Table of Contents

L'estimation des réserves est un processus essentiel dans les activités d'exploration et d'exploitation minière, qui fournit des données essentielles pour la prise de décisions, la planification des projets et l'évaluation des investissements. Les calculs précis aident à déterminer la viabilité économique d'un gisement et guident les stratégies de gestion des ressources tout au long d'un projet minier.

La compréhension de la complexité de l'estimation des réserves exige la connaissance de multiples disciplines, notamment la géologie, les statistiques, les mathématiques et le génie minier. Le processus a évolué de façon significative au cours des décennies, passant de méthodes géométriques simples à des techniques géostatistiques sophistiquées qui tiennent compte de la variabilité spatiale et de l'incertitude.

Comprendre les ressources minérales et les réserves

Avant de passer aux méthodes d'estimation, il est essentiel de comprendre la distinction entre les ressources minérales et les réserves minérales. La ressource minérale inférée est la partie d'une ressource minérale pour laquelle la quantité, la qualité (ou la qualité) et la teneur en minéraux peuvent être estimées avec un faible degré de confiance. Elle est déduite des preuves géologiques et supposée mais non vérifiée de continuité géologique ou de qualité.

Les ressources indiquées sont simplement des occurrences minérales économiques qui ont été échantillonnées (des endroits comme les affleurements, les tranchées, les fosses et les forages) jusqu'à un point où une estimation, à un niveau de confiance raisonnable, de leur teneur en métal, grade, tonnage, forme, densités, caractéristiques physiques a été faite.

Plusieurs systèmes de classification sont utilisés pour l'évaluation économique des gisements minéraux dans le monde. Les systèmes les plus couramment utilisés sont le modèle de déclaration international, élaboré par le CRIRSCO – Comité des réserves minérales Normes internationales de déclaration, comme le Comité australien des réserves mixtes d'or – Code JORC 2012, le Comité paneuropéen des réserves et de l'amplificateur; la norme de déclaration des ressources du PERC de 2021, la classification CIM de l'Institut canadien des mines, de la métallurgie et du pétrole et le Code sud-africain pour la déclaration des ressources minérales et des réserves minérales (SAMREC), qui assurent la cohérence et la transparence dans la déclaration des ressources minérales et des réserves à l'échelle mondiale.

La Fondation : Modélisation géologique et collecte de données

L'exactitude de toute estimation des réserves dépend fondamentalement de la qualité et de la quantité des données géologiques recueillies. Une estimation typique des ressources comprend la construction d'un modèle géologique et des ressources avec des données provenant de diverses sources. Cette phase de collecte des données représente l'un des investissements les plus importants dans les projets d'exploration, car les programmes de forage peuvent coûter des millions de dollars en fonction de la profondeur, de l'accessibilité et de la complexité du gisement.

Collecte de données par forage et échantillonnage

Les programmes de forage constituent l'épine dorsale de la collecte de données sur l'exploration minérale. Diverses méthodes de forage sont utilisées selon le stade d'exploration, le type de gisement et les contraintes budgétaires. Le forage au diamant fournit des échantillons de la plus haute qualité, permettant aux géologues d'examiner les carottes rocheuses intactes et de comprendre les structures géologiques, les schémas de minéralisation et les zones de modification.

L'espacement et l'orientation des trous de forage ont une incidence significative sur la qualité des estimations des ressources. L'espacement régulier des trous de forage sur un plan de grille facilite l'estimation et la classification, tandis que l'espacement irrégulier peut être nécessaire pour suivre des structures géologiques ou tester des cibles spécifiques.

Les protocoles de collecte d'échantillons doivent suivre des procédures rigoureuses d'assurance de la qualité et de contrôle de la qualité (AQ/CQ), notamment l'insertion de matériaux de référence certifiés (normes), d'échantillons vierges et de duplicata dans le flux d'échantillons pour surveiller la précision analytique, détecter la contamination et évaluer la précision de l'échantillonnage.

Création et validation de bases de données

Une fois les échantillons recueillis et analysés, les données doivent être compilées dans une base de données complète qui intègre les données géologiques, géochimiques et géotechniques. Les bases de données d'exploration modernes comprennent généralement les coordonnées des trous de forage, les données d'arpentage en profondeur, les registres lithologiques, les résultats d'essais, les mesures de densité et divers autres attributs pertinents à l'estimation des ressources.

La validation de la base de données est une étape critique qui consiste à vérifier les erreurs, les incohérences et les anomalies dans les données, notamment en vérifiant que les coordonnées des colliers sont exactes, que les sondages sont raisonnables, que les intervalles d'échantillonnage sont continus sans lacunes ni chevauchements et que les valeurs d'analyse se situent dans les fourchettes prévues.

Interprétation géologique et définition du domaine

L'interprétation géologique consiste à synthétiser toutes les données disponibles afin de développer une compréhension tridimensionnelle de la structure, de la stratigraphie et des contrôles de minéralisation du gisement, ce qui guide la création de domaines géologiques ou d'estimations qui représentent des volumes de caractéristiques géologiques et de grade relativement homogènes.

La définition des domaines est cruciale parce que les différentes unités géologiques nécessitent souvent des paramètres d'estimation distincts et peuvent présenter des caractéristiques distinctes de continuité spatiale.Les domaines peuvent être définis en fonction de la lithologie, du type d'altération, du style de minéralisation ou des populations de grade.

Les modèles de trames filaires sont couramment utilisés pour représenter les limites géologiques en trois dimensions. Ces surfaces numériques sont construites en interprétant les contacts géologiques sur des sections transversales ou des plans de niveaux, puis en reliant ces interprétations pour créer des surfaces continues. Les trames filaires définissent les volumes à l'intérieur desquels l'estimation de la qualité sera effectuée et servent de contraintes pour le modèle de blocs.

Modélisation par blocs : le cadre d'estimation

Le modèle de bloc est créé à l'aide de géostatistiques et des données géologiques recueillies par forage de la zone de minerai prospective. Le modèle de bloc est essentiellement un ensemble de blocs de taille spécifique dans la forme du minerai minéralisé. Bien que les blocs aient tous la même taille, les caractéristiques de chaque bloc diffèrent. La qualité, la densité, le type de roche et la confiance sont tous uniques à chaque bloc dans le modèle de bloc entier.

Les modèles de blocs fournissent un cadre normalisé pour l'estimation et la déclaration des ressources minérales. Plutôt que d'essayer d'estimer la teneur à chaque emplacement possible dans un gisement, le volume minéralisé est subdivisé en blocs réguliers, et la teneur moyenne de chaque bloc est estimée à partir des données d'échantillons à proximité.

Sélection de la taille des blocs

Une fois les corps minéralisés définis, ils sont subdivisés en blocs. Les dimensions de chaque bloc dépendent de la morphologie du corps minéralisé, de la distribution spatiale des données et de la méthode d'exploitation prévue (p. ex., hauteur du banc dans l'exploitation à ciel ouvert).

Les blocs plus petits offrent une plus grande résolution et peuvent mieux représenter la variabilité de la qualité dans le gisement, mais ils augmentent les besoins en calcul et peuvent conduire à des artefacts d'estimation si l'espacement de l'échantillon est insuffisant pour supporter la taille du bloc choisi.

Une approche courante consiste à sélectionner une taille de bloc parent qui s'harmonise avec la sélectivité prévue de l'exploitation minière, comme la hauteur du banc pour les opérations à ciel ouvert ou les dimensions des arrêts pour l'exploitation minière souterraine. Le sous-blocage peut ensuite être appliqué pour mieux honorer les limites géologiques et améliorer les calculs de volume sans compromettre la qualité de l'estimation.

Attributs de modèles de blocs

Chaque bloc du modèle contient plusieurs attributs au-delà des estimations de grades simples. Les attributs communs comprennent les coordonnées (position X, Y, Z), les codes de domaine géologique, les grades estimés pour divers éléments, la densité ou la gravité spécifique, la catégorie de classification (mesurée, indiquée, inférée), le nombre d'échantillons utilisés pour l'estimation, la distance à l'échantillon le plus proche et la variance d'estimation ou d'autres mesures d'incertitude.

Les autres caractéristiques peuvent comprendre les caractéristiques métallurgiques, les propriétés géotechniques, les paramètres environnementaux et les variables économiques, comme le rendement net ou le profit par bloc, ce qui transforme le modèle de bloc d'une simple estimation de la teneur en un outil puissant pour la planification des mines, l'établissement de calendriers et l'évaluation économique.

Méthodes d'estimation des réserves

Les méthodes classiques d'estimation, telles que les techniques géométriques et géostatistiques, demeurent les méthodes les plus utilisées pour estimer les ressources. Plusieurs méthodes sont utilisées pour estimer les réserves minérales, chacune convenant à différents types de dépôts et à la disponibilité des données. La sélection d'une méthode d'estimation appropriée dépend de facteurs tels que la complexité géologique du gisement, la distribution spatiale et la densité des données d'échantillonnage, la variabilité de la qualité, le niveau de confiance requis, ainsi que le temps et le budget disponibles.

Méthodes géométriques

Les méthodes géométriques représentent les premières approches d'estimation des réserves et restent utiles dans certaines circonstances, en particulier lors de l'exploration en début de phase ou pour des gisements simples et bien définis.

Méthode du voisinage le plus proche

La méthode voisine la plus proche attribue les valeurs de grade aux blocs du point d'échantillonnage le plus proche au bloc. Cette approche simple donne un poids de un à l'échantillon le plus proche et de zéro à tous les autres échantillons. La méthode crée des limites nettes entre les zones d'influence, ce qui entraîne une apparence bloquante lorsqu'on la visualise. Bien que calculablement efficace et facile à comprendre, l'estimation voisine la plus proche ne lisse pas les transitions de grade et peut produire des distributions de grade irréalistes, particulièrement lorsque l'espacement de l'échantillon est irrégulier.

La méthode voisine la plus proche est la plus appropriée pour les gisements bien échantillonnés avec des distributions de grade relativement uniformes ou pour créer des estimations préliminaires au cours des premières étapes d'exploration. Elle peut également être utile pour estimer des variables catégoriques telles que le type de roche ou le domaine géologique, où l'interpolation entre les différentes catégories n'est pas significative.

Méthode polygonale

La méthode polygonale, aussi connue sous le nom de méthode de zone d'influence, attribue à chaque point d'échantillonnage une zone (ou un volume en trois dimensions) dans laquelle la qualité de l'échantillon est supposée s'appliquer. C'est une technique d'estimation de réserve qui dessine la zone d'influence pour un trou de forage.

Cette méthode est simple à appliquer et à visualiser, ce qui la rend utile pour communiquer des estimations des ressources à des auditoires non techniques. Cependant, comme le voisin le plus proche, elle crée des limites de grades pointues qui peuvent ne pas refléter les transitions progressives typiques de nombreux gisements minéraux. La méthode ne fournit pas non plus de mesure de l'incertitude d'estimation, qui est de plus en plus exigée par les normes modernes de déclaration.

Méthode de pondération inverse de la distance

La pondération de distance inverse (PDI) représente une amélioration significative par rapport aux méthodes géométriques simples en intégrant des informations provenant de plusieurs échantillons et en les pondérant en fonction de leur distance par rapport au bloc étant estimé. Les échantillons plus proches du point d'intérêt obtiennent une pondération plus élevée que les échantillons plus éloignés.

La formule de base de l'IDW calcule la note estimée comme moyenne pondérée des notes d'échantillon voisines, où le poids attribué à chaque échantillon est inversement proportionnel à sa distance du centre de blocs élevé à une puissance (généralement 2 ou 3). Le paramètre de puissance contrôle la rapidité avec laquelle l'influence des échantillons diminue avec la distance. Une puissance de 2 (distance inverse au carré) est la plus courante, fournissant un équilibre raisonnable entre les tendances locales et mondiales.

Ces techniques de distance inverse introduisent des questions telles que la recherche d'échantillons et les décisions de dégroupage, et permettent d'estimer des blocs d'une taille définie, en plus des estimations ponctuelles.Les paramètres de recherche doivent être définis pour spécifier quels échantillons sont utilisés dans l'estimation de chaque bloc. Ceci implique généralement la définition d'un ellipsoïde de recherche avec des dimensions qui reflètent la continuité attendue de la minéralisation dans différentes directions.

Les méthodes de l'IDW sont efficaces sur le plan du calcul, faciles à mettre en œuvre et permettent de produire des estimations raisonnables pour de nombreux types de dépôts. Elles conviennent particulièrement lorsque l'espacement des échantillons est relativement uniforme et que le dépôt présente des transitions progressives.

Méthodes géostatistiques et riging

Les méthodes géostatistiques utilisées pour l'estimation des réserves de minerais utilisent des statistiques spatiales tridimensionnelles pour améliorer la qualité de l'estimation. La géostatistique représente l'approche la plus sophistiquée et la plus largement acceptée pour l'estimation des ressources minérales, fournissant un cadre statistique rigoureux pour la modélisation de la variabilité spatiale et la quantification de l'incertitude d'estimation.

Le développement de la géostatistique comme méthode d'estimation des réserves de minerais est né en France au début de 1960 des travaux de Matheron (1962) et a été basé sur des études originales de D.G. Krige fonctionnant l'attribution optimale de poids aux valeurs d'échantillons voisines utilisées pour estimer la qualité des blocs dans les mines d'or sud-africaines.

Concepts fondamentaux de la géostatistique

La géostatistique peut être définie comme l'application de la théorie de la "variable régionale" à l'évaluation d'un gisement minéral, impliquant l'étude de la relation spatiale entre les valeurs d'échantillon, l'épaisseur ou tout phénomène géologique montrant une dispersion intrinsèque. La principale idée de la géostatistique est que les échantillons rapprochés dans l'espace tendent à être plus semblables que les échantillons éloignés, et cette corrélation spatiale peut être quantifiée et utilisée pour améliorer l'estimation.

Les statistiques classiques exigent l'utilisation d'un modèle de distribution particulier, par exemple, les données sont normalement distribuées et les échantillons sont indépendants les uns des autres. En général, nous ne disposons pas d'échantillons suffisants du minerai pour attribuer une distribution, et de plus, les échantillons sont souvent corrélés, c'est-à-dire qu'ils ne satisfont pas aux exigences d'indépendance des statistiques classiques.

Variographie et analyse de la continuité spatiale

Cette estimation spatiale est réalisée à l'aide des données de l'échantillon et d'un modèle appelé variogramme, qui est utilisé pour représenter la corrélation entre les échantillons. Le variogramme (ou plus précisément le semi-variogramme) est l'outil fondamental pour quantifier la continuité spatiale dans la géostatistique.

La fonction qui mesure la variabilité spatiale entre les valeurs de l'échantillon est appelée « semi-variance ». Les semi-variogrammes sont construits en comparant une valeur de l'échantillon avec les autres à une distance en constante augmentation appelée intervalle de décalage. Le variogramme expérimental est calculé en comparant toutes les paires d'échantillons séparés par des distances similaires et en calculant la moitié de la différence carrée moyenne entre leurs valeurs.

À de très courtes distances (à peu près à zéro), le variogramme peut montrer une discontinuité appelée effet de pépite, représentant une erreur de mesure, une variabilité microéchelle ou une erreur d'échantillonnage. À mesure que la distance augmente, le variogramme augmente habituellement, reflétant une corrélation décroissante entre les échantillons. Finalement, le variogramme peut se stabiliser sur un plateau appelé seuil, représentant la variance de l'ensemble de données. La distance à laquelle le seuil est atteint est appelée la plage, représentant la distance au-delà de laquelle les échantillons ne sont pas essentiellement corrélés.

Pour un semi-variogramme expérimental, divers modèles mathématiques peuvent être installés tels que le modèle Spherique/Mathéron, le modèle Exponentiel, le modèle De Wijsian/Logarithmique, le modèle linéaire, le modèle parabolique, le modèle Hole-Effect, le modèle Spherique Mixte/Nested etc. Le modèle Spherique/Mathéron est le plus souvent utilisé car plus de 95 % des dépôts minéraux sont conformes à ce modèle.

La variographie doit souvent être effectuée séparément pour différentes directions de détection et de modélisation des différences de continuité spatiale. De nombreux dépôts minéraux présentent une anisotropie due à des contrôles géologiques tels que la litière, la foliation ou les tendances structurelles. L'anisotropie est modélisée en définissant différentes gammes dans différentes directions, généralement à l'aide d'un ellipsoïde pour représenter la structure de continuité spatiale.

La technique optimale d'estimation

Cette estimation est souvent réalisée à l'aide d'une technique connue sous le nom de kriging. Kriging fournit une interpolation optimale à l'aide du variogramme; et la technique est similaire à une simple interpolation, comme nous l'utilisons en d'autres termes l'algorithme de distance inverse, mais elle est différente, car elle nous permet de prendre en compte les informations que nous connaissons sur la géologie et les propriétés qui l'accompagnent.

La méthode géostatistique d'estimation des valeurs d'une variable régionalisée à l'aide des informations obtenues à partir d'un modèle semi-variogramme est Kriging. C'est une technique optimale d'interpolation spatiale. Elle est appelée BLUE comme (i) elle est BEST (en raison de la variance minimale d'estimation); (ii) LINEAR (en raison de la moyenne arithmétique pondérée); (iii) UNBIASED (depuis la somme du poids à l'unité) Estimateur.

Comme l'IDW, le kriging estime les grades de blocs comme des moyennes pondérées des grades d'échantillons voisins. Cependant, le kriging détermine les poids optimaux en résolvant un système d'équations dérivées du modèle de variogramme. Ces poids minimisent la variance d'estimation tout en s'assurant que l'estimation est impartiale. Le système de kriging tient automatiquement compte de la configuration spatiale des échantillons, de la distance jusqu'au bloc estimé, du regroupement des échantillons et de la structure de continuité spatiale sous-jacente.

Les méthodes géostatistiques peuvent être classées en trois catégories, à savoir les approches linéaires de gréage, les méthodes non linéaires de gréage (probabilistes) et les méthodes de simulation. Le gréage linéaire est une méthode statistique utilisée pour l'interpolation/extrapolation d'échantillons connus pour prédire les valeurs à des endroits inconnus lors de l'estimation des ressources minérales.

Le kriging ordinaire (OK) est la variante la plus utilisée dans l'estimation des ressources minérales. Il suppose une moyenne constante mais inconnue dans le quartier de recherche et évalue simultanément la note et la moyenne locale. Cela rend OK robuste et applicable à la plupart des types de dépôts sans exiger d'hypothèses sur les tendances globales ou la stationnarité.

Le kriging simple (SK) suppose une moyenne constante connue sur l'ensemble du dépôt. Bien que moins flexible que OK, SK peut être plus efficace lorsque la moyenne est bien établie et peut être utilisée dans des techniques plus avancées comme le kriging avec dérive externe ou le co-kriging.

Le kriging universel (UK) et le kriging avec dérive externe (KED) permettent de suivre des tendances de la valeur moyenne dans l'ensemble du gisement, qui sont utiles lorsqu'il existe des tendances spatiales claires en matière de grade qui devraient être modélisées explicitement, comme la diminution de la teneur en profondeur ou en distance par rapport à une source de minéralisation.

L'indicateur kriging transforme les données de grade en indicateurs binaires (au-dessus ou au-dessous d'un seuil) et estime la probabilité de dépasser les différentes seuils de grade.

Avantages et limites du gréement

Les techniques géostatistiques ne fournissent pas seulement des estimations pour n'importe quel point, mais permettent également de trouver des coefficients de pondération pour un bloc minier donné ainsi que des configurations de données qui minimisent l'erreur ou obtiennent la variance associée. La variance de krigage fournit une mesure de l'incertitude d'estimation qui peut être utilisée pour la classification des ressources, l'évaluation des risques et l'optimisation de la planification minière.

Le fait de faire des calculs respecte les données de l'échantillon, ce qui signifie que, dans les endroits où l'échantillon est prélevé, l'estimation de la valeur de l'échantillon est égale à la valeur de l'échantillon (dans le cas du point de fait). La méthode tient compte automatiquement du regroupement de l'échantillon, ce qui donne moins de poids aux groupes d'échantillons très espacés pour éviter de représenter de façon excessive les zones échantillonnées de façon dense.

Le kriging linéaire exprime l'incertitude en utilisant une variance d'erreur basée sur la configuration des données, ce qui donne une évaluation moins pratique de l'incertitude. La variance de kriging dépend uniquement de la configuration spatiale des échantillons et du modèle de variogramme, et non des valeurs réelles de l'échantillon.

Le frigidage a également un effet lissant, où les grades estimés présentent moins de variabilité que les grades réels, car le frigidage minimise la variance d'estimation, ce qui tend à produire des estimations plus proches de la moyenne. L'effet lissant peut entraîner une surestimation des matériaux de faible qualité et une sous-estimation des matériaux de haute qualité, ce qui a des répercussions importantes sur la planification des mines et le contrôle des grades.

La modélisation des variogrammes implique des décisions subjectives sur la sélection des modèles et l'ajustement des paramètres, et de mauvais modèles de variogrammes peuvent conduire à de mauvaises estimations. La complexité des géostatistiques peut aussi rendre plus difficile d'expliquer les résultats aux intervenants non techniques.

Simulation géostatistique

Bien que le kriging fournisse des estimations optimales en termes de minimisation de la variance d'estimation, il ne reproduit pas la variabilité complète des grades dans le dépôt. La simulation géostatistique aborde cette limitation en générant de multiples réalisations tout aussi probables du dépôt qui honorent les données de l'échantillon, reproduisent le modèle de variogramme et maintiennent les caractéristiques statistiques de la distribution des grades.

La simulation gaussienne séquentielle est la technique de simulation la plus courante. Elle se fait en visitant au hasard chaque bloc du modèle, en estimant la distribution conditionnelle locale des grades à l'aide de kriging, puis en tirant une valeur aléatoire de cette distribution. Cette valeur simulée est ensuite ajoutée à l'ensemble de données et utilisée pour conditionner les simulations subséquentes, assurant ainsi la continuité spatiale.

Des simulations multiples (généralement 50 à 200) sont produites pour représenter l'éventail des distributions de grade possibles, conformément aux données disponibles, qui peuvent servir à évaluer l'incertitude dans les estimations des ressources, à évaluer le risque de différents scénarios miniers, à optimiser les plans miniers sous l'incertitude et à appuyer la prise de décisions lorsqu'on fait face à une incertitude géologique importante.

La simulation est particulièrement utile pour les dépôts à grande variabilité, la géologie complexe ou pour les projets où la compréhension de l'incertitude est essentielle. Cependant, la simulation est intensive en calcul et nécessite une validation minutieuse pour s'assurer que les réalisations sont raisonnables sur le plan géologique et représentent une incertitude appropriée.

Approches d'apprentissage automatique

Les progrès récents dans les algorithmes informatiques ont permis aux chercheurs d'explorer le potentiel des techniques d'apprentissage automatique dans l'estimation des ressources minérales. Les méthodes d'apprentissage automatique offrent le potentiel de modéliser des relations complexes non linéaires entre les grades et diverses variables géologiques, géochimiques et géophysiques.

La littérature montre que les modèles d'apprentissage automatique peuvent tenir compte de plusieurs paramètres géologiques et approximativement des relations complexes non linéaires entre eux, montrant des performances supérieures aux techniques conventionnelles. Les approches communes d'apprentissage automatique appliquées à l'estimation des ressources comprennent la régression aléatoire des forêts, les machines vectorielles de soutien, les réseaux neuronaux et les algorithmes de stimulation des gradients comme XGBoost.

Ces méthodes peuvent comprendre divers types de données, notamment des domaines géologiques, des indices d'altération, des mesures géophysiques et des rapports géochimiques, comme variables prédictives, et saisir des modèles spatiaux complexes qui peuvent être difficiles à modéliser selon des approches géostatistiques traditionnelles.

Cependant, les approches d'apprentissage automatique ont des limites dans le contexte de l'estimation des ressources. Elles nécessitent généralement des ensembles de données de formation importants, qui peuvent ne pas être disponibles au début des étapes d'exploration. Les modèles peuvent être difficiles à interpréter, ce qui rend difficile de comprendre pourquoi certaines prédictions sont faites.

Actuellement, l'apprentissage automatique est mieux considéré comme un outil complémentaire que comme un remplacement des méthodes géostatistiques classiques. Il peut être très utile pour intégrer des informations auxiliaires, identifier des modèles complexes ou fournir d'autres estimations pour la comparaison et la validation.

Considérations pratiques dans l'estimation des réserves

L'estimation des ressources minérales est associée à l'incertitude découlant de l'échantillonnage, de l'hétérogénéité géologique, du manque de connaissances et de l'application de modèles mathématiques aux endroits échantillonnés et non échantillonnés. L'incertitude cause une surestimation ou une sous-estimation de la qualité ou de la quantité des gisements minéraux, ce qui affecte la valeur prévue d'un projet minier.

Qualité des données et AQ/CQ

La qualité des données d'entrée détermine fondamentalement la fiabilité des estimations des ressources.Les programmes complets d'AQ/CQ sont essentiels tout au long du processus d'exploration et d'échantillonnage, notamment les protocoles appropriés de collecte d'échantillons, les procédures de chaîne de garde, les méthodes de préparation d'échantillons appropriées, les techniques d'analyse certifiées et l'insertion systématique d'échantillons de contrôle de la qualité.

Les matériaux de référence certifiés (normes) ayant des qualités connues doivent être insérés à intervalles réguliers (généralement 5-10 % des échantillons) pour surveiller la précision de l'analyse. Les échantillons blancs aident à détecter la contamination pendant la préparation ou l'analyse de l'échantillon.

L'analyse statistique des données d'AQ/CQ devrait être effectuée régulièrement pour déceler les problèmes rapidement. Il faut étudier et résoudre les problèmes de biais, d'imprécision excessive ou de contamination importants. Dans certains cas, il peut être nécessaire de réanalyser les échantillons ou d'exclure des estimations des ressources des trous de forage entiers si la qualité des données est insuffisante.

Composage d'échantillons

Les données brutes d'analyses se composent généralement d'échantillons de longueurs variables recueillis à différents intervalles dans chaque trou de forage. Avant l'estimation, ces échantillons sont habituellement composés en intervalles de longueurs égales pour fournir un ensemble de données plus uniforme pour l'analyse statistique et la variographie.

La longueur composite devrait être suffisamment petite pour saisir les variations importantes de grade, mais suffisamment grande pour fournir des statistiques stables et une efficacité raisonnable de calcul. Elle devrait idéalement se rapporter à la sélectivité minière, comme la hauteur du banc pour l'exploitation à ciel ouvert.

Le calcul des trous bas est le plus courant, où les échantillons sont composés le long du parcours du trou de forage. Cette approche est simple et préserve les emplacements d'origine des échantillons. Le calcul des bancs consiste à projeter les échantillons sur des bancs horizontaux avant le calcul, ce qui peut être plus approprié pour les dépôts à plate-forme ou lors de la planification de l'exploitation à ciel ouvert sur des bancs.

Traitement des échantillons de haute qualité

Les échantillons de qualité supérieure (extrants) peuvent avoir une influence disproportionnée sur les estimations des ressources, en particulier lorsqu'ils utilisent des méthodes comme la pondération de distance inverse ou le kriging qui calculent des moyennes pondérées.

Plusieurs approches peuvent être utilisées pour gérer des échantillons de qualité supérieure. La coupe supérieure (ou le plafonnement) consiste à fixer un seuil de qualité maximal et à ramener les échantillons au-dessus de ce seuil à la valeur maximale. La valeur maximale est généralement choisie à partir d'une analyse statistique, par exemple, l'examen des courbes de probabilité, le calcul du coefficient de variation ou l'évaluation de l'impact des notes élevées sur la moyenne.

Les méthodes de simulation ou de krigage des indicateurs sont moins sensibles aux valeurs extrêmes, restreignent le rayon de recherche pour limiter l'influence des échantillons de qualité élevée ou utilisent le domaine de qualité pour séparer les zones de qualité élevée pour une estimation séparée. L'approche choisie devrait être appropriée pour le type de dépôt et la répartition des grades.

Détermination de la densité

Des mesures précises de la densité (gravité spécifique) sont essentielles pour convertir les estimations de la teneur en volume en estimations de tonnage. La densité peut varier de façon significative dans un gisement en raison de différences dans la lithologie, la modification, la porosité et la minéralisation.

La densité doit être mesurée sur des échantillons représentatifs dans tout le gisement, avec des mesures suffisantes pour caractériser la variabilité entre différents domaines géologiques. Les méthodes de mesure courantes comprennent l'immersion dans l'eau (méthode d'Archimède) pour les échantillons de carottes, la pycnométrie des gaz pour les échantillons broyés ou l'exploitation géophysique des trous de forage.

On peut estimer la densité pour chaque bloc en utilisant des méthodes semblables à celles de l'estimation de grade, ou on peut l'attribuer en fonction du domaine géologique, du type de roche ou des échelles de grade. La relation entre la densité et la teneur doit être étudiée, car la minéralisation affecte souvent la densité de roche.

Paramètres d'estimation et stratégie de recherche

La stratégie de recherche définit les échantillons utilisés pour estimer chaque bloc et la façon dont ils sont sélectionnés, ce qui implique de préciser les dimensions et l'orientation des ellipsoïdes de recherche, le nombre minimal et maximal d'échantillons, le nombre maximal d'échantillons par trou de forage et les exigences de recherche octant ou quadrant.

Les dimensions des ellipsoïdes de recherche devraient refléter la continuité spatiale de la minéralisation, généralement basée sur des gammes de variogrammes. L'orientation des ellipsoïdes devrait s'aligner sur les principales directions de continuité, qui peuvent correspondre aux structures géologiques, aux couches ou aux tendances de minéralisation.

Les exigences minimales en matière d'échantillonnage garantissent que les blocs ne sont estimés que lorsque les données sont suffisantes. Un minimum commun est de 4-8 échantillons, bien que cela dépende de la complexité du dépôt et de la méthode d'estimation.

Les stratégies de recherche d'octants ou de quadrants exigent que les échantillons soient répartis autour du bloc estimé, ce qui permet de s'assurer que l'estimation n'est pas dominée par des échantillons provenant d'une seule direction, ce qui améliore la qualité des estimations et réduit le risque d'extrapolation des artefacts.

On utilise souvent des cartes d'accès multiples, avec des ellipsoïdes de recherche de plus en plus volumineux et des exigences d'échantillonnage plus souples pour les cartes d'accès subséquentes, ce qui permet de faire des estimations bien informées là où les données sont abondantes, tout en fournissant des estimations pour les zones moins échantillonnées, mais avec une confiance moindre.

Étapes du calcul de la réserve

Le processus de calcul des réserves suit un processus systématique qui assure la cohérence, la traçabilité et la conformité aux normes de déclaration. Bien que les détails spécifiques varient selon le type de dépôt et la méthode d'estimation, les étapes générales demeurent cohérentes dans la plupart des projets.

Étape 1 : Collecte de données par forage et échantillonnage

Le processus commence par la collecte systématique de données par des programmes de forage conçus pour échantillonner adéquatement la zone minéralisée. L'espacement des trous de forage devrait être approprié pour la géométrie du gisement et la variabilité de la qualité, avec un espacement plus étroit dans les zones de plus haute qualité ou de complexité géologique.

Les échantillons sont prélevés selon les protocoles établis, et des mesures appropriées d'AQ/CQ sont mises en oeuvre dans l'ensemble. La récupération des carottes et la désignation de la qualité des roches (DQR) doivent être enregistrées pour le forage au diamant.

Des mesures de densité sont recueillies sur des échantillons représentatifs de différents domaines géologiques et de différentes gammes de grades. Des échantillons géotechniques et métallurgiques peuvent également être recueillis pour appuyer des études de faisabilité et la planification des mines.

Étape 2 : Analyse des données et modélisation géologique

Une fois les données recueillies et validées, une analyse statistique complète est effectuée pour comprendre les distributions de grades, identifier les valeurs aberrantes, évaluer la qualité des données et caractériser la variabilité.

L'interprétation géologique synthétise toutes les informations disponibles pour développer une compréhension tridimensionnelle du gisement. Des sections transversales et des plans de niveaux sont créés pour interpréter les contacts géologiques, les limites de minéralisation et les caractéristiques structurelles.

Les limites des domaines devraient refléter de véritables contrôles géologiques de la minéralisation plutôt que des divisions arbitraires. Chaque domaine sera généralement évalué séparément avec ses propres paramètres statistiques et modèles de variogrammes.

Étape 3: Application des méthodes d'estimation

Pour l'estimation géostatistique, cela implique plusieurs sous-étapes. La compilation transforme les échantillons de longueur variable en composites de longueur égale appropriés pour la méthode de dépôt et d'exploitation minière planifiée. L'analyse statistique des composites caractérise les distributions de grades dans chaque domaine et identifie les échantillons de qualité supérieure nécessitant un traitement spécial.

La variabilité quantifie la continuité spatiale en calculant les varogrammes expérimentaux dans plusieurs directions et en adaptant des modèles théoriques appropriés. Les paramètres de la variation (nugget, seuil, plage) sont déterminés pour chaque domaine et direction, captant l'anisotropie là où elle est présente.

Le modèle de bloc est créé avec les dimensions et l'étendue appropriées pour couvrir le volume minéralisé. Les blocs sont codés avec des attributions géologiques basées sur les modèles de trame filaire. Les paramètres d'estimation sont définis, y compris la stratégie de recherche, les critères de sélection d'échantillons et les paramètres de kriging.

On effectue l'estimation de la catégorie pour chaque domaine en utilisant la méthode choisie (IDW, kriging ordinaire, etc.). Chaque bloc se voit attribuer des grades estimés, une variance de kriging (le cas échéant), le nombre d'échantillons utilisés, la distance jusqu'à l'échantillon le plus proche et d'autres attributs pertinents.

Étape 4: Validation et contrôle de la qualité

L'inspection visuelle en section et le plan comparant la distribution de la classe du modèle de bloc aux classes de forage et aux autres classes d'échantillon d'origine. Création de placettes de swath comparant la distribution de la classe de bloc à la distribution de la classe de l'échantillon le long des lignes de coordonnées et de l'altitude. Comparaison des classes de bloc estimées primaires selon les résultats de l'utilisation de méthodes d'estimation alternatives.

La validation visuelle consiste à afficher le modèle de bloc aux côtés des données sur les trous de forage dans les sections transversales et prévoit vérifier que les grades estimés correspondent aux grades d'échantillon et respectent les limites géologiques. Les zones de mauvaise entente peuvent indiquer des problèmes avec la définition du domaine, les paramètres d'estimation ou la qualité des données.

Les parcelles de swath comparent les grades moyens des blocs avec les grades composites moyens le long des directions coordonnées (est, nord, altitude).

Si la pondération de la distance inverse, le kriging ordinaire et le voisinage le plus proche produisent des résultats similaires, cela donne à penser que l'estimation est solide.

La validation statistique compare la distribution des grades composites avec les grades de blocs. La note de bloc moyenne devrait être approximative de la note de composite moyenne (estimation non biaisée). La variance des grades de blocs sera inférieure à la variance composite en raison de l'effet lissant, mais la réduction devrait être raisonnable et conforme aux attentes.

Pour les mines en exploitation, le rapprochement avec les données de production fournit la validation ultime. La comparaison des grades et tonnages estimés avec les grades réels des matières minées et des fourrages des usines révèle si le modèle des ressources est exact et identifie les biais systématiques qui devraient être corrigés dans les estimations futures.

Étape 5 : Déclaration et classification des réserves

La méthode largement utilisée pour signaler l'incertitude dans l'industrie minière est la classification des ressources minérales, qui sont classées en catégories mesurées, indiquées et inférées, et l'incertitude est déclarée en fonction du niveau de confiance.

La classification des ressources est effectuée à l'aide d'un modèle de blocs tridimensionnels, où chaque bloc se voit attribuer une catégorie fondée sur des critères qui reflètent le degré de confiance dans l'estimation de la qualité, du tonnage et de la densité inférée.

Les méthodes géométriques de classification des ressources minérales reposent sur la proximité, la quantité et la répartition spatiale des données (composés ou forages eux-mêmes) utilisées dans l'estimation des modèles de blocs. L'approche la plus fondamentale ne tient compte que de la distance par rapport au forage le plus proche (ou au forage composite) ou de l'espacement moyen entre les forages.

Toutefois, la classification n'est pas purement mécanique. La responsabilité de la divulgation appropriée incombe à la compétence technique de la ou des personnes qui approuvent le calcul et la classification des ressources, définis comme la personne compétente (CP) ou la personne qualifiée (QP). Par conséquent, la classification des ressources minérales est subjective et dépend en grande partie de l'expérience de la personne qualifiée ou compétente.

La personne compétente ou qualifiée doit tenir compte de tous les facteurs qui influent sur la confiance, y compris la compréhension géologique, la qualité et la quantité des données, la pertinence de la méthode d'estimation et toute autre source d'incertitude.

Les rapports doivent comprendre une documentation exhaustive des méthodes de collecte de données, des procédures d'AQ/CQ, de l'interprétation géologique, de la méthodologie d'estimation, des résultats de validation, des critères de classification et de tout risque ou incertitude important. La transparence et la divulgation sont des principes fondamentaux, qui garantissent que les investisseurs et les intervenants disposent de suffisamment d'information pour comprendre l'estimation des ressources et ses limites.

Logiciels et technologies dans l'estimation des réserves

L'estimation moderne des réserves repose largement sur des logiciels spécialisés qui intègrent la gestion de bases de données, la modélisation géologique, l'analyse géostatistique et les capacités de visualisation. Les géologues sont expérimentés dans la conduite d'un large éventail d'études statistiques et géostatistiques utilisant des logiciels commerciaux avancés tels que Gemcom, Datamine, Vulcan, Surpac et Isatis.

Les principaux logiciels sont Maptek Vulcan, Dassault Systèmes Geovia Surpac, Hexagon Mining MineSight, Seequent Leapfrog Geo, Datamine Studio et Geovariances Isatis. Chaque plateforme a des points forts dans différents domaines, et de nombreuses organisations utilisent des paquets multiples selon les besoins du projet et les préférences des utilisateurs.

Ces systèmes logiciels permettent une gestion efficace des grandes bases de données d'exploration avec des milliers de trous de forage et des millions de dossiers d'analyse. Ils fournissent des outils pour la validation des données, l'analyse statistique et le contrôle de la qualité.

Les outils de modélisation géologique supportent à la fois la modélisation explicite (où l'utilisateur crée directement des surfaces et des solides) et la modélisation implicite (où les surfaces sont générées automatiquement à partir de données utilisant des algorithmes).Les modules de variabilité calculent les varioles expérimentales et s'adaptent aux modèles théoriques.

Les logiciels modernes s'intègrent également aux systèmes de planification des mines, ce qui permet aux modèles de ressources de se déplacer directement dans la conception des mines, l'établissement des calendriers et l'évaluation économique, ce qui améliore l'efficacité et assure la cohérence entre l'estimation des ressources et la planification des mines.

Les plateformes et les outils de collaboration basés sur le cloud sont de plus en plus importants, ce qui permet aux équipes réparties sur plusieurs sites de travailler simultanément sur les mêmes modèles.

Défis et pièges communs

Malgré les progrès de la méthodologie et de la technologie, l'estimation des réserves demeure difficile et sujette aux erreurs.

Données insuffisantes ou de mauvaise qualité

La limite la plus fondamentale est l'insuffisance des données. L'espacement des trous de forage, la mauvaise récupération des échantillons, l'insuffisance de l'AQ/CQ ou l'échantillonnage biaisé peuvent tous compromettre la qualité des estimations.

Définition de domaine inappropriée

La combinaison de zones géologiques distinctes présentant des caractéristiques de grade différentes en un seul domaine peut produire des estimations trompeuses. Inversement, la sur-activité en créant trop de petits domaines peut conduire à une insuffisance des données dans chaque domaine et à des estimations instables. Les limites des domaines devraient refléter de véritables contrôles géologiques et être étayées par des données adéquates.

Mauvaise modélisation des variogrammes

La modélisation des variogrammes exige jugement et expérience. Les erreurs courantes comprennent l'ajustement de modèles qui ne correspondent pas au variogramme expérimental, l'utilisation de types de modèles inappropriés, l'absence de prise en compte de l'anisotropie, ou l'utilisation de paramètres de variogrammes d'un domaine dans un autre.

Paramètres de recherche inappropriés

Les ellipsoïdes de recherche trop grands peuvent inclure des échantillons éloignés et non pertinents et lisser les variations de grade importantes. Les ellipsoïdes de recherche trop petits peuvent entraîner de nombreux blocs ou estimations non estimés basés sur des échantillons insuffisants.

Ignorer l'effet lissant

Les méthodes de ridage et d'estimations permettent de produire des estimations lissées avec moins de variabilité que les vraies nuances, ce qui peut conduire à une surestimation du tonnage au-dessus des niveaux de coupe élevés et à une sous-estimation du tonnage au-dessous des niveaux de coupe faibles.

Validation inadéquate

Il n'existe pas de méthode unique pour comparer les données d'échantillonnage des trous de forage aux catégories de blocs estimées qui peuvent simplement valider un modèle de blocs et une estimation des ressources minérales. Même le rapprochement avec les tonnes extraites et broyées peut ne pas confirmer définitivement les catégories de blocs estimées en raison de problèmes liés à l'exploitation minière dus à la dilution, aux pertes minières de minerais/déchets allant au mauvais stockage de pieux et de pertes de moulins.

La validation doit être complète et critique, et non seulement un exercice de vérification de la boîte. Les modèles qui passent les vérifications de validation de base peuvent encore contenir des erreurs importantes si la validation n'est pas approfondie ou si les problèmes sont négligés.

Surclassement

On peut faire pression pour que les ressources soient classées dans des catégories de confiance plus élevées afin que les projets semblent plus avancés ou plus utiles. Toutefois, la surclassification qui n'est pas étayée par la qualité et la quantité des données est inappropriée et potentiellement trompeuse.

Meilleures pratiques et recommandations

Pour produire des estimations fiables des réserves, il faut respecter les pratiques exemplaires tout au long du processus, qui reflètent l'expérience de l'industrie et les leçons tirées des projets réussis et infructueux.

Investir dans des données de qualité

La qualité des données est primordiale. Mettre en oeuvre des programmes complets d'AQ/CQ dès le début. Utiliser des laboratoires accrédités avec des méthodes d'analyse appropriées. Recueillir des mesures de densité suffisantes. Assurer le recouvrement et la manipulation des échantillons appropriés.

Comprendre la géologie

Un modèle de blocs de ressources ne sera jamais aussi bon que les fondations géologiques sur lesquelles il est construit. Et comme le modèle de blocs de ressources est la base sur laquelle les plans miniers de l'industrie sont construits, nos plans ne seront jamais aussi bons que le modèle de blocs géologiques qui nous a été donné d'utiliser. Investir dans l'interprétation géologique et la définition de domaine. Consulter des géologues expérimentés familiers avec le type de gisement. La compréhension géologique devrait guider toutes les décisions d'estimation.

Utiliser les méthodes appropriées

Choisissez des méthodes d'estimation appropriées pour le type de dépôt, la disponibilité des données et l'étape du projet. Les méthodes simples peuvent être adéquates pour les projets en début de phase ou les dépôts simples. Les dépôts complexes avec des données abondantes justifient des approches géostatistiques sophistiquées.

Tout documenter

Tenir à jour une documentation exhaustive de toutes les données, interprétations, hypothèses, paramètres et décisions, ce qui appuie la conformité à la réglementation, permet l'examen par les pairs, facilite les mises à jour lorsque de nouvelles données sont disponibles et assure la transparence aux intervenants.

Valider avec soin

Effectuez des vérifications de validation multiples sous différentes perspectives. Ne cherchez pas seulement à confirmer que le modèle est correct; cherchez activement des problèmes. Comparez d'autres méthodes d'estimation. Demandez aux examinateurs indépendants d'examiner le modèle.

Quantifier l'incertitude

Les estimations des ressources sont incertaines et cette incertitude devrait être quantifiée et communiquée. Utilisez la variance de kriging, la simulation ou d'autres techniques pour évaluer l'incertitude. Comprendre comment l'incertitude affecte la planification et l'économie des mines.

Mettre à jour régulièrement

Les modèles de ressources devraient être mis à jour à mesure que de nouvelles données deviennent disponibles, que la compréhension géologique s'améliore ou que l'exploitation minière progresse.

Rechercher un examen par les pairs

Les évaluateurs peuvent identifier les problèmes qui peuvent être négligés par ceux qui sont étroitement impliqués dans le projet. L'examen par les pairs est particulièrement important pour les projets importants ou lorsque les estimations seront utilisées pour les décisions d'investissement importantes.

Tendances et évolutions futures

L'estimation des réserves continue d'évoluer avec les progrès de la technologie, de la méthodologie et de la disponibilité des données.

Intégration de plusieurs types de données

L'exploration moderne génère divers types de données, notamment la géochimie, la géophysique, l'imagerie hyperspectrale et la télédétection. L'intégration de ces sources de données avec les données de forage traditionnelles peut améliorer la compréhension géologique et la précision de l'estimation.

Modélisation des ressources en temps réel

Les progrès de l'automatisation et de la gestion des données permettent des mises à jour plus fréquentes des modèles. La modélisation des ressources en temps réel ou quasi réel permet de planifier les mines pour réagir rapidement aux nouvelles informations provenant du forage de contrôle de qualité, de l'échantillonnage des trous de mine ou de la surveillance de la production.

Amélioration de la quantification des incertitudes

Les méthodes de simulation sont de plus en plus utilisées. Des approches probabilistes qui fournissent des gammes de résultats possibles plutôt que des estimations ponctuelles sont de plus en plus acceptées, ce qui favorise une meilleure gestion des risques et une meilleure prise de décisions dans le contexte de l'incertitude.

Intelligence artificielle et apprentissage automatique

L'IA et l'apprentissage automatique sont appliqués à divers aspects de l'estimation des ressources, de l'interprétation géologique automatisée à la prévision des grades et à la détection des anomalies. Bien que ces technologies soient prometteuses, elles doivent être appliquées avec soin avec une validation et une supervision géologique appropriées.

Visualisation et communication améliorées

La réalité virtuelle et les technologies de réalité augmentée offrent de nouvelles façons de visualiser et d'interagir avec les modèles géologiques tridimensionnels et les estimations des ressources, qui peuvent améliorer l'interprétation géologique, faciliter la collaboration entre les équipes distribuées et améliorer la communication avec les intervenants qui ne connaissent peut-être pas les logiciels miniers traditionnels.

Conclusion

L'estimation des réserves est un processus complexe et multidisciplinaire qui combine la géologie, les statistiques, les mathématiques et l'ingénierie pour quantifier les ressources minérales.Les estimations précises sont essentielles pour les décisions d'investissement, la planification des mines et la réussite économique des projets miniers.

Le succès de l'estimation des réserves exige des données de qualité, une bonne compréhension géologique, une méthodologie appropriée, une validation approfondie et des rapports transparents. Les praticiens doivent comprendre les forces et les limites des différentes méthodes d'estimation et choisir des approches appropriées pour chaque projet.

À mesure que la technologie avance et que de nouvelles méthodes apparaissent, les fondamentaux demeurent constants : l'estimation des réserves doit être fondée sur une solide compréhension géologique, appuyée par des données de qualité, exécutée avec une rigueur technique appropriée et rapportée avec transparence et honnêteté.

Pour ceux qui cherchent à approfondir leur compréhension de l'estimation des réserves, de nombreuses ressources sont disponibles. Des organisations professionnelles comme l'Institut australasien des mines et de la métallurgie (AusIMM) et la Société pour l'exploitation minière, la métallurgie et l'exploration (SME) offrent des cours, des conférences et des publications.Les programmes universitaires en génie minier et en géologie offrent une formation formelle en géostatistique et en estimation des ressources.

En combinant les compétences géologiques traditionnelles avec des méthodes analytiques modernes et en maintenant un engagement en faveur de la qualité et de la transparence, l'industrie peut continuer à produire des estimations fiables des ressources qui appuient un développement minier responsable et contribuent à la prospérité économique mondiale.