Chapitre 1 : METHODOLOGIE

1. Méthodologie de collecte des données

La collecte des données géologiques pour le contrôle de teneur ou « grades control » est un long
processus qui va de la planification des forages à l’acquisition des résultats d’analyse du
laboratoire des échantillons. La validité d’une estimation géologique est directement liée à la
qualité des données utilisées. C’est pourquoi il est impératif d’avoir un protocole de collecte de
données rigoureux en définissant une assurance qualité et un contrôle qualité (QA/QC) appropriés
à toutes les étapes du processus de collecte des données.

Il existe plusieurs méthodes de collecte de données géologiques telles que les forages à Circulation
Inverse (Forages RC), les forages carottés (DD), les rainurages horizontaux, les tranchées…

Les méthodes de collecte de données géologiques utilisées par la compagnie NMC sont les forages
à circulation inverse, les rainures horizontales, la cartographie des fosses.

Dans le cadre de notre étude, seules les données de forage à circulation inverse (RC) et les mesures
structurales ont été utilisées pour l’estimation des ressources.

1.1. Les forages à circulation inverse

1.1.1. Le principe des forages à circulation inverse

Les machines de forage à circulation inverse utilisent généralement de l’air qui est injecté entre un
tube interne et un tube externe entrainant une pression de rotation sur un marteau pneumatique qui
broie le matériel rocheux et le remonte par le centre de la tige sous forme de fragments appelés
« cuttings ». Cette étape est illustrée par la figure 15 en annexes.

Pour le contrôle de teneur, les forages à circulation inverse sont les mieux adaptés et présentent
plusieurs avantages :

- La continuité de l’échantillonnage,
- La mobilité,
- La faible contamination des échantillons,
- Le coût relativement faible (par rapport au forage carottés).

1
 1.1.2. Planification des trous de forages RC
Ce travail est réalisé à l’ordinateur avec le logiciel SURPAC (dans notre cas). Plusieurs
informations sont nécessaires pour planifier un programme de forage. Ce sont :

- La surface topographique de la zone concernée.

- L’orientation des corps minéralisés ; c’est-à-dire la direction, le pendage, la longueur
(block model des ressources est la référence).
- La profondeur ciblée
- Le maillage

A la demande du géologue, l’équipe de la topographie est chargée de lever la zone concernée après
nettoyage avec un bulldozer. Après le levé, le topographe conçoit à partir de SURPAC un modèle
de terrain digital (DTM) de la zone. Cette surface topographique est remise au géologue chargé du
programme de forage. A partir de cette surface topographique, connaissant les différentes
caractéristiques des corps minéralisés, il couvre toute la zone concernée en recoupant la structure
minéralisée de façon perpendiculaire.

Le programme de forage est caractérisé dans le cadre de notre étude par une maille de 10 m × 10
m (c’est à dire un espacement de 10m entre les trous d’une même ligne et 10m entre deux lignes
voisines), un Azimut de 145°, un pendage de 55° et une profondeur cible de trente mètres (30 m)
verticale. Un fichier ‟string“ d’extension .str et un fichier Excel d’extension .csv sont créés où on
peut lire les coordonnées (UTM) (X = latitude, Y = longitude, Z = altitude) de chaque point à forer,
la profondeur cible et l’identité du trou. Le ficher ‟string“ ainsi généré est remis à la topographie
pour être implanter sur le terrain.

A l’aide d’un GPS différentiel, le topographe positionne chaque point matérialisé par un piquet en
bois sur lequel est attaché un flagelle avec l’identité du trou.

Le géologue établie une base de données Excel qui comprend les tables Colar (collet), Survey
(arpentage), Assay (essai), lithologie qui sont renseignées au fur et à mesure de l’avancement de
la campagne de forage.

La figure 6 présente dans le plan XY, les trous de forage planifiés à partir de SURPAC recouvrant
toute la zone potentiellement minéralisée.

Figure 6 : planification de grille d’échantillonnage maille de 10 m x10 m au moyen de SURPAC

2
 1.1.3. Exécution des forages de contrôle de teneurs

L’exécution des forages RC a nécessité le service d’une sociétés sous-traitant : FTE (Forage
Technique Eau). La section géologie constitue alors son équipe pour la campagne de forage. Un
recrutement d’échantillonneurs temporaires est généralement fait et ceux-ci sont repartis en deux
équipes (une équipe du jour et une équipe de nuit).

Chaque équipe est structurée comme suit :

- Un géologue de terrain pour superviser l’ensemble des opérations ;

- Un technicien géologue pour superviser l’échantillonnage ;
- Deux échantillonneurs pour la mise en sachets et l’étiquetage ;
- Un ouvrier pour surveiller le métrage ;
- Deux ouvriers au niveau du cyclone pour récupérer les cuttings ;
- Deux autres ouvriers au niveau du diviseur pour le quartage.
[Link]. Repérage des points et alignement de la machine
Sur le terrain le technicien géologue sous la supervision du géologue procède à l’identification des
différentes cibles (points) en se référant au fichier Excel du programme de forage et à l’identité
des points marquée sur les flagelles au sol. Chaque point marqué par le topographe est caractérisé

3
sur le fichier Excel dont dispose le géologue et le technicien par ses cordonnées X Y Z, son azimut,
son pendage et sa profondeur.

La surface topographique n’étant pas uniforme (autour de 340 m), la profondeur varie d’un point
à un autre. L’azimut et le pendage peuvent varier d’un point à un autre dans certains contextes
structuraux. Pour ce qui est de notre cas d’étude, l’Azimut 145N, et le pendage 55° sont les mêmes
pour tous les points de forage avec le niveau 310 mètre (m) comme niveau cible.

Sur chaque flagelle est inscrite l’identité du point qui se décompose comme suit : le nom du projet,
le type de forage, l’altitude et le numéro du point à forer (exemple BGC_340_001 signifie le
premier échantillon du contrôle de teneur de Balogo au niveau 340 m). Une fois les cibles repérées,
on procède à l’alignement suivant l’azimut de forage (Exemple 145N pour cette campagne). A
l’aide d’une boussole, on repère l’azimut qui sera matérialisé au sol par des fragments de roches
ou par un ruban. En fonction de la distance qui sépare les roues arrière de la foreuse et le mat, on
définit la distance à laquelle la foreuse va s’immobiliser pour que le mat à 55° puisse descendre
sur la cible.

La machine une fois alignée, l’opérateur la positionne à l’horizontale et fait baisser le mat jusqu’à
la cible. A l’aide d’un clinomètre et sous la supervision du géologue, le mat doit être incliné à 55°
(pendage prédéfinit).

Lorsque la machine est bien alignée, le taillant sur la cible, le géologue valide l’alignement et
l’opérateur peut commencer le forage.

Il peut arriver qu’un obstacle ne permette pas de forer sur une cible prédéfinie. Dans ce cas le
géologue déplace la cible à une distance raisonnable pour faciliter l’exécution du forage et le
mentionne dans le rapport d’activités du jour.

[Link]. Récupération et échantillonnage

Afin d’assurer une bonne prise des échantillons lors des forages à circulation inverse, un protocole
de travail est suivi :

4
Il faut disposer d’un diviseur homologué, des bacs ou sacs de récupération, des sachets sur lesquels
sont répétés les numéros des étiquettes, des carnets. De façon générale, lors des forages pour le
contrôle des teneurs, un (01) échantillon est pris tous les deux (02) mètres forés. Dans le cadre de
cette étude, les échantillons ont été pris tous les un (01) mètre foré.

L’échantillon primaire est recueillie dans un sac sur lequel est inscrite la profondeur de
récupération (ex : 0 m à 1 m ; 1m à 2 m…). Il correspond à la totalité du cutting récupérée sur un
(01) mètre. Celui-ci est envoyé au niveau du diviseur préalablement nettoyé et soufflé afin de le
débarrasser de tout élément pouvant contaminer les échantillons.

Le contenu est renversé soigneusement au centre pour minimiser les pertes. Le diviseur est ensuite
s’écoué pour faire descendre tout le cutting. On obtient un sous échantillon qui est le plus souvent
volumineux. Dans ce cas un deuxième quartage est nécessaire pour obtenir un échantillon de masse
raisonnable (entre 2 et 3 kg).

L’échantillon obtenu est versé dans un sachet, étiqueté puis agrafé. Le numéro de l’étiquette est
répété sur le sachet (ce numéro correspond ainsi à l’identité de cet échantillon).

Une partie du cutting est directement lavée puis mise dans des petites caisses pour le log
géologique (description). Le reste du cutting peut être conservé comme échantillon témoin.

Le géologue doit s’assurer de la qualité des échantillons pris, mais aussi s’assurer de la
correspondance échantillon-profondeur. A la fin du poste, le géologue rédige un rapport des
activités qui prend en compte les numéros des trous forés, leur métrage, le nombre d’échantillons
récoltés pour chaque trou et décrit si besoin les conditions d’échantillonnage.

Les topographes sont amenés à relever tous les trous forés afin de prendre en compte les positions
réelles des cibles car certaines cibles peuvent avoir été déplacées du fait des obstacles sur le terrain.

Figures 7 illustre les étapes d’exécution d’un forage a circulation inverse (RC).

A : mise à l’horizontale de la machine

B : envoi du marteau fond de trou sur la cible

C : récupération des échantillons

D : quartage de l’échantillon primaire dans le diviseur

5
Figures 7 : Photos montrant les étapes d’exécution d’un sondage RC

[Link]. Conditionnement des échantillons

Les échantillons sont mis par lot de dix (10) dans des sacs (échantillons de même trou) qui
renseignent sur les identités et le nombre d’échantillons. Des échantillons de contrôles sont ensuite
insérés afin de vérifier la justesse et la précision de l’analyse du laboratoire. Les contrôles utilisés
sont : les Blancs, les Standard certifiés, et les Duplicatas des échantillons réguliers.

Après toutes les vérifications des échantillons, un bordereau comportant la liste des échantillons
est soumis au laboratoire. Au laboratoire, les échantillons sont séchés, broyés et quartés en sous
échantillon de 500 g. Ces sous échantillons sont pulvérisés et quarté à nouveau en sous-
échantillons de 50 g, lesquels sont pyroanalysés (absorption atomique).

6
 1.2. Les rainures horizontales ou rip lines

1.2.1. Le principe de rainurage

C’est une méthode de collecte d’échantillons qui permet à moindre coût de collecter les
informations géologiques. En effet, ce sont des mini tranchées de 20 à 30 cm de profondeur le long
desquelles les échantillons sont récoltés sous forme de fragment plus ou moins grossiers. Le
principe consiste à utiliser le ripeur d’un bulldozer pour tracer une ligne déjà planifiée en fonction
de l’orientation de la structure minéralisée. Cette méthode fournie des informations superficielles.
Il faut noter que le risque de contamination est élevé.

1.2.2. La planification des rainurages

A l’instar de la planification du programme de forage à circulation inverse, les rainures

horizontales sont planifiées sur ordinateur (SURPAC). Dans ce cas le géologue a besoin de la
surface topographique de la zone cible, de l’Azimut du corps minéralisé. On produit ainsi sur
SURPAC un fichier string des lignes horizontales qui recoupent perpendiculairement le corps
minéralisé. A chaque ligne est attribué un nom qui se compose du Nom de la fosse, le type
d’échantillonnage, le numéro de la ligne et le niveau sur lequel le rainurage est exécuté (exemple :
NTR01_340).

Le fichier est remis au topographe pour être matérialisé sur le terrain.

1.2.3. Exécution des rainures horizontales

Pour l’exécution de cette tâche, une équipe constituée d’un géologue de terrain, d’un technicien
géologue et des échantillonneurs est nécessaire.

Une fois la ligne implantée, le tracé est réalisé par un bulldozer. On place aux extrémités de la
ligne des points de repères, puis le bulldozer nettoie le long de la ligne afin d’atteindre la roche sur
place. A l’aide des deux points de repères, on aligne le ripeur du bulldozer. Lorsque l’alignement
est confirmé par le géologue ou le technicien, le bulldozer ouvre grâce à son ripeur une tranchée
de 20 à 30 cm de profondeur d’une extrémité à une autre.

[Link]. L’échantillonnage des rainures horizontales.

7
La méthode d’échantillonnage utilisée est la méthode sélective. Ainsi du début à la fin,
l’échantillonnage suit le principe suivant :

- Repérage et marquage des contacts des structures minéralisées à la peinture (géologue),

- Etalage d’un mètre ruban le long de la tranchée (ouvriers)
- Découpage des intervalles allant jusqu’à trois (03) mètres dans les zones réputées stériles
et des intervalles d’un (01) mètre dans les zones minéralisées (géologue).
- Nettoyage des tranchées avec des petites pelles ou des pioches afin de retirer les fragments
de roches déplacés durant l’ouverture de la tranchée (ouvriers). Cette mesure vise à
minimiser la contamination des échantillons.
- Disposition des sachets préalablement préparés et sur lesquels sont écrites les identités des
échantillons (NTR01_340_01) dans chaque intervalle du début à la fin de la ligne
(technicien géologue).
- Les fragments de roche (2 kg) sont prélevés par intervalle, puis agrafés (ouvriers).

La figure 8 en annexe illustre l’échantillonnage des rainures.

L’échantillonnage une fois terminé, le topographe lève les différents intervalles par tranchée. C’est
à partir de ces levés que le géologue va préparer sa base de données.

[Link]. Le conditionnement des échantillons

Les échantillons de chaque tranchée sont regroupés par lot de 10 et vérifiés par le géologue ou le
technicien avant d’être mis dans les sacs. Sur chaque sac est écrit le nombre d’échantillons, les
différents intervalles et l’identité de la tranchée.

Les sacs sont transportés sous le hangar à échantillons où les différents contrôles (blancs, standard)
sont insérés en respectant le même principe que les échantillons des forages RC.

Le technicien ou le géologue rédige un rapport à la fin du poste dans lequel est noté le nombre de
tranchées ouvertes et échantillonnées, le nombre d’échantillon par tranchée…

Les levés sont remis au géologue pour calculer les intervalles d’échantillonnage par tranchée à
partir des cordonnées X, Y, Z. La base de données est conçue avec les tables précédemment cité
(Colar, Survey, Assay).

8
 1.3. Le contrôle de qualité et assurance qualité QA/QC

L’objectif premier du Control Qualité/ Assurance Qualité est de minimiser, au mieux empêcher
l’occurrence des erreurs dues à l’échantillonnage, à l’analyse et la préparation des données ou de
les détecter, puis les éliminer. Afin d’accorder du crédit à la finalité du contrôle des teneurs, la
collecte des données doit être irréprochable, tant pour les données de terrain (échantillonnage,
levés, conditionnement, base de données…), mais aussi pour les résultats d’analyses du
laboratoire. C’est donc pour assurer un bon degré de qualité des données collectées qu’un Contrôle
Qualité/Assurance Qualité est nécessaire.

1.3.1. Assurance Qualité

Elle correspond au système adéquat de collecte, de traitement et d’organisation des données mis
en place pour assurer des résultats de qualité acceptable. C’est-à-dire l’application des bonnes
pratiques recommandées par les normes internationales (ICM : Institut canadienne des mines, code
JORC).

1.3.2. Le contrôle Qualité

Il correspond au moyen de control de la qualité des mesures obtenues en utilisant les moyens tels
que l’insertion des échantillons de contrôles, l’audit de la base de données, l’audit du laboratoire,
la validation avec le log géologique ou la cartographie des fosses…

Afin d’évaluer la qualité de l’information issue du laboratoire d’analyse, deux termes sont à
retenir : la justesse et la précision d’analyse.

La justesse est la mesure du degré de convenance de la valeur de l’échantillon analysé et la valeur

vraie de l’échantillon. Elle est mesurée par les standards et les blancs.

La précision est une mesure de la reproductibilité de l'échantillon qui peut être estimée en ré-
analysant le même échantillon plusieurs fois. Elle est mesurée par les duplicatas.

L’assurance de la justesse et de la précision des analyses est régie par trois (03) types de contrôles
que sont : les duplicatas, les blancs et les standards certifiés.

- Les Duplicatas

9
Ce sont des doublons d’échantillons de terrain d’un même intervalle. Ils servent à mesurer la
précision de l’analyse. 90% des valeurs absolues de la différence relative des paires doit être
inferieur ou égale à 25%.

- Les Blancs

Dans notre cas d’étude, ce sont des échantillons dont la teneur en or (Au) est quasi nulle. Ils sont
sensés ne pas contenir une valeur en or significative. Ils mesurent la justesse d’analyse notamment
la contamination. 80% ou plus de ces valeurs doivent avoir des teneurs inferieur ou égale à la limite
de détection (0,01 ppm).

- Les Standards certifiés

Ce sont des échantillons préparés par des laboratoires internationaux certifiés et dont la teneur en
or et l’Ecart type sont connues avec précision. Il mesure la justesse d’analyse. Nous avons eu
recours a trois (03) types de standards pour le control de qualité : un standard de type marginal, un
standard pour les faibles teneurs et un pour les moyennes teneurs.

Les valeurs d’analyse doivent se situer dans les limites acceptables des valeurs certifiées (entre 2
à 3 fois l’écart type de chaque standard).

D’autres méthodes tel que l’histogramme des erreurs, les statistiques de base, les nuages de points
(scatter plot) peuvent être utilisées pour analyser et décrire le QC.

1.4. La cartographie des fosses

C’est une étape très importante dans le processus d’estimation des ressources. Les informations
des structures qui contrôlent la minéralisation recherchée sont, les directions, les pendages,
l’organisation de ces structures et les différents contacts lithologiques. Ces mesures permettent
d’établir la carte géologique à l’échelle du gisement avec une quantité importante d’information
(la précision des contacts lithologique, l’organisation structurale, l’altération, les nappe d’eau…).

L’ensemble de ces informations est utilisé non seulement pour la définition des domaines
minéralisés, la corrélation des teneurs, mais aussi pour le control opérationnel. Au-delà de leur
importance pour le contrôle des teneurs, elles permettent de définir ou confirmer les zones
d’instables de la fosse.

10
 2. Traitement et validation des données collectées

2.1. La validation des données

Pour la suite de notre travail, seules les données de forage à circulation inverse sont utilisées.

Les tables constitutives de la base de donnée (le Colet des trous relevés après les forages,
l’arpentage, et l’essai) sont mises à jour.

La validation des données de terrain revient à s’assurer du respect du protocole d’échantillonnage.

Une fois les données de terrain validées, la deuxième partie du QA/QC est abordée afin de vérifier
la justesse et la précision d’analyse du laboratoire en interprétant les résultats des contrôles (blancs,
standards, duplicatas) utilisés.

L’analyse des résultats des contrôles permet de prendre la décision d’utiliser les résultats pour la
modélisation et l’estimation. En effet, une marge de différence entre les valeurs des standards
connues et celles du laboratoire est tolérée. Lorsque cette différence dépasse le seuil tolérable pour
les standards, les blancs ou les duplicatas, il convient de demander une ré-analyse dans le même
laboratoire ou dans un laboratoire externe afin de lever toute incertitude.

Les figures 9, 10 et 11 ci-dessous correspondent à la représentation graphique des résultats des

différents contrôles utilisés pour s’assurer de la précision et de la justesse de l’analyse du
laboratoire.

- La figure 9 correspond à la représentation graphique de la différence entre les valeurs

obtenues des échantillons d’origine aux valeurs de ces mêmes échantillons dupliqués sur
le terrain.

L’abscisse (Au origine g/t) correspond aux valeurs en or des échantillons d’origine et l’ordonnée
(Au duplicata g/t) correspond aux valeurs en or des dupliqués.

Sur 165 mesures, seules 19 points (soit 11 %) sortent de l’intervalle ± 10. Cela signifie que les
valeurs des échantillons originaux et les valeurs des duplicatas varient très peu. Ce résultat rassure
quant à la précision de l’analyse.

Figure 9 : valeurs des duplicatas utilisés

11
 180
graphe des duplicatas
Au(Duplicate) X=Y -10% 10%
160

140

120
Au (Dupliqué) g/t

100

80

60

40

20

Au (origine) g/t
0
0 20 40 60 80 100 120 140 160

- La figure 10 est la représentation des valeurs des standards utilisés (ici standard SF85).
L’abscisse correspond au numéros des échantillons standards utilisés et l’ordonnée
correspond aux valeurs des échantillons standards fournies par le laboratoire. 97 % des
valeurs sont dans l’intervalle plus ou moins trois (3) fois l’écart type [-3σ ; + 3σ] (c’est-à-
dire que la justesse d’analyse est globalement bonne). Cependant, la distribution des
valeurs autour de la moyenne n’est pas très satisfaisante. La majorité des résultats se situe
dans l’intervalle -3σ et la valeur certifiée du standard.

Figure 10 : représentation graphique des valeurs des standards de SF85 utilisés

12
 STANDARD_SF85
VALEUR LABO VALEUR CERTIFIEE 2SD(L)
2SD(U) 3SD(L) 3SD(U)

0.96

0.91
TENEUR

0.86

0.81

0.76
Y004 Y004 Y004 Y005 Y005 Y005 Y005 Y005 Y006 Y006 Y006 Y006 Y006 Y007 Y007 Y007 Y007 Y007 Y008 Y008 Y008
NUMERO DE LOT

- La figure 11 correspond à la représentation graphique des valeurs des blancs utilisés pour
contrôler la précision d’analyse du laboratoire (effet de contamination). L’abscisse
correspond aux numéros de lots des échantillons et l’ordonnée correspond aux teneurs des
blancs fournies par le laboratoire. La majorité des valeurs se situe au-dessus de la valeur
limite de détection (0,01), mais l’ensemble reste en dessous de la valeur limite tolérée
(0,05).

Figure 11 : représentation graphique des valeurs des blancs utilisés

13
 GRAPHE DES BLANKS(0.01g/t)

VALEUR LABO VALEUR ATTENDUE LIMITE SUPERIEURE

0.09

0.08

0.07

0.06

0.05

0.04

0.03

0.02

0.01
TENEUR

0
ABY10001780

ABY10001784

ABY10001802
ABY10001335
ABY10001772
ABY10001775
ABY10001777
ABY10001777
ABY10001780

ABY10001783
ABY10001784

ABY10001800
ABY10001801

ABY10001803
ABY10001803
ABY10001806
ABY10001811
ABY10001812
ABY10001813
ABY10001814
ABY10001814
ABY10001815
ABY10001843
ABY10001843
ABY10001844
ABY10001845
ABY10001845
ABY10001846
NUMERO DE LOT

L’interprétation de ces trois (03) figures permet de conclure quant à la précision et la justesse de
l’analyse du laboratoire. Les résultats des blancs et des standards ont permis de valider la justesse
d’analyse du laboratoire et les duplicatas la précision d’analyse. La base de données est
scrupuleusement vérifiée afin de déceler toute erreur de report ou de saisie. Les données ne
présentant aucune anomalie significative, elle constitue ainsi une base de données robuste.

2.2. La conception de la base de données géologique

Une fois les données validées, l’administrateur de base de données ou le géologue (dans certains
cas) procède à la finalisation de la base de données.

En générale, la base de données est un fichier formé par plusieurs tables : le collet, l’arpentage,
l’essai, la lithologie, l’altération…

14
Dans le cadre de notre étude, la base de données est constituée par la table Collet (Colar),
l’Arpentage (Survey), et l’Essai (Assay) et la Lithologie.

• Le collet (Colar) :

C’est la localisation géographique des trous forés. Il est essentiellement caractérisé par l’identité
du trou, les cordonnées Y X Z, la profondeur maximale du trou, le niveau du forage…

• L’arpentage (Survey) :

C’est l’orientation du trou de forage. Il est caractérisé par l’identité du trou, son azimut, son
pendage. L’utilisation du gyroscope permet de détecter et de considérer d’éventuelle déviation du
pendage lors du forage.

• L’essai (Assay) :

Cette table contient la valeur en or issue de l’analyse du laboratoire en fonction de la profondeur.

Il est caractérisé par l’identité du trou, les intervalles d’échantillonnage, l’identité de l’échantillon,
et les résultats d’analyse. Les valeurs du minéral d’intérêt (Or dans notre cas d’étude) permet la
modélisation de la structure minéralisées et l’estimation des teneurs dans les zones non
échantillonnées.

• La lithologie

C’est la composante qui correspond aux données de la description pétrographique des cuttings.

La description pétrographique (logs) est utilisée pour la modélisation lithologique et les

corrélations avec les teneurs.

La base de données est traitée avec Microsoft Excel et Access. Il existe cependant des logiciels
spécialisés en gestion de base de données tels que Microsoft SQL Server, Oracle database,
MySQL…qui sont idoines pour la gestion des données.

Les données sont ensuite importées dans le logiciel SURPAC pour la modélisation géologique.

15
Chapitre 2 : PRESENTATION DES RESULTATS

1. Modélisation géologique en 3 D

La modélisation géologique en 3D est la représentation tridimensionnelle des paramètres

géologiques d’un milieu donné. Ces paramètres peuvent être la lithologie, les structures,
l’altération, la minéralisation d’intérêt…

Dans le cas d’une estimation minérale, la géologie (lithologie, structures) de la zone définit très
fortement la distribution des teneurs du gisement. D’autres paramètres tels que l’altération, la
stabilité géochimique de certains minéraux, aident également à faire la corrélation des teneurs du
gisement. (Mario E. Rossi et al., 2014). Il est de fait indispensable de comprendre la géologie de
la zone, voire la géologie régionale.

1.1. Modélisation des faciès lithologiques

La modélisation de la lithologie est basée sur les données du log géologique numérisées. En effet,
le cutting qui est récupéré durant la phase de forage RC est lavé pour être décrit par le géologue.
Chaque passe (correspondant à un échantillon) est décrite pour faire ressortir le type de roche, la
couleur, la présence ou non de veine de quartz ou de sulfures, l’altération. Une carte lithologique
de chaque trou est ainsi établie. Ces données sont ensuite numérisées afin de constituer une base
de données lithologiques de la zone concernée. A chaque lithologie est affectée une couleur et un
code afin de faciliter l’interprétation.

La digitalisation se fait par section en reliant les lithologies de même nature (couleur). On obtient
des segments qui définissent déjà la direction de chaque faciès digitalisé. Un modèle 3D
(tridimensionnel) est obtenu par triangulation en reliant les segments bout à bout.

Le modèle lithologique est utilisé pour la compréhension de la distribution des teneurs, la

corrélation avec les teneurs et aussi pour l’interprétation des structures minéralisées.

16
 1.2. Modélisation de la structure minéralisée

1.2.1. Interprétation géologique et digitalisation

Les domaines de minéralisation se définissent comme étant des zones dont la distribution spatiale
des teneurs présente des propriétés statistiques cohérentes. Cela n’implique pas que les teneurs y
sont constantes ; cependant, les propriétés géologiques et statistiques des teneurs facilitent la
prédiction de celles-ci. (Mario E. Rossi et al., 2014).

Les teneurs en or (Au) des trous de forage sont affichées à l’écran et la délimitation par des
segments (strings) des teneurs (>=0,5 g/t) est faite par section. Comme présenté à la figure 12, la
digitalisation est basée sur le couplage analyse géologique et statistiques des données. A la fin de
cette étape, une suite de segments qui donnent l’allure du domaine minéralisé est obtenue.

Figure 12 : digitalisation en section des zones minéralisées au moyen de SURPAC

1.2.2. La modélisation
C’est une modélisation tridimensionnelle à partir des segments digitalisés autour des teneurs en or
(>=0,5 g/t). Un solide qui est un modèle tridimensionnel du corps minéralisé est obtenu par
triangulation. Ce modèle est caractérisé par sa direction, son pendage, sa puissance (épaisseur), sa
profondeur, son plongement (dans certains cas) et ses coordonnées X Y Z.

17
C’est encore jusque-là une enveloppe vide qui ne représente que les contours des domaines
minéralisés. Les solides sont validés afin de s’assurer de leur intégrité.

Le modèle tridimensionnel (3D) est ensuite intersecté avec les trous de forages et enregistré dans
une table préalablement créée dans la base de données.

Tel que présenter à la figure 13, neuf (09) domaines subparallèles, et d’orientation générale 235N
ont été définis.

Figure 13 : visualisation du modèle 3D des structures minéralisées sur SURPAC

2. Estimation des ressources

En général, seul un volume ne représentant qu’une très petite portion du volume total d’un
gisement est échantillonné. Estimer une ressource minérale, revient à prédire le tonnage et les
teneurs de l’ensemble du volume rocheux concerné à partir des données de forages clairsemés.

18
Cette prédiction doit refléter les réalités du terrain (c’est-à-dire se rapprocher au mieux des vrais
teneurs et tonnage du gisement), car une surestimation ou une sous-estimation peut être très
dommageable pour la vie de la mine.

Il existe aujourd’hui plusieurs outils (logiciels) et méthodes d’estimation (méthodes déterministes

et géostatistiques) qui ont évolué pour répondre aux différentes exigences de l’industrie minière.

Le contrôle des teneurs a pour but d’assurer la qualité et la quantité du minerai extrait dans la fosse.
C’est une décision économique fondamentale qui sélectionne la destination de chaque parcelle de
matériel extrait (Mario E. Rossi et al. ,2014).

C’est un long processus qui englobe la collecte des données, l’estimation des ressources, le
contrôle opérationnel, la gestion des stocks et la réconciliation des données. Chaque étape est
essentielle pour assurer une bonne production minière.

Les deux (2) méthodes d’estimation présentées dans ce document, à savoir la pondération inverse
à la distance et le krigeage ordinaire sont réalisées avec les mêmes paramètres afin d’avoir un
support commun de comparaison.

Le modèle de bloc est une base de référence spatiale de données qui est utilisée pour la
modélisation d'un gisement en 3D. Il est constitué de blocs et sous-blocs (parallélépipèdes) et est
caractérisé par les cordonnées X Y Z. La définition de la taille des blocs constitutives du modèle
des blocs est influencée par des contraintes d’ingénierie, mais doit être optimisé par l’analyse du
voisinage du krigeage.

Le tableau 2 ci-dessous montre les caractéristiques du modèle des blocs utilisé pour l’estimation
des ressources dans le cadre de cette étude.

Tableau 2 : paramètres du modèle des blocs

Axes
Cordonnées minimales Cordonnées maximales Taille des blocs Taille des sous blocs

X 653875 654075 2,5 1,25

Y 1250025 1250200 2,5 1,25

Z 310 345 2,5 1,25

19
 2.1. Composites et analyse statistique

• Les composites

L’estimation des ressources requiert une homogénéisation de l’échelle des données (support) et
une correction des intervalles incomplètement échantillonnés. Afin d’uniformiser l’échelle des
données, des composites ont été créés.

Ce sont des moyennes pondérées sur une longueur fixes le long des forages à partir des zones des
trous de forage qui intersectent les solides (3DM). La définition de la longueur des composites est
basée sur l’analyse statistique et exploratoire des données.

Dans le cadre de notre étude, la longueur maximale des échantillons est d’un (01) mètre. L’analyse
statistique indique un mètre de longueur comme la fréquence la plus élevée. Des composites de
longueur un (01) mètre ont donc été définis.

• Ecrêtage
L’écrêtage consiste à déterminer et à appliquer une valeur seuil à l’ensemble des données. Toute
valeur supérieure à cette valeur seuil est ramenée à celle-ci. Le but est d’avoir une meilleure
distribution des données pour l’estimation en éliminant les valeurs aberrantes.

L’histogramme est une représentation graphique des données de la variable étudiée par des
colonnes verticales. Il donne une image de la loi de probabilité mono-variable de la fonction
aléatoire Z(x) associée à la régionale et la distribution des données dans l’espace en détectant les
valeurs suspectes et/ ou aberrantes. C’est aussi un moyen d’écrêtage des données à l’instar du
coefficient de variation et des pourcentages. La figure 14, et 15 correspondent respectivement à
un histogramme des données brutes à l’échelle linéaire et un histogramme des données brutes à
l’échelle logarithmique.

L’histogramme à l’échelle linéaire (figure 14) ne permet pas de bien constater la variabilité des
données. A l’échelle logarithmique (figure 15), l’histogramme présente les données en deux lots
(espacement des faibles teneurs et regroupement des fortes teneurs) isolant les valeurs extrêmes.

Figure 14 : Histogramme des données brutes à l’échelle linéaire

20
Figure 15 : Histogramme des données brutes à l’échelle logarithmique

21
Les mesures statistiques de la variabilité des données brutes sont présentées dans le tableau 3.

L’analyse statistique des données brutes montre une très forte dispersion des données en témoigne
les valeurs des mesures de dispersion (variance, écart-type). Le coefficient d’asymétrie étant
largement supérieur à zéro (14.01> 0, donc très loin d’une distribution symétrique), la distribution
est dite asymétrique.
La forte dispersion des teneurs pose ainsi deux problèmes majeurs pour l’estimation :
- L’influence des fortes teneurs sur les faibles teneurs lors des itérations, et
- La difficulté de modélisation du variogramme.
La résolution de ces problèmes passe par la détection des valeurs dites aberrantes, leurs analyses,
puis l’écrêtage de ces valeurs à une valeur seuil déterminée soit par l’analyse de l’histogramme ou
des pourcentages (Il existe plusieurs méthodes pour traiter ce problème). Le but est de tendre vers
une distribution normale en ayant un nombre limité de composites affectés.

Tableau 3 : statistiques élémentaires des données brutes.

22
 Ecart- Coef de Coef

Variable Nombre Minimum Maximum Moyenne type Variance variation d'asymétrie

Données

brutes 752 0,000 4109,09 26,482 251,9 63454,70 9,51 14,010

Le tableau 4 ci-dessous présente les composites bruts et les composites écrêtés de chaque domaine
étudié en comparant leurs mesures statistiques. Contrairement aux composites bruts, les
composites écrêtés présentent des coefficients de variation faible (C’est-à-dire une meilleure
distribution).

Tableau 4 : statistique des composites bruts et des composites écrêtées

Composites (01 m) bruts Composites (01 m) écrêtées

Variation
Domaines Ecart- Comp. Ecart-
%
Nomb Min Max Moy type CV Plafond affectés Moy type CV

Maindom 255 0,00 4109 71,78 422,9 5,89 75,00 21 12,95 22,67 1,75 81,96

Southdom 102 0,02 73,27 5,78 11,38 1,97 12,00 15 3,42 4,17 1,22 40,77

Centraldom1 69 0,08 39,55 1,30 4,68 3,59 4,00 1 0,79 0,73 0,92 39,56

Centraldom2 74 0,00 39,09 1,54 4,96 3,22 2,63 7 0,68 0,78 1,14 55,81

Centraldom3 78 0,00 4,23 0,50 0,70 1,41 1,39 5 0,40 0,50 0,96 20,00

Centraldom4 4 0,11 5,94 2,75 2,35 0,86 rien 0 2,75 2,35 0,86 0,00

Northdom1 92 0,03 82,00 2,14 8,65 4,04 3,57 10 1,00 1,05 1,06 53,39

Northdom2 40 0,00 4,49 0,60 0,90 1,51 2,05 1 0,45 0,43 0,96 25,00

Northdom3 38 0,09 6,03 0,91 1,20 1,32 2,76 2 0,79 0,82 1,04 13,39

Puisque l’utilisation des deux méthodes d’estimation nécessite une étude variographique (la
pondération inverse à la distance se limitant aux ratios d’anisotropie), une normalisation des
données (transformation gaussienne) a été faite pour faciliter la modélisation du variogramme.

23
La figure 16 ci-dessous est un schéma de la modélisation variographique. Comme le montre ce
schéma, la modélisation directe du variogramme n’étant pas possible du fait de la très forte
variabilité des mesures, les données brutes ont été transformées (par anamorphose) en données
gaussiennes qui ont permis un calcul direct du variogramme expérimental des données
gaussiennes, puis une modélisation directe du variogramme des données gaussiennes. Le modèle
variographique gaussien a subi une transformation inverse par anamorphose pour obtenir un
variogramme expérimental des données de base qui est modélisé.

Figure 16 : schéma de modélisation du variogramme et transformation gaussienne des données

Note : Le logiciel ISATIS (logiciel géostatistique) a été utilisé pour la modélisation du

variogramme. Les paramètres obtenus ont été utilisé par le logiciel SURPAC pour l’estimation
des ressources

24
 2.2. Le variogramme (semi variogramme)

2.2.1. Notion du variogramme

Le problème à résoudre est la détermination de l’autocorrélation des teneurs du gisement (variable

régionalisée). Le variogramme est l’outils le plus adapté et le plus utilisé pour étudier les
phénomènes régionalisés. A la différence de la covariance qui n’existe que dans l’hypothèse
stationnaire de 2nd ordre, le variogramme existe dans les deux hypothèses de base (l’hypothèse
stationnaire de 2nd ordre et l'hypothèse intrinsèque). En plus, son estimation n'est pas biaisée par
la moyenne.

Le variogramme est un outil de géostatistique permettant d'évaluer les similarités des paramètres
de deux (2) échantillons en fonction de la distance qui les sépare (Armstrong et Carignan. 1997).

Lors d’une analyse variographique, c’est le semi variogramme qui est analysé. Il décrit l’évolution
de la semi-variance en fonction de la distance entre les données en permettant ainsi l’étude des
liens spatiaux qui existe entre celles-ci.

Il est défini par la formule suivante :

γ(h) =½Var (Z(x+ h) − Z(x)) Ɐx ϵ D

Où :

- Z(.) est la variable régionalisée étudiée.

- x est le vecteur des coordonnées.
- h est le vecteur distance.
- D est le champ.

La mesure des corrélations des valeurs de la variable permet de caractériser le phénomène

régionalisé en décrivant sa continuité spatiale par la détermination des paramètres variographiques
qui sont :

- L’effet pépite

Il correspond à un saut abrupt du variogramme à la base. Cela peut être du fait d’une absence
partielle de corrélation entre les valeurs prises en deux sites proches, ou du fait d’une erreur de
localisation, d’une erreur d'analyse et de précision analytique.

25
 - Le palier

C’est la valeur de la variance à laquelle la courbe définit un plateau.

- La portée

C’est la distance entre les sites de mesures au-delà de laquelle il n’y a plus de dépendance spatiale
entre les données. Elle correspond à l’échelle d’hétérogénéité du processus.

- L’anisotropie

On parle d’anisotropie lorsque la valeur du variogramme change en fonction des directions de

l’espace (le cas contraire est dit isotropie). La détermination de la direction d’anisotropie si elle
existe peut se faire par visualisation de la carte variographique. C’est à dire ses sections principales,
horizontales et verticales passant par l’origine.

On distingue principalement deux types d’anisotropies : anisotropie géométrique et anisotropie

zonale. Une anisotropie est dite géométrique lorsqu’on observe une variation de la portée en
fonction des directions alors que la composante pépitique et le palier restent constants. Les portées
maximales et minimales s'observent selon deux directions orthogonales.

Lorsqu’on observe des paliers différents selon les directions, l’anisotropie est dite zonale.
Cependant, il n'existe pas de modèle d'ajustement pratique pour traiter ce type d'anisotropie.

Dans le cadre de notre étude, les données présentent une anisotropie géométrie, imposant un calcul
variographique dans les trois (03) directions majeurs de continuité des teneurs du gisement.

• Le variogramme expérimental

Le variogramme expérimental ou variogramme empirique est un estimateur du variogramme

théorique. Il est calculé à partir des données échantillons.

Il ne s’agit pas d’une fonction à proprement dit, mais d’une suite discrète de points, car il n’est
calculable que pour des valeurs de h telle que N(h) est non vide.

La variable régionalisée étant supposée intrinsèque et sans dérive, l’estimateur peut s’écrire :
1 𝑁(ℎ)
𝛾𝑒 (h) =2𝑁(ℎ) ∑𝑖=1 [𝑍(𝑥𝑖) − 𝑍(𝑥𝑖 + ℎ)]²

Où N(h) est le nombre de paires dont les points sont espacés de h.

26
 • Le variogramme théorique

Le variogramme théorique est une fonction de type négatif conditionnel caractérisé principalement
par son comportement à l’origine (qui définit la régularité de la régionalisation) et la présence ou
non d’un palier. Il présente généralement trois (03) composantes qui sont : l’effet pépite (C0) ; le
palier (C+C0) et la portée (a)

Les modèles théoriques isotropes les plus utilisés sont : le modèle pépitique, le modèle puissance,
le modèle sphérique, le modèle exponentiel et le modèle gaussien.

- Le modèle pépitique

C’est un modèle à palier avec un comportement à l’origine discontinu.

γ(r)= 0 pour h =0

γ(r)= C0 pour h > 0

- Le modèle puissance

C’est un cas particulier du modèle linéaire. Il croit très vite mais sans palier.

(h)= chb 0<b<2 (linéaire : b=1)

- Le modèle sphérique

Il est caractérisé par une allure linéaire à l'origine et atteint vite son palier.

(h)= C [1.5 h/a - 0.5 (h/a) ³] si 0 < h < a

C si h  a

- Le modèle exponentiel

Ce modèle croit plus vite à l'origine, mais tend moins vite vers sa limite.

(h)= C [1 - exp(-3h/a)]

- Le modèle gaussien

C’est un modèle à palier avec un comportement parabolique à l’origine.

Il n’atteint son palier qu’asymptotiquement et la portée réelle est à l’infini. On considère alors une
portée pratique qui correspond à 95% du palier.

27
(h)= C [1 - exp(-3(h/a) ²)]

2.2.2. Analyse structurale ou variographique

On suppose que l’hypothèse de stationnarité d’ordre deux (02) est vérifiée. Le modèle
expérimental ne peut être utilisé directement car il est incomplet (définit uniquement que pour
certaines distances) d’une part, et d’autre part, il n’a aucune raison d’être de type négatif
conditionnel. (Xavier Emery. 2001). Il faut donc chercher un modèle théorique de variogramme
qui soit proche du variogramme expérimental. Le modèle de variogramme est une fonction
mathématique qui permet d’ajuster le variogramme expérimental à un modèle théorique. En
général, un modèle linéaire de régionalisation (superposition de plusieurs modèles de base) est
utilisé pour la modélisation. L’analyse structurale comprend deux étapes : L’estimation du
variogramme et la modélisation.

[Link]. Estimation du variogramme

Le variogramme est estimé à partir des données d’échantillonnage. L’estimation est d écrite par
l’équation :
1
𝛾𝑒 (h) = ∑𝑁(ℎ)
𝑖=1 [𝑍(𝑥𝑖) − 𝑍(𝑥𝑖 + ℎ)]²
2𝑁(ℎ)

Où N(h) est le nombre de paires dont les points sont espacés de h.

Les paramètres tels que la direction (anisotropie), le pas (distance d’espacement des données) et
la tolérance sur les distances et les angles (dans le cas d’un échantillonnage irrégulier) doivent être
intégrés au calcul du variogramme. On obtient un modèle variographique expérimentale formé par
des points expérimentaux. La fiabilité des points expérimentaux est proportionnelle au nombre de
paires ayant servi à leur calcul. Il faut alors l’ajuster avec un modèle théorique : on parle de calage,
d’ajustement ou de modélisation structurale.

La maille d’échantillonnage étant de 10 x 10 m. nous avons considéré un pas de 10 m pour le

calcul du variogramme dans les directions suivantes : la direction N235 et la direction N325.
Les échantillons ayant été pris chaque un (1) m, un pas d’un (1 m) mètre a été utilisé pour le calcul
du variogramme le long des sondages.

[Link]. Modélisation du variogramme

28
Le modèle expérimental calculé doit être ajusté à un modèle théorique. La nature de la variable
étudiée et le type de modèle que l’on est susceptible d’utiliser sont étroitement liés. Pour des
variables comme les teneurs des gisements d’or, les modèles sphériques sont les plus fréquents.

Dans la pratique, il n’est pas commun qu’une seule structure soit suffisante pour décrire le
phénomène régionalisé. Plusieurs structures élémentaires sont superposées pour modéliser au
mieux les composantes spatiales à des échelles différentes. Il n’existe pas de méthode standard
d’ajustement de modèle. Cependant, il faut s’assurer que le modèle respecte les principales
caractéristiques du modèle expérimentale (anisotropie, portée, le palier, comportement à l’origine).
On ajuste ainsi le modèle estimé (expérimental) par le modèle linéaire de régionalisation pour
caractériser le phénomène régionalisé. La détermination de l’effet pépite a été réalisée par le
variogramme fond de trou.

La figure 17 présente deux (2) figures (figure 17.1 et figure 17.2) qui correspondent respectivement
aux courbes variographiques des données gaussiennes et des données de base utilisées.

Figure 17 : Variogrammes gaussiens et variogrammes des données de base dans toutes les
directions

De façon générale, dans les contextes ou la variable régionalisées est l’or, on observe une
anisotropie qui impose alors le calcule variographique suivant les axes majeurs de continuité.

Dans le cadre de notre étude, un modèle linéaire de régionalisation est défini et est composé d’un
effet pépite, d’un schéma sphérique et d’un schéma exponentiel dont la formule s’écrit :

γ(h) = 0.5+[58110Exp(h/a) + 2781.85Sph(h/a)].

29
Suivant les axes majeurs de continuité (N235, N325, le long des forages N325), trois (3)
variogrammes directionnels ont été calculés et modélisés dans le cadre de notre étude.

Le calcul des variogrammes N235 et N325 a été effectué avec un pas de 10 m, alors que le
variogramme dans le plan de pendage des structure le long des forages a été calculé avec un de 1
m.

La figure 18 montre les modèles variographiques suivant les trois axes majeurs de continuité des
teneurs.

Figure 18 : variogrammes directionnels

L’étude variographique nous a permis de déterminer les valeurs des paramètres nécessaires pour
l’estimation. C’est valeurs sont normalisées (variance) et résumées dans le tableau ci-dessous. Ces
valeurs correspondant à l’étude de la distribution des teneurs de la structure principale sont
applicables aux autres structures minéralisées du gisement.

Tableau 5 : paramètre variographiques

30
 paramètres variographiques
Structure
minéralisée Rotation Effet pépite structure 1 (exp) structure 2 (sph)
Palier partiel Portée Palier partiel Portée
N235 (X) 2.74 27.23
maindomain
N325 (Y) 0.5 0.47 3 0.03 40
N325 (Z) 2.35 10

2.2.3. La validation croisée

Afin de tester la qualité du modèle variographique, une validation croisée a été faite.

Le principe consiste à supprimer temporairement un point de l'ensemble des données puis à estimer
sa valeur par krigeage à l'aide des données restantes. On répète l’opération pour tous les points du
champ. On obtient pour chaque point x de valeur mesurée Z(x) et une valeur estimée Z*(x).

On peut alors comparer les valeurs estimées Z*(x) aux valeurs mesurées Z(x), en calculant les
résidus ei=Z(x)-Z*(x). L’étude des erreurs commises sur l’ensemble des données en calculant la
moyenne et la variance permet d’apprécier l’estimation et donc la qualité du modèle
variographique.

Cependant, les erreurs d’estimation sont limitées quant à l’appréciation de l’estimation, car une
erreur commise en un site donné, ne dépend pas seulement de la qualité du modèle variographique
mais aussi de l’éloignement du site par rapport aux autres et de sa valeur.

Il est possible de résoudre ce problème en ramenant les erreurs à la même échelle afin qu’elles
soient moins sensibles à la configuration géométrique des échantillons.

Cela revient à calculer les erreurs standardisées de l’estimation en divisant les erreurs par la
variance du krigeage. ni=ei/σki.

Les critères de validation à calculer sont :

- La moyenne des erreurs d’estimation,

- La variance des erreurs d'estimation,
- La moyenne des erreurs standardisées,
- La variance des erreurs standardisées.

31
Les tests graphiques de la validation croisée sont présentés à la figure 19 ci-dessous. Chaque
donnée a été estimée à partir des données avoisinantes en utilisant entre 2 et 10 échantillons les
plus proches. Seule huit (08) données ont été mal estimées sur 729 soit 1,06% des données totales
utilisées.

La figure 19.1 présente la corrélation entre les valeurs réelles et les valeurs estimées. La corrélation
de ces valeurs est soutenue par son coefficient de corrélation de 0,65.

La figure 19.2 correspond à la carte d’implantation qui montre la position des valeurs dans le
champ.

La figure 19.3 représente l’histogramme des erreurs standardisées.

La figure 19.4 correspond à la corrélation entre les erreurs standardisées et les valeurs estimées.

En effet le nuage de point est centré autour de la droite d’ordonnée zéro (0) avec une moyenne des
erreurs autour de zéro (0). Cela implique que l’estimation est sans biais conditionnel.

La dispersion du nuage est représentée par les 8 données non robustes qui sont des valeurs élevées.
Cela est dû au fait que les fortes valeurs présentent une forte variabilité et ont des erreurs
d’estimation élevées.

Figure 19 : tests graphiques de la validation croisée des données

32
Dans les tableaux ci-dessous sont résumées les statistiques du test du modèle variographique.

Le tableau 6 présente la moyenne et la variance des erreurs et erreurs standardisées de toutes les
données, et le tableau 7 présente les statistiques basées sur 721 échantillons robustes.

Tableau 6 : Statistiques basées sur la totalité des 729 échantillons

Statistiques basées sur 729 échantillons

Moyenne Variance

33
Erreurs 2.42462 38866.19558

Erreurs standardisées 0.0092 0.8381

Tableau 7 : Statistiques basées sur 721 échantillons robustes.

Statistiques basées sur 721 échantillons

Moyenne Variance

Erreurs 8.630 1656.341

Erreurs standardisées 0.038 0.0333

L’analyse des résultats de la validation croisée montre que l’estimation est globalement acceptable.
La moyenne des erreurs standardisées est faible (autour de 0). La variance d’estimation baisse près
de 24 fois lorsqu’on exclut les données non robustes de l’estimation. Cela témoigne de l’influence
des valeurs extrêmes sur l’estimation du modèle.

Dans le cadre de cette étude on ne peut pas définir un intervalle de confiance de l’estimation car
les erreurs d’estimation n’ont pas une distribution gaussienne.

Remarque : Les paramètres utilisés pour la validation croisée sont ceux qui seront utilisés pour
l’estimation.

2.3. La pondération inverse à la distance (PID)

Les méthodes déterministes attribuent des valeurs aux zones non échantillonnées en fonction des
valeurs mesurées avoisinantes par des formules mathématiques spécifiées qui déterminent le
lissage de la surface résultante. Ce sont entre autres, la pondération inverse à la distance, la
méthode des polygones, la méthode des triangles, la méthode des sections…

34
La pondération inverse à la distance est une méthode d’interpolation déterministe qui permet
d'assigner une valeur à un espace non échantillonné à partir des échantillons avoisinants et dont le
pondérateur est une fonction inversement proportionnelle à la distance qui s’épare le site (point ou
bloc) en cours d’estimation des sites avoisinants dans les limites de l’ellipsoïde de rechercher. Le
point ou bloc estimé ressemble en valeur au point voisinant le plus proche.

Elle s’appuie sur la Loi de Tobler dite première loi de géographie : "Tout est lié à tout le reste,
mais les choses plus proches ont plus d'influence que les choses distantes" ("Everything is related
to everything else, but near things are more related than distant things").
[Link]

Cela suppose que plus un échantillons (valeur connue) est distant du point ou bloc en cours
d’interpolation, moins il a de l’influence sur le résultat de l’interpolation.

2.3.1. Les paramètres d’estimation

La pondération inverse à la distance est une méthode de bloc qui utilise un ellipsoïde de recherche
dont certains paramètres nécessitent une étude variographique. Afin de connaitre la forme et la
taille de l’ellipsoïde de recherche, on détermine les axes de continuité maximale de la variable
régionalisée. Si la portée du variogramme ne varie pas en fonction de l’orientation, on est dans le
cas d’une isotropie et l’ellipsoïde de recherche est un cercle avec des axes de continuité a valeur
égale. Dans le cas contraire, on est en présence d’une anisotropie et les axes de continuité
(perpendiculaires entre eux) ont des valeurs différentes.

Les nombre d’échantillons à prendre en compte pour estimer chaque site (n), l’exposant (w), les
distances de recherche (d) sont les autres éléments intervenant dans l’interpolation.

• Le volume de recherche

Ils définissent les axes principaux de l’ellipsoïde de recherche. Ce sont :

- Le majeur

C’est l’axe de continuité maximale de la minéralisation avec une valeur proportionnelle à la portée
maximale.

- Le semi majeur

35
C’est l’axe de continuité intermédiaire et perpendiculaire à l’axe majeur avec une proportionnelle
à la portée suivant l’axe de continuité intermédiaire des teneurs.

- Le mineur

C’est l’axe de plus faible continuité et correspond à Z (le long des sondages). Sa valeur est
proportionnelle à la potée des teneurs le long des forages.

Ce sont les ratios d’anisotropie qui sont utilisés par l’ellipsoïde de recherche : Majeur/semi-majeur
et Majeur/mineur.

Ces axes constituent les rayons de recherche qui contrôlent le nombre d’échantillons impliqué dans
le calcul de chaque site (point ou bloc) en limitant la distance de recherche de l’ellipsoïde. Un
échantillon situé à une distance hi supérieur aux rayons de recherche r (hi > r) ne sera pas pris en
compte dans l’interpolation du point ou bloc en cours d’estimation.

Il y a deux types de rayons de recherche : le rayon de recherche vertical (Z) et les rayons de
recherche horizontal (X et Y). La valeur du rayon doit être équilibrée pour prendre en compte
suffisamment de données dans l’interpolation de chaque site et restent constants pour chaque bloc
ou site interpolé au cours d’un même passage.

• Le nombre d’échantillons

Le nombre d’échantillons à utiliser pour l’interpolation de chaque site non échantillonné doit être
limité afin d’assurer la fluidité des calculs mais aussi l’influence des échantillons et la dépendance
à une moyenne stationnaire globale (Deutsch. J. et al., 2014). Cependant, le nombre d’échantillons
doit être aussi suffisant pour rendre l’estimation meilleure.

Dans tous les cas, il ne serait pas raisonnable de prendre en compte toutes les données de la variable
régionalisée pour prédire chacun des blocs.

Le nombre d’échantillon à prendre en compte pour l’interpolation de chaque bloc doit être optimal.

• La puissance ou exposant

Selon l’estimateur linéaire, le poids des échantillons qui interviennent dans l’interpolation d’un
point ou d’un bloc est inversement proportionnel à la distance qui le sépare de ce point ou de ce
bloc. Cependant ce facteur à lui seul n’est pas suffisant (notamment pour des teneur d’échantillons
élevée) pour contrôler la forte influence des valeurs avoisinantes. La puissance joue alors un rôle
36
d’amplificateur de l’‟effet distance“ en contrôlant avec la distance le poids des échantillons qui
interviennent dans le calcul du bloc ou point en cours d’interpolation. Cependant, son choix reste
arbitraire.

Plus la puissance est élevée, plus les échantillons les plus proche du point ou bloc ont un poids
élevé.

2.3.2. Les itérations

C’est la répétition du processus qui consiste à attribuer des teneurs aux zones non échantillonnées
à partir des données avoisinantes. Dans le cadre de notre étude, les itérations ont consisté à faire
passer l’ellipsoïde de recherche 3 fois en chacun des points estimés. L’interpolation des teneurs
par la pondération inverse à la distance utilise les données composites écrêtées pour remplir
l’attribut (Au) du modèle de blocs contraint par le domaine de minéralisation, en faisant une
recherche elliptique. A chaque échantillon est attribué un poids inversement proportionnel à la
distance qui le sépare du point ou bloc à estimer.

Une anisotropie dynamique a été utilisée dans le cadre de notre étude afin de répondre à la non
linéarité des structures minéralisées, prenant ainsi en compte les variations locales de direction.
Les paramètres de l’ellipsoïdes (la distance de recherche, le nombre d’échantillons…) sont variés
à chaque passage afin d’optimiser l’interpolation.

L’estimateur linéaire s’écrit comme suit :

∑𝑵
𝒊=𝟏 𝝎𝒊 ∗𝒛𝒊
𝒛∗ = ∑𝑵
𝒊=𝟏 𝝎𝒊

- ω correspond au poids attribué à chaque donnée composite.

- Z*est la valeur estimée
- Zi est la valeur du composite correspondant, et (i=1. …. N) tous les composites utilisés.

Le calcul des poids ωi est basé sur l'inverse de la distance qui sépare le point (bloc) en cours
d'estimation des composites voisins qui interviennent dans l’interpolation.

On écrit :
𝟏
𝒘𝒊 = 𝒄+𝒅𝝎
𝒊

37
Où di est la distance entre le composite et le point en cours d'estimation. ω est l'exposant et c une
constante pour éviter de surpondérer les données très proches. Les pondérations sont normalisées
de sorte que la somme des facteurs donne 1 afin d'assurer une estimation globale non biaisée.

Les exposants couramment utilisés sont ω = 2 (distance inverse au carré) et ω = 3 (distance inverse
au cube).

Les paramètres (tableau 8) nécessaires pour l’application de la pondération inverse à la distance se

résument à l’angle de rotation, aux paramètres de l’ellipsoïde de recherche et au nombre de
composites utilisés pour l’estimation de chaque bloc. Ces paramètres conditionnent les résultats
d’estimation attendus.

Tableau 8 : Résumé des paramètres d’estimation utilisés par la pondération inverse distance
PARAMETRES D'ESTIMATION
Angle de rotation Ellipsoïde de recherche

Passes Distance Distance Distance nombre de

d'estimation discrétisation
Convention Direction Plongement Pendage horizontale horizontale verticale composites
(X) (Y) (Z)
min max
1 surpac zxy lrl 235 0 -75 18 26 7 3 10 3*3
2 surpac zxy lrl 235 0 -75 27 40 10 3 15 3*3
3 surpac zxy lrl 235 0 -75 54 80 20 3 20 3*3

2.4 Les méthodes géostatistiques linéaire : La méthode du krigeage ordinaire (KO)

Le krigeage est une méthode d’interpolation dont le pondérateur est une fonction de la structure
qui est issue des données (c’est-à-dire des distances, des valeurs et des corrélations). Cette méthode
se repose essentiellement sur l’étude du variogramme qui décrit spatialement la variable
régionalisée.

C’est la méthode optimale au sens statistique, d’interpolation et d’extrapolation. (Gratton Y.

,2002).

L’estimateur linéaire s’écrit : Z*(x) = ∑𝑛𝑖=1 𝜆𝑖 𝑍𝑖 . Où

- Z* est la valeur estimée ;

- λi le pondérateur ;
- Zi désigne les variables aléatoires (points échantillonnés).

38
Initié dans les années 50 par un ingénieur minier sud-africain D G Krige, et formalisé par Georges
MATHERON, le Krigeage s’est imposé aujourd’hui dans bien de domaines comme une méthode
d’estimation de référence.

Cette méthode permet d’estimer la valeur d’un site si ou d’un bloc Vi à partir des valeurs observées
sur les sites avoisinant, en prenant en compte leur configuration géométrique, et la structure
spatiale de la régionalisation. (Xavier Emery.2001).

On obtient une estimation avec une variance minimale et sans biais dont on peut calculer l’erreur
d’estimation. Pour que l’estimateur soit sans biais la somme des pondérations doit être égale à un
(1) : ∑𝑛𝑖=1 𝜆𝑖 = 1

Il existe trois (03) types de krigeage qui sont :

- Le krigeage simple (moyenne connue)

- Le krigeage ordinaire (moyenne inconnue)
- Le krigeage universel.

L’estimation des ressources par la méthode du krigeage ordinaire se fait en plusieurs étapes :
l'analyse statistique exploratoire des données, la modélisation du variogramme, les itérations.

2.3.3. Définition et hypothèse de base

[Link]. Définition

- La variable aléatoire

C’est la fonction définie dans l’espace géographique et représentant numériquement la variable

régionalisée étudiée. Elle est notée Z(x)

- La variable régionalisée

La variable régionalisée est une réalisation d’une fonction aléatoire {Z(x). x ϵ D} pour un point xi
pris dans D où Z(xi) est la valeur de celle-ci au point xi.

D est le champ. C’est à dire l’espace géographique où la variable prend ses valeurs.

- Voisinage du krigeage

39
On appelle voisinage du krigeage le domaine de l’espace qui contient le support de la grandeur à
estimer et les données qui interviennent dans l’estimation.

En présence d’une anisotropie, le krigeage a un voisinage de forme elliptique (ellipsoïde) et

parallèles à l’axe de continuité maximale. La taille de l’ellipsoïde doit être équilibrée pour prendre
en compte un nombre suffisant de données, tout en se limitant aux données du domaine concerné.

[Link]. Hypothèses de base

L’utilisation du krigeage ordinaire suppose que la moyenne est inconnue et demeure constante à
l’échelle du voisinage du krigeage.

L’estimation globale de Z(x) (fonction aléatoire) à partir des valeurs d’échantillons de la variable
régionale (inférence statistique) présente deux problèmes majeurs : d’une part, on ne dispose que
d’une seule réalisation de la fonction aléatoire (la variable régionalisée est observée qu'une seule
fois à un endroit précis) ; d’autre part, cette réalisation est connue que de manière fragmentaire, en
certains points d’échantillons. Pour résoudre ces problèmes, deux hypothèses sont émises :
l’hypothèse de stationnarité (homogénéité spatiale de la régionalisation) et l’hypothèse
intrinsèque.

- Hypothèse de stationnarité

Une variable régionalisée est dite stationnaire lorsque deux paires de données espacées d'un même
vecteur h ont des caractéristiques (moyenne et covariance) semblables (c’est-à-dire que les
caractéristiques de la variable régionalisée ne varient pas en fonction de sa position spatiale, mais
uniquement en fonction de la distance qui sépare les paires).

Une fonction aléatoire Z(x) est dite stationnaire d’ordre 2 quand son espérance et sa fonction de
covariance existent et sont invariant par translation.

E[Z(x)] = m indépendant de x

Cov[Z(x+h). Z(x)] = C(h) ne dépend que de h

- Hypothèse intrinsèque

Une fonction aléatoire Z(x) est intrinsèque quand ses accroissements Z(x+h) - Z(x) sont
stationnaires d'ordre 2 (C’est-à-dire que la moyenne des accroissements est nulle (E[Z(x+h) -Z(x)]

40
=0) et que l’erreur d'estimation de Z(x+h) par Z(x) et vice versa est fonction de la distance h qui
les sépare).

Remarque : la stationnarité du 2nd ordre implique l’hypothèse intrinsèque. La réciprocité n’est

pas nécessairement vraie.

2.3.4. Application du krigeage ordinaire

L’exécution du krigeage ordinaire repose essentiellement sur l’étude du variogramme qui fournit
les paramètres nécessaires. L’étude du variogramme a été réalisée par le logiciel ISATIS. Une fois
les paramètres du voisinage déterminés, le logiciel SURPAC a été utilisé pour effectuer les
estimations.

Le but est de prédire les teneurs dans les zones non échantillonnées à partir des données mesurées
en utilisant les paramètres qui décrive la continuité spatiale du gisement.

L’estimateur linéaire s’écrit Z*(x) = ∑𝑛𝑖=1 𝜆𝑖 𝑍𝑖 .

La condition de non biais : ∑𝑛

𝑖=1 𝜆=1

[Link]. Les paramètres d’estimation

A l’instar de la pondération inverse à la distance, la méthode du krigeage ordinaire se repose sur

des paramètres qui conditionnent la qualité de l’estimation. Aux facteurs tels que le volume de
recherche, le nombre d’échantillons préalablement discutés (2.2.1), s’ajoute les paramètres
variographique : la portée, le palier et l’effet pépite.

- La portée

La portée n’a pas une grande influence sur le poids du krigeage, mais l’écart-type du krigeage
dépend fortement de celle-ci. Plus la portée est grande, plus la corrélation entre les sites de mesures
et les sites à estimer augmente : c’est-à-dire que les teneurs mesurées apportent d’avantage
d’informations aux valeurs estimées rendant ainsi l’estimation meilleure.

- Le palier

A l’instar de la portée, le palier n’a pas une influence importante sur le poids du krigeage, mais
influence son écart type et donc la variance de l’estimation.

41
 - L’effet pépite

La présence d’un fort effet pépite indique l’irrégularité de la structure spatiale. Il a tendance à
donner le même poids à toutes les observations. L’écart type du krigeage augmente avec l’effet
pépite. Il influence également le poids du krigeage et donc l’estimation.

- L’anisotropie

C’est un facteur important en estimation car elle influence le poids des échantillons voisins sur le
point ou bloc en cours d’estimation. Le poids du krigeage affecté au sites situés dans la direction
principale d’anisotropie est plus important que celui des directions perpendiculaires.

[Link]. Les itérations

Elles consistent à faire passer l’ellipsoïde de recherche plusieurs fois au point en cours d’estimation
en variant les paramètres d’estimation. Cette étape est faite pour chaque site du domaine concerné.

L’ellipsoïde de recherche est placé au centre du point ou du bloc à estimer.

En effet, chaque bloc a été discrétisé en trois (03) points et ce sont ces points qui seront directement
estimés. La teneur du bloc discrétisé est égale à la moyenne des teneurs de ses points. Pour chaque
bloc ou point à estimer, l’ellipsoïde effectue trois (03) passages au cours desquels les distances de
recherche et le nombre d’échantillons sont variés afin d’optimiser la recherche.

Une anisotropie dynamique a été utilisée dans le cadre de notre étude afin de répondre à la non
linéarité des structures minéralisées, prenant ainsi en compte les variations locales de direction.

Les paramètres de recherche d’estimation sont résumés dans le tableau 8 ci-dessous. Plusieurs
paramètres sont pris en compte à savoir les paramètres de l’angle de rotation, la taille des blocs,
les paramètres variographiques, les paramètres de l’ellipsoïdes de recherche et le nombre de
composites.

Tableau 9 : paramètres d’estimation utilisés par le krigeage ordinaire

PARAMETRES D'ESTIMATION
Angle de rotation Ellipsoïde de recherche

Passes Distance Distance Distance nombre de

d'estimation discrétisation
Convention Direction Plongement Pendage horizontale horizontale verticale composites
(X) (Y) (Z)
min max
1 surpac zxy lrl 235 0 -75 18 26 7 3 10 3*3

42
 2 surpac zxy lrl 235 0 -75 27 40 10 3 15 3*3
3 surpac zxy lrl 235 0 -75 54 80 20 3 20 3*3

En plus des paramètres communs aux deux méthodes d’estimation, les paramètres variographiques
(tableau 5) sont utilisés lors de l’interpolation par le krigeage ordinaire.

2.3.5. Résultats d’estimation

Il s’agit des résultats attendus à l’issue de la réalisation des estimations par les deux méthodes. Le
tableau 9 présente le résumé des résultats obtenus à l’issue des estimations. Ils concernent
essentiellement le tonnage, la teneur et la quantité du métal Au (or) en gramme et en once.

Tableau 10 : Résultats d’estimation

Teneurs considérées (.>=0.5 g/t) Tonnage (t) Teneur moyenne (g/t) Métal Or (g) Métal Or (oz)
Au_id3 (Pondération inverse à
84074,00 7,30 613740,20 19732,20
la distance à la puissance 3
Au_ok (Krigeage Ordinaire) 85815,00 7,40 635031,00 20416,72

[Link].Validation du modèle des blocs

La validation du modèle des blocs est la dernière partie de l’estimation, le but est de s’assurer de
la qualité et de l’utilité du modèle estimé en vérifiant la corrélation des teneurs estimées, teneurs
composites et teneurs brutes. Il existe plusieurs méthodes de validation : la validation visuelle, la
validation graphique, la validation statistique...

- La validation visuelle

C’est une visualisation à l’écran du modèle des blocs, des solides et des trous de forage par section
dans les plans X Z et X Y. Le but est d’apprécier le degré de similarité entre les valeurs estimées
et celle utilisées pour l’estimation (valeurs composites).

Les deux figures ci-dessous (figure 20.1 et figure 20.2) montrent la correspondance modèle estimé-
solide-trous de forage dans les plans (X Y) et (X Z). Le modèle des blocs épouse bien les solides,
et se rapproche des teneurs qui ont servi à l’estimation.

L’observation des intersections du modèle des blocs avec les teneurs en Or des trous de forage
présentent une correspondance acceptable.

Figure 20 : visualisation du modèle des blocs et les trous de forage en section X Z et X Y

43
 - Validation graphique (swath plot)
Les courbes des teneurs estimées et celles des valeurs ayant servies à l’estimation sont superposées
afin d’apprécier leur similarité.

Les abscisses correspondent aux axes X et Y et les ordonnées correspondent aux teneurs.

Les figures 21 (figure 21.1 et figure 21.2) et 22 (figure 22.1 et figure 22.2) correspondent à la
superposition des valeurs estimées et les valeurs composites suivant les axes de grande continuité
X (figure 21.1, figure 22.2) et Y (figure 21.2, figure 22.1).

Les deux courbes (figures 21 et 22) se superposent avec presque les mêmes pics et les mêmes
creux suivant l’axe Y confirmant ainsi la continuité maximale des teneurs fournie par le
variogramme (N325). Suivant l’axe X, les courbes présentent des dissemblances plus ou moins
marquées.

Dans l’ensemble, la validation graphique du modèle de blocs montre une estimation satisfaisante.

Figure 21 : valeurs composites vs valeurs estimées par la PID suivant les axe X (1) et Y (2).

44
Figure 22 : valeurs composites vs valeurs estimées par KO suivant l’axe Y (1) et l’axe X (2).

La figure montre le diagramme quantile-quantile (QQ plot) des valeurs estimées par la pondération
inverse à la distance (au_id3) et par le krigeage ordinaire (Au_ok). Ces deux valeurs présentent
une forte ressemblance matérialisée par un coefficient de corrélation de 0.809.

Figure 23 : Diagramme quantile-quantile (auid3 vs au_ok)

45
 - Validation statistiques

La statistique des estimations correspond à des mesures ciblées qui nous permettent de juger
satisfaisant l’estimation ou non. Dans le cadre de notre étude, les mesures comparées sont
notamment les mesures de dispersion et de position. Les résultats d’estimation sont résumés dans
le tableau 9.

Les valeurs estimées par chaque méthode d’estimation sont comparées avec les valeurs mesurées
(composites écrêtés). Cette comparaison permet d’apprécier les résultats d’estimation fournies par
chaque méthode en considérant les composites écrêtés comme les valeurs de référence.

Pour ce qui est du krigeage ordinaire, deux autres valeurs peuvent permettent de valider le modèle
des blocs. Il s’agit de l’efficacité du krigeage (0,50) et de la pente du biais conditionnel (0,78).
Dans un contexte parfait ces valeurs seraient égale à un (1).

L’analyse statistique des valeurs d’estimation nous laisse conclure que l’estimation est acceptable.

- Rapport de blocks
Tableau 11 : comparaison des résultats fournis par les deux méthodes d’estimation

46
 RESUME STATISTIQUE DES ESTIMATIONS
Coefficient
Mi
Max Variance Ecart-type moyenne de
n
variation
Composites écrêtés 0 75 209.79 14.48 8.03 1.80
Au-id3 (inverse distance) 0 68.12 69.56 8.34 7.30 1.14
Au-ok (krigeage ordinaire) 0 70 59.60 7.72 7.40 1.04
Variation Au-id3 % 0 0 66.87 42.43 -9.09 -36.64
Variation Au-ok % 0 0 71.62 46.71 -7.85 -42.15
Plus tard, l’estimation des ressources par chacune des méthodes a pu être comparé à la quantité du
minerai extraite sur le même intervalle que le rapport du modèle des blocs.

Comme le montre le tableau 12, les valeurs fournies par les deux méthodes présente des variations
plus ou moins significatives par rapport au valeurs du minerai excavé. La valeur du métal Or estimé
par la méthode du krigeage ordinaire est sensiblement égale au métal Or extrait alors que celle
fournit par la pondération inverse à la distance s’en éloigne. Ces variations sont tout de même
justifié au vu des phénomènes de dilution et de perte de minerai qui peuvent être plus ou moins
important.

Tableau 12 : comparaison des valeurs estimées du minerai et des valeurs du minerai extrait
VALEURS DU MINERAI ESTIMEE vs VALEURS DU MINERAI EXTRAIT
tonnage (t) teneur (g/t) once (oz)
Au-id3 (Pondération Inverse Distance) 84074 7.3 19732
Au-Ok (krigeage ordinaire) 85815 7.4 20417
Minerai extrait sur l'intervalle estimé 90621 6.97 20307
Variation PID/ minerai extrait % 7.79 -4.52 2.91
Variation OK/ minerai extrait % 5.6 -5.81 -0.54

47