MMME’2025 Paris – 19 août 2025
Découvrez comment les consultants de Geovariances font le lien entre géostatistique et Machine Learning pour relever des défis complexes en modélisation de ressources minérales. Assistez à leur présentation pour en savoir plus.
Les consultants experts de Geovariances, Pedram Masoudi, Jean Langanay et Roberto Rolo, présenteront une communication technique lors de la 12e Conférence internationale sur l’ingénierie minière, les matériaux et la métallurgie — MMME’2025 — à Paris, en août 2025, sur le thème :
Modélisation cohérente des teneurs minérales et des zones par couplage du cokrigeage et des machines à vecteurs de support
Rejoignez-les pour découvrir comment l’association de la géostatistique et du Machine Learning permet de surmonter des défis majeurs dans la modélisation des ressources minérales.
Cette présentation introduit un workflow hybride qui améliore les performances de classification sur des jeux de données catégorielles complexes, tout en préservant l’intégrité des données lors de l’interpolation.
Ne manquez pas l’étude de cas consacrée à un gisement de cuivre porphyrique synthétique.
Résumé – Les théories de la géostatistique et du Machine Learning trouvent toutes deux leur origine dans les statistiques, mais elles s’ancrent dans des champs d’application différents. Elles sont parfois considérées comme concurrentes, parfois comme complémentaires. C’est cette seconde approche qu’adopte cet article, en proposant de les utiliser conjointement afin de répondre à certaines limites de la modélisation des ressources minérales. La géostatistique fournit des méthodes permettant une modélisation spatiale robuste des ressources minérales à partir de jeux de données univariés et multivariés. Elle exige toutefois un effort important et une solide expérience pour construire un modèle cohérent lorsque le jeu de données comporte de nombreuses catégories, qu’il s’agisse d’une seule variable catégorielle ou d’un croisement de deux ou plusieurs variables catégorielles. Le machine learning peut contribuer à lever cette limite en établissant, dans l’espace des sondages, des règles de classification entre variables continues et variables catégorielles. Le workflow proposé est appliqué à un jeu de données synthétiques de cuivre porphyrique afin d’en vérifier et d’en illustrer les performances dans un contexte multivarié. Ce jeu de données comprend cinq teneurs minérales réparties dans cinq zones minéralisées. La conclusion souligne que le choix de l’interpolateur géostatistique doit être fait avec prudence, afin de ne pas altérer la distribution statistique des données de carottes utilisées en entrée — notamment la variance et les effets liés au changement de support — lors du passage de l’espace des sondages à l’espace des blocs.