Scribd
Importer
0 vues1 page

Doc1 Exploration DataScience

Le document présente l'utilisation de la Data Science pour le ciblage minéral prédictif, en intégrant des données géologiques variées pour identifier des anomalies minéralisées. Il décrit la méthodologie de Mineral Potential Mapping (MPM) utilisant des algorithmes d'apprentissage automatique pour optimiser les zones de forage, réduisant ainsi les coûts d'exploration. Les différentes sources de données et les algorithmes appliqués sont également détaillés, soulignant l'importance de l'analyse des données géophysiques et géochimiques.

Transféré par

Jérémie Malisawa
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
0 vues1 page

Doc1 Exploration DataScience

Le document présente l'utilisation de la Data Science pour le ciblage minéral prédictif, en intégrant des données géologiques variées pour identifier des anomalies minéralisées. Il décrit la méthodologie de Mineral Potential Mapping (MPM) utilisant des algorithmes d'apprentissage automatique pour optimiser les zones de forage, réduisant ainsi les coûts d'exploration. Les différentes sources de données et les algorithmes appliqués sont également détaillés, soulignant l'importance de l'analyse des données géophysiques et géochimiques.

Transféré par

Jérémie Malisawa
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

GÉNIE MINIER & DATA SCIENCE — DOCUMENT 1 SUR 5

Ciblage Minéral Prédictif par Machine Learning et Données Multi-Sources

1. Introduction à la Data Exploration Minérale

L'exploration géologique moderne génère un volume massif de données hétérogènes : géophysique (aéromagnétisme,
gravimétrie), géochimie des sols, imagerie satellitaire hyperspectrale et forages historiques. La Data Science permet de
croiser ces couches d'information pour cibler les anomalies minéralisées avec une précision inédite.

2. Méthodologie du Ciblage Prédictif (Mineral Potential Mapping - MPM)

Le ciblage guidé par les données (Data-Driven MPM) s'appuie sur des algorithmes d'apprentissage supervisé et non
supervisé pour cartographier les cibles prioritaires de sondage :

• Random Forest & XGBoost : Classification des zones favorables par apprentissage sur les gisements connus
(training sites) et extrapolation aux zones vierges.
• Analyse en Composantes Principales (ACP) : Réduction de la dimensionnalité des données géochimiques multi-
élémentaires pour isoler les assemblages d'éléments indices (ex. Cu-Co, Au-As).
• Deep Learning & Autoencodeurs : Détection non supervisée d'anomalies géophysiques complexes cachées sous
de couverture sédimentaire.

Gain Opérationnel : Réduction de 30% à 50% des coûts de forage d'exploration en éliminant les zones stériles dès la
phase de traitement de données régionales.

3. Matrice d'Intégration des Données Géologiques

Type de Donnée Source & Format Algorithmes Utilisés Livrable Géologique

Raster TIF / Grilles MAG- Carte des structures & failles


Géophysique Aérienne Filtres FFT, CNN, K-Means
GRAV profondes

Géochimie Sol / Tableaux CSV/SQL multi- ACP, Isolation Forest, Anomalies de teneurs et halos
Sediments éléments XGBoost d'altération

Cartographie des minéraux


Imagerie Hyperspectrale Satellites Sentinel / Landsat SVM, Random Forest
d'altération

Document 1 : Data Science & Exploration Minérale Page 1 / 1

Vous aimerez peut-être aussi