Machine Learning: comment nous avons réalisé un modèle géologique en moins de 60 minutes

On obtient un modèle géologique, en moins d'une heure.

Le Deep Learning vs la modélisation géologique traditionnelle

La mine Lisheen, un projet de zinc et de plomb situé dans County Tipperary en Irelande, a été opérationnelle de 1999 à 2015, date à laquelle elle a cessé sa production. Pendant cette période, le site a utilisé le logiciel Maptek ™ Vulcan ™ pour les levés souterrains, la modélisation géologique, la variographie, l'estimation des ressources et la planification de la mine.

Nous avons utilisé les données de Lisheen pour tester les performances du Machine Learning par rapport aux techniques de modélisation géologique traditionnelles utilisées lors de l'exploitation minière.

Quels gains de temps verrions-nous? Verrons-nous une correspondance étroite entre les modèles géologiques?

Le Deep Learning: Qu'est-ce que c’est et pourquoi en avons-nous besoin?

La modélisation des domaines, l'estimation des ressources et le contrôle de minerai sont des processus critiques qui impliquent des compétences complexes et spécialisées et un investissement important en temps et en ressources. DomainMCF, développé dans le nouveau cadre Maptek pour le cloud computing, utilise des techniques de Machine Learning pour résoudre ces défis plus rapidement et plus efficacement que cela n'était traditionnellement possible.

Mettons la complexité de l’estimation des ressources en contexte: la mise en place d’une seule variable dans un seul domaine géologique en utilisant la technique de la distance inverse pourrait entraîner jusqu’à 190 décisions.

L'application du krigeage ordinaire à un seul domaine peut entraîner jusqu'à 170 décisions que pour déterminer les réglages de paramètres appropriés, suivies par à peu près 220 autres décisions pour effectuer l'estimation du krigeage.

Un gisement avec un seul minerai dans une seule géologie uniforme est rare. Par exemple, un client Maptek possède environ 900 combinaisons de domaines variables / géologiques. L'application du krigeage à l'ensemble du gisement nécessite environ 35 000 décisions!

Le Machine Learning cherche à résoudre ces défis plus rapidement et plus efficacement. La technologie permet aux machines de résoudre des problèmes complexes même lorsqu'elles utilisent un ensemble de données diversifié, non structuré et interconnecté. Plus les algorithmes du Machine Learning apprennent, mieux ils fonctionnent et, par conséquent, les operations minières acquièrent une meilleure compréhension de leur gisement.

La mine Lisheen et l'ampleur de notre challenge

2700 forages de surface et 4670 forages souterrains (voir figure 1) ont été forés à Lisheen, chacun étant détaillé par l'équipe de géologues. Les types de roches ont été classés en 50 codes différents et ceux-ci ont été utilisés pour la modélisation de domaine.

Nous ne savons pas exactement combien de temps il a fallu pour générer les structures filaires pour représenter ces codes géologiques, mais il serait prudent de supposer que plusieurs semaines ont été nécessaires pour modéliser l'interaction complexe de certaines de ces unités.

À quelle vitesse le machine learning pourrait-il traiter et modéliser les mêmes données?

Les données de Lisheen ont été téléchargées dans le moteur de Machine Learning pour le traitement, ainsi que les dimensions du modèle de bloc, dans lequel les domaines sont directement écrits. Aucune autre interprétation géologique, à part les codes des roches de la base de forage, n'a été employée pour le traitement. Une taille de bloc de 12x12x4m a été utilisée avec des tailles de sous-cellules jusqu'à 3x3x1m pour les gisement sous-horizontaux.

En l'espace de 50 minutes, le modèle de bloc était terminé, signalé par des domaines générés pour les 50 codes rock.

A ce stade tout semble positif, alors comment le modèle du Machine Learning se compare-il au modèle Vulcan d'origine?

• Nous avons effectué une comparaison visuelle à l'aide de coupes transversales et de longues sections comparant les codes de forage et les codes de géologie des blocs.
• Nous avons comparé les wireframes.
• Nous avons effectué une comparaison volumétrique

Le visuel et les wireframes ont montré une correspondance très étroite et il n'y avait qu'une différence de 4% dans les volumes de minerai entre les deux méthodes, ce dont nous sommes très satisfaits.

En conclusion, il a fallu moins de 50 minutes à DomainMCF pour signaler les domaines géologiques qui auraient pris plusieurs semaines en utilisant des méthodes traditionnelles.

Souhaitez-vous accélérer votre modélisation géologique? Contactez votre bureau Maptek local pour un essai utilisant vos propres données.