Québec Mines + Énergie - 19 au 22 novembre 2018 - Centre des congrès de Québec
Vous êtes ici :

L’intelligence artificielle: en route vers la géologie numérique

Présidents : Erwan Gloaguen (INRS-ETEUniversité du Québec INRS-Eau, Terre et Environnement ) et Réjean Girard (IOS Services géoscientifiques)

Erwan Gloaguen, pr. titulaire (INRS)

Erwan Gloaguen, pr. titulaire (INRS)

La séance a pour but de présenter les applications de l’intelligence artificielle liées aux problématiques de l’exploration minérale. Bien que l’application de l’intelligence artificielle pour le ciblage et les études de potentiel minéral ait attiré l’attention des géologues et des gestionnaires d’exploration, une foule d’autres applications sont en cours de développement : identification de lithofaciès en carottes, classification des minéraux, prédiction de la géométrie des dépôts, géométallurgie et ressources, interprétation géophysique et géochimique, etc. Cette séance constitue autant un rappel des théories sous-jacentes à l’apprentissage machine qu’une revue des applications actuellement disponibles pour l’industrie. Un accent particulier sera mis sur la saisie de données géologiques pour les rendre compatibles avec le traitement numérique.

Thématiques : exploration, exploitation, économie et collectivités

9 h - Le SIGÉOM, d'hier à demain

Présentateur : Charles Roy (MERNMinistère de l’Énergie et des Ressources naturelles, retraité)

Émérite

Hier. Le SIGÉOM est le résultat d’un long processus qui se mariait avec les changements ayant eu lieu dans l’environnement industriel et social, plus spécifiquement dans le monde des technologies informatiques et des communications. L’accroissement des données produites, le contrôle de qualité de celles-ci, le cycle de mise à jour, l’arrivée d’Internet et des réseaux sociaux ont conditionné le développement du SIGÉOM. Demain verra l’intensification de l’utilisation d’algorithmes et de l’intelligence artificielle pour traiter cette somme colossale d’information, une évolution qui s’inscrit dans la démarche suivie par d’autres domaines comme les mathématiques, la physique et l’informatique.

9 h 30 - Détection et prédiction de la signature des gîtes d’or de type orogénique : comparaison des résultats de la logique bayésienne (Hypercube) et du poids des évidences (WofE)

Présentateur : Clément Dombrosky (IOS Services Géoscientifiques)

Co-auteurs : Paulo Ferrera (BearingPoint GmbH) et Éric Larouche (Goldcorp Canada)

La prédiction d’un gîte minéral à partir d’une base de données géoscientifiques régionales est un processus complexe. Les informations disponibles reliées à un gîte minéral qui n’a pas encore été découvert sont souvent partielles, distales et hétérogènes, ce qui le rend difficile à reconnaître. Cette étude utilise un ensemble de 113 zones minéralisées situées dans la région de la Baie-James, dans le Nord-du-Québec, toutes cataloguées comme gîtes d’or de type orogénique. La base de données extraite du SIGÉOM ne comprenait que des données ayant une couverture régionale (carte géologique, affleurements et lithofaciès au niveau des collets de forage, géochimie des sédiments lacustres, analyses de roches de levés régionaux et levés géophysiques régionaux). Certaines relations géographiques entre les données, telles que la distance aux failles, ont été extraites à l’aide d’un système SIG classique et ajoutées à la base de données en tant que variables indépendantes. L’ensemble des 113 gîtes a été aléatoirement scindé en deux moitiés, la première servant à l’apprentissage et la deuxième à la prédiction. Le processus d’apprentissage effectué à l’aide d’HyperCube, un système d’intelligence artificielle basé sur la logique bayésienne, a été en mesure de prédire les gîtes cachés, avec un taux de rappel atteignant 95 %. Le système s’est avéré plus efficace dans la prédiction de gîtes cachés qu’un système plus supervisé et a permis de traiter une grande quantité de données très rapidement.

9 h 50 - Utilisation des forêts aléatoires (random forest) pour l’estimation d’élément chimique en exploration

Présentatrice : Nathalie Schnitzler (Ressources Sirios)

Co-auteurs : Erwan Gloaguen, Pierre-Simon Ross, INRS-ETEInstitut national de la recherche scientifique

L’étude des carottes de forage est souvent limitée à la description visuelle faite par les géologues et aux analyses de quelques métaux dans les zones minéralisées ou potentiellement minéralisées. L’acquisition non destructive et l’intégration de mesures à haute résolution spatiale des propriétés physiques, chimiques et minéralogiques permettraient de mieux connaître les gisements, les roches et l’altération.

Le Laboratoire mobile de caractérisation physique, minéralogique et chimique des roches (LAMROC) de l’INRS a été conçu pour déterminer la densité, la susceptibilité magnétique, les éléments chimiques et la minéralogie, en plus de prendre une image de la carotte. La quantité importante de mesures localisées générées par le LAMROC nécessite des analyses statistiques multivariées telles que l’apprentissage automatique (machine learning). L’approche proposée ici est celle des « forêts aléatoires » (random forest). Cet algorithme est efficace pour l’estimation d’éléments chimiques, tant du point de vue de la précision de la prédiction que pour le choix des variables (paramètres multivariés). Des tests faits sur différents jeux de données (géochimie traditionnelle vs LAMROC) montrent que l’algorithme des forêts aléatoires est adapté à la sélection des variables explicatives utilisées pour la prédiction en fonction du jeu de données.

Les outils technologiques facilitent l’interprétation des données, en garantissant une bonne résolution spatiale grâce aux nombreuses données récoltées avec le LAMROC.

10 h 10 - L’utilisation des algorithmes de regroupement et des cartes auto-adaptives pour des données géochimiques d’altération

Présentateurs : Jean-Philippe Paiement et Tim Chalke (Mira Geoscience)

10 h 30 - ARTPot et ARTMorph : routines de reconnaissance automatisée des grains d’or détritique et de leur morphologie

Présentateur : Alexandre Néron (IOS Services Géoscientifiques)

Co-auteurs : Jonathan Tremblay et Réjean Girard (IOS Services Géoscientifiques)

10 h 50 - Uniformisation de l’échantillonnage et de la description géologique des carottes de forage par apprentissage profond grâce à l’analyse de photos

Présentateur : Martin Blouin (Geolearn)

11 h 10 - Vers une reconnaissance automatisée des phases minérales par imagerie optique

Présentateur : Kevin Bouchard (UQACUniversité du Québec à Chicoutimi)

Co-auteurs : Julien Maître et Paul Bédard (UQACUniversité du Québec à Chicoutimi)

11 h 30 - L’apprentissage profond comme outil de traitement de données sismiques

Présentateur : Gabriel Fabien-Ouellet (École polytechnique de Montréal)

Le traitement des données sismiques est une tâche laborieuse qui nécessite une grande expertise. Ceci freine de nombreuses applications hors du contexte usuel pétrolier, car le traitement demeure coûteux et l’expertise propre à chaque milieu est parfois rare, voire inexistante, notamment dans le domaine minier. Les avancées en intelligence artificielle, plus particulièrement en apprentissage profond, ont le potentiel d’alléger considérablement le travail du géophysicien lors du traitement des données sismiques, sans bien sûr le remplacer. Dans cette présentation, nous montrerons comment les réseaux de neurones profonds peuvent remplacer certaines étapes du traitement des données sismiques. En particulier, nous nous attarderons à l’analyse de vitesse, un processus complexe représentant une part significative, en temps et en effort, de la séquence de traitement. Nous montrerons comment cette étape peut être automatisée à l’aide d’un réseau convolutif profond et d’un réseau neuronal récurrent. Les réseaux de neurones convolutifs permettent de construire une représentation abstraite d’un regroupement de traces sismiques, tandis que les cellules récurrentes permettent de produire un modèle de vitesse cohérent à partir d’une séquence temporelle de réflexions. Nous montrerons les liens entre cette architecture et la traditionnelle analyse de semblance. Le réseau que nous proposons permet d’obtenir automatiquement les vitesses de sommation et d’intervalle, et ce, directement à partir des données brutes. Notre réseau est aussi capable d’identifier les réflexions primaires et est robuste à la présence de multiples. Ces premiers pas laissent entrevoir que la production d’un modèle de vitesses sismiques peut être automatisée, ou à tout le moins guidée, par les réseaux de neurones profonds.

11 h 50 - Risque géotechnique dans les mines souterraines : une approche par apprentissage automatique

Présentateur : Lorenzo Perozzi (INRS-ETEInstitut national de la recherche scientifique)

Co-auteurs:  Erwan Gloaguen (INRS-ETEInstitut national de la recherche scientifique), Valérie Laflèche et John McGaughey (Mira Geosciences)

X