâce aux nombreuses données récoltées avec le LAMROC.

In mineral exploration, diamond drilling accounts for the majority of expenditures on advanced projects. However, the use of drill cores is often limited to the geologist's visual description and metal analyzes of mineralized or potentially mineralized zones. Non-destructive acquisition and integration of physical, chemical and mineralogical properties measured at high spatial resolution, particularly in non-sampled areas, would allow better knowledge of the deposits, rocks and alteration that surround them. In this context, the Mobile Laboratory for the Physical, Mineralogical and Chemical Characterization of Rocks (LAMROC) of the INRS has been designed to maximize the information from drill cores. The LAMROC is used to measure density, magnetic susceptibility, geochemistry and mineralogy and performs core imagery. The large number of colocalized measurements generated by LAMROC opens the way to quantitative integration and prediction of exploration vectors, i.e. to define the specific characteristics to the type of deposit sought, to create vectors that point to mineralization. This study is carried out in the Matagami region, a mining camp in the northern Abitibi Subprovince, rich in volcanogenic massive sulphide (VMS) deposits. Nine exploration drill holes, totaling approximately 6,000 m, were analyzed around the McLeod deposit. The principal objective is to estimate sodium, an important chemical element for the study of hydrothermal alteration and the development of vectors in a VMS context, but missing in the LAMROC analyzes due to technological limitations. The approach proposed is based on a branch of artificial intelligence, machine learning. One of the main challenges of automatic learning is to develop efficient classification systems based on a set of representative examples of a population of data. The method selected here is the random forest. The use of this algorithm over the whole sector or a restricted part shows its effectiveness for the estimation of sodium. Its estimation based on a regression algorithm show good results both on the precision of the prediction and on the choice of the variables (multivariate parameters). Tests based on Glencore's geochemical data show that magnesium is the most influential element for estimating sodium. This is explained by the process of chloritization of rhyolites which brings a gain in magnesium and a loss of sodium. However, when the estimate is made from LAMROC’s data, magnesium is a less influential element. This is possibly due to the proportion of magnesium measurements below the detection limit of the portable XRF. Instead, strontium becomes the most influential element in the estimation of the sodium, because it is contained in plagioclase and thus mobilized during alteration. The physical properties provided by LAMROC are also an important addition, since density is the second most influential variable in Na estimation. The contribution of mineralogy was not extensively studied; however, a correlation exists between the loss of sodium and the variation of white micas and chlorites, so these variables deserve to be used. The estimation results are plotted by drill hole as a function of depth, allowing a spatial analysis of the variations of hydrothermal alteration. Finally, tools facilitating the interpretation of the data acquired with the LAMROC have been developed, and it is possible to predict the elements used in the study of hydrothermal alteration variation related to the emplacement of VMS deposits while guaranteeing a good spatial resolution.

Type de document:	Thèse Mémoire
Directeur de mémoire/thèse:	Ross, Pierre-Simon
Co-directeurs de mémoire/thèse:	Gloaguen, Erwan
Mots-clés libres:	forage au diamant; carottes de forage; LAMROC; apprentissage automatique; caractérisation physique; caractérisation minéralogique; caractérisation chimique; intelligence artificielle; mines
Centre:	Centre Eau Terre Environnement
Date de dépôt:	27 mars 2018 15:57
Dernière modification:	26 nov. 2021 13:25
URI:	https://espace.inrs.ca/id/eprint/6844

Gestion Actions (Identification requise)

Modifier la notice