Classification géochimiques des puits de Lalor

L’étude du dépôt sulfuré massif d’origine volcanique de Lalor à Snow Lake, au Manitoba, démontre la puissance de l’utilisation de l’apprentissage artificiel pour classer les unités géologiques à l’aide de données géochimiques sur les puits.

Objectifs du projet

Bien que la classification des types de roches par variables géochimiques soit répandue dans les domaines de la cartographie et de l’exploration géologiques. Ces méthodes classiques sont limitées de plusieurs façons par segmentation de diagrammes de dispersion, par levée de deux ou trois éléments et par rapports d’éléments dérivés.

Les algorithmes de l’apprentissage artificiel comme les réseaux neuronaux et les machines à soutien vectoriel permettent de mettre en œuvre une approche multivariée qui comprend tous les éléments et toutes les variables géochimiques disponibles.

Pour un sous-ensemble d’échantillons de puits forés soigneusement choisi, les algorithmes l’apprentissage artificiel calculent les relations entre les unités géologiques (établies par observations) et les signatures géochimiques multi-éléments.

Ce sous-ensemble « d’entraînement » est utilisé pour calculer les règles de classification qui sont ensuite appliquées à toutes les échantillons géochimiques pour produire une distribution 3D prévisible des unités géologiques prédéfinies.

Résultats attendus et principales conclusions

Cette étude démontre que la classification automatisée des données géochimiques des puits de forage peut permettre de prédire la distribution des unités géologiques souterraines en vue de produire des modèles 3D moins subjectifs que ceux produits par les méthodes d’interprétation classiques.

Si le sous-ensemble de données des puits de forage est fondé sur un sous-ensemble représentatif d’observations géologiques de grande qualité, les classificateurs de l’apprentissage artificiel peuvent être appliqués à plusieurs étapes de l’exploration. Les résultats de classification pourraient également mettre en lumière les signatures géochimiques anormales associées à la minéralisation à valeur commerciale qui pourraient autrement être négligées.

Voici d’autres conclusions principales :

• À l’aide d’ensembles d’entraînement contrôlés et de l’apprentissage artificiel, il est possible d’atteindre des taux de réussite élevés (jusqu’à 92 pour cent) relativement à la classification de différents types d’unités géologiques provenant du même ensemble de données géochimiques (comme les unités de modification lithologiques et hydrothermales).
• Bien que les machines à soutien vectoriel fournissent le degré de classification le plus exact, d’autres algorithmes de l’apprentissage artificiel, comme la méthode des k plus proches voisins, la méthode des arborescences aléatoires et la méthode bayésienne, ont généré des résultats semblables, mais avec un degré de précision de classification légèrement inférieur.

Si la classification par l’apprentissage artificiel des résultats des données des puits de forage donne lieu à des unités spatialement cohérentes, les algorithmes de l’apprentissage artificiel ne tiennent pas compte de l’emplacement ni du contexte spatial des échantillons des puits de forage. Les futures recherches visant à intégrer le contexte spatial aux fonctions discriminantes de classification pourraient améliorer l’exactitude des méthodes de classification par l’apprentissage artificiel.

Techniques numériques et relatives à l’intelligence artificielle

• Algorithmes d’apprentissage machine pour la classification géochimique multivariée
• Machines à soutien vectoriel
• Méthode d’ensemble

Exigences en matière de données

• Analyses géochimiques des échantillons de puits forés géoréférencées dans l’espace 3D
• Rapport de forage : descriptions géologiques d’unités géologiques pour constituer un ensemble d’entraînement représentatif