Retour à la programmation
Mines

Jeudi 25 novembre – après-midi

Intelligence artificielle appliquée au Québec

Jean-Philippe Paiement

Mira Géosciences

Benoit Charette

MERN

Les possibles applications de l’intelligence artificielle (IA) dans le secteur minier sont nombreuses et plusieurs seront probablement d’utilisation courante dans un avenir très rapproché. Cette séance établira les bases du Deep Learning et donnera un aperçu de l’avenir de l’intelligence artificielle appliquée spécifiquement au contexte du secteur minier au Québec. Nous chercherons ainsi à ouvrir la « boîte noire » qui peut constituer un obstacle à l’adoption de ces techniques et nous tenterons d’établir des rapprochements entre les applications courantes de l’IA et les géosciences. Il sera aussi question des outils dont l’arrivée est imminente et des gains significatifs à court terme atteignables par l’adoption de certaines techniques d’apprentissage. Les développements actuels de l’IA incluent notamment les méthodes permettant d’extraire l’information pertinente des données dormantes et non structurées, la priorisation des données géologiques et spatiales, la classification automatisée de données ainsi que la coagulation d’informations. Les conditions sous-jacentes pour maximiser le succès de ces applications seront aussi discutées. Les présentations permettront de bien comprendre le fonctionnement des outils utilisés, mais aussi de juger des avantages qui pourraient découler de l’adoption générale de ces techniques.

13 h 30

Introduction

Conférencier

Jean-Philippe Paiement

Mira Geosciences

13 h 50

Intelligence artificielle et succès en exploration minière

Conférencier

Ludovic Bigot

GoldSpot Discoveries

Détails de la conférence

Auteurs : Ludovic Bigot, Shervin Azad, Frédéric Courchesne et Vincent Dubé-Bourgeois (GoldSpot Discoveries)

Ces dernières années, le développement d’outils technologiques et l’accès à de volumineuses bases de données géoscientifiques publiques et privées a entraîné un changement de paradigme quant aux possibilités de l’évaluation du potentiel minéral, et cela tant à l’échelle régionale qu’à celle de la mine. Les outils d’intelligence artificielle (IA) permettent en particulier d’intégrer une multitude de données géoscientifiques avec une capacité inégalée et, potentiellement, d’en tirer des informations non conventionnelles ou « cachées ».

Depuis sa fondation en 2016, GoldSpot agit comme chef de file en mariant l’expertise géoscientifique traditionnelle aux outils technologiques et aux pratiques issues des sciences de données, tels que le machine learning et le deep learning, afin d’augmenter les succès en exploration minérale et, plus globalement, de résoudre des problématiques géoscientifiques.

La présentation portera dans un premier temps sur la démystification de l’IA appliquée au domaine géoscientifique et permettra d’expliquer notamment les éléments fondamentaux de ces méthodes et les bonnes pratiques à utiliser, tout en mettant l’accent sur leurs limitations. Dans un second temps, nous ferons un survol des outils d’IA développés par GoldSpot et leurs applications dans des études de cas au Québec notamment. Ces outils comprennent, entre autres, LithoLens (outil d’analyse des photos de forage), la méthode de détection automatique d’affleurements à partir des images satellites ou encore les techniques de classification supervisée des données géochimiques en support à l’interprétation géologique. La troisième et dernière partie de la présentation portera sur les perspectives de l’IA dans le domaine minier.

14 h 10

Cartographie géologique préliminaire des données magnétiques aéroportées par apprentissage automatique profond

Conférencier

Détails de la conférence

Auteurs : Matthieu Cedou (INRS), Erwan Gloaguen (INRS-ETE), Martin Blouin (Solution Geolearn), Antoine Caté (SRK Consulting), Jean-Philippe Paiement (Mira Géosciences) et Shiva Tirdad (INRS-ETE)

Les données magnétiques aéroportées sont régulièrement traitées et interprétées afin de produire des cartes géologiques préliminaires. L’apprentissage automatique a le potentiel de réaliser cette tâche de manière rapide et objective, la cartographie étant, à bien des égards, comparable à un problème de segmentation pouvant être résolu par un réseau neuronal convolutif. Comme cette méthode requiert un jeu de données de haute qualité, nous avons développé un processus d’augmentation des données utilisant en entrée un modèle géologique et pétrophysique 3D (susceptibilité magnétique). Ce processus utilise un algorithme de statistiques multipoints pour créer un grand nombre de modèles géologiques et un algorithme de simulation gaussienne séquentielle pour peupler ces modèles avec des valeurs de susceptibilité magnétique cohérente. Enfin, la réponse magnétique aéroportée de ces modèles pétrophysiques est calculée et associée à la géologie de surface correspondante. Ce processus a été appliqué au modèle géologique et magnétique 3D du secteur de la mine Canadian Malartic afin d’obtenir un important jeu de données synthétiques comprenant les données magnétiques aéroportées et les lithologies associées dans le but d’en réaliser la segmentation. Un réseau neuronal convolutif a été entraîné sur ce jeu de données synthétiques pour en isoler les formes, détecter les contacts et réaliser une cartographie géologique préliminaire. L’algorithme produit également des cartes d’attention soulignant les contacts des structures à différentes échelles. Un algorithme de regroupement a également été utilisé sur les représentations profondes du réseau neuronal afin de fournir une segmentation semi-supervisée de la zone d’étude. La validation a été conduite sur une portion du jeu de données synthétiques et montre que cette méthode est efficace pour la cartographie automatique de données magnétiques aéroportées. Nous avons également appliqué cet apprentissage à des zones adjacentes à la zone d’étude sans réentraîner l’algorithme. Sur ces zones, le regroupement a segmenté les anomalies magnétiques et produit une carte géologique pertinente. De plus, la carte d’attention isolant les contacts à plus petite échelle produit une représentation pertinente des données d’entrée, isolant les structures à plus petite échelle. La qualité des résultats valide de manière empirique la méthode d’augmentation des données proposée. De même, elle démontre que l’utilisation de réseaux neuronaux convolutifs est utile pour la cartographie géologique préliminaire. Par conséquent, cette méthode peut être implémentée dans tous les secteurs où existe un modèle géologique et pétrophysique 3D pouvant servir à l’entraînement de l’algorithme d’apprentissage profond, et dans les zones présentant le même contexte géologique.

14 h 30

Comparaison de la performance d’algorithmes d’apprentissage machine appliqués à la cartographie prédictive

Conférencier

Dominique Genna

CONSOREM-UQAC

Détails de la conférence

Auteurs : Dominique Genna (CONSOREM-UQAC), Jean-Philippe Paiement (Mira Geosciences) et Martin Blouin (Solution Geolearn)

L’intelligence artificielle (IA) est de plus en plus utilisée afin d’optimiser plusieurs aspects de l’exploration minérale. Son utilisation est encouragée par la croissance continue des banques de données et par le nombre grandissant d’algorithmes d’apprentissage machine (AM) disponibles. Ce projet vise à poser les lignes directrices de l’utilisation de l’AM en cartographie prédictive. Ses objectifs incluent : 1) l’identification du pouvoir de discrimination des couches de données brutes du SIGÉOM et des produits dérivés et 2) la comparaison de plusieurs algorithmes d’AM. Le territoire choisi pour cette étude chevauche les sous-provinces de La Grande et d’Opinaca (SNRC 33G06 et 33G11) qui comprennent des lithologies ignées et sédimentaires ainsi qu’une ceinture volcano-sédimentaire. Les données d’entrée brutes sélectionnées pour cette étude comprennent : le MNE (modèle numérique d’élévation), les images LANDSAT, le levé magnétométrique et la géochimie des sédiments de fond de lac. Les produits dérivés des couches brutes incluent une sélection de variables statistiques et texturales sur des fenêtres mobiles de 3x3, 5x5 et 10x10 cellules (100 m x 100 m). Trois jeux de données d’apprentissage ont été bâtis et testés avec deux types de points d’entraînement : les affleurements de géofiches et les échantillons lithogéochimiques. Un protocole de simplification et d’unification des codes lithologiques des géofiches du SIGÉOM a été développé et permet une reclassification objective de la couche d’entrée lithologique (ici en 8 classes). Au total, 6 algorithmes d’AM non supervisés (K-Means et segGAN), semi-supervisés (segGAN conditionnel) et supervisés (Random Forest, réseau de neurones et Extreme Gradient Boosting) ont été utilisés et ont mené à plus de 45 simulations. Les résultats indiquent que, sur le territoire à l’étude, les données brutes (levé magnétométrique et le MNE) sont suffisantes pour prédire les grands ensembles géologiques avec un algorithme relativement simple et non supervisé comme K-Means. L’utilisation des produits dérivés (variables statistiques et texturales) apporte un pouvoir discriminant supplémentaire, mais fonctionne seulement avec des algorithmes plus complexes et paramétrables comme le Random Forest et le Extreme Gradient Boosting. Ces algorithmes permettent en plus de générer des cartes de probabilités par lithologie, lesquelles peuvent ensuite être valorisées. Il est délicat d’évaluer la performance des algorithmes pour la cartographie prédictive. L’évaluation repose ici sur 1) le respect des données d’apprentissage (justesse et précision) et 2) la correspondance avec la carte géologique du MERN (bruit, indice de similarité structurelle et évaluation d’images neurales). Il en ressort que les algorithmes Random Forest et Extreme Gradient Bosting fournissent les prédictions les plus justes et les plus précises.

14 h 50

À venir

Conférencier

Louis-Pierre Campeau

NewTrax

15 h 10

Application des auto-encodeurs profonds au débruitage des données géoélectriques en exploration métallifère

Conférenciers

Charles Bérubé

Polytechnique Montréal

Pierre Bérubé

Abitibi Géophysique