Pétrographie et analyse de carottes assistées par ordinateur

L’interprétation géologique repose en bonne part sur des descriptions pétrographiques. Ces descriptions sont subjectives, dépendantes de l’observateur et difficiles à reproduire fidèlement. Ce manque de reproductibilité représente une faiblesse fondamentale dans une discipline aspirant à la rigueur scientifique.

Au-delà de la reproductibilité, le caractère textuel et qualitatif de la pétrographie traditionnelle complique son intégration dans les processus analytiques modernes et l’intelligence artificielle (IA). Les données numériques, en revanche, sont sans ambigüité, reproductibles à grande échelle et directement exploitables par les algorithmes d’apprentissage automatique. Les descriptions pétrographiques sont difficiles à intégrer dans les cartes de prédiction métallogéniques de fertilité ou encore dans les bases de données des systèmes d’information géographiques. L’absence de paramètres quantitatifs robustes dans le domaine de la pétrographie constitue donc une limite à l’avancement des connaissances géologiques.

La solution proposée ici consiste à construire un ensemble structuré de descripteurs pétrographiques mathématiquement rigoureux dérivés de la géométrie descriptive et de fonctions analytiques. Ces descripteurs permettent de quantifier la forme des grains (rapport de forme, convexité, circularité, rugosité, etc.) et l’arrangement spatial des minéraux. Ils produisent des vecteurs de caractéristiques exploitables par l’IA tout en préservant la traçabilité géologique : chaque descripteur retient une signification physique et géométrique en maintenant une logique géologique tout au long de la chaîne analytique. Cette approche permet une documentation rigoureuse et reproductible des observations pétrographiques.

Un défi majeur subsiste, soit la segmentation (dessin du contour de chaque minéral) qui est compliquée par la présence de macles, d’inclusions, d’exsolutions, par l’altération hydrothermale ou le métamorphisme (particulièrement au faciès des schistes verts), etc.

La pétrographie quantitative est la révolution dont la géologie a besoin.

Cette recherche présente un cadre avancé d’apprentissage profond pour l’identification automatique de grains minéraux à partir de photomicrographies à haute résolution. L’étude s’inscrit dans un contexte où l’identification des minéraux joue un rôle essentiel dans l’exploration minière, le génie civil et les applications environnementales. En pratique, cette tâche est encore souvent réalisée manuellement au microscope ou à l’aide de techniques analytiques, telles que la fluorescence X (XRF) ou la diffraction des rayons X (XRD). Bien que précises, ces méthodes demeurent lentes, séquentielles et difficiles à appliquer à très grande échelle. Or, dans de nombreux contextes, entre 100 000 et 1 000 000 grains doivent être analysés. Dans ces situations, les approches traditionnelles sont peu efficaces. L’objectif principal de cette présentation est donc de démontrer qu’une approche fondée sur l’intelligence artificielle peut rendre le processus d’identification simple, rapide et efficace.

L’exploration aurifère en milieu glaciaire repose traditionnellement sur l’analyse des grains d’or dans les sédiments. La morphologie et l’abondance de ces grains sont utilisées comme indicateurs pour localiser les minéralisations. Cependant, les méthodes visuelles traditionnelles restent qualitatives et laborieuses. Cette étude propose une approche quantitative inédite qui repose sur l’analyse en composante principale de 73 descripteurs de forme variés, répartis en deux groupes, afin de capturer les caractéristiques morphologiques à grande et petite échelle. Les résultats sont comparés aux résultats d’ARTMorph, une routine de traitement d’images basée sur l’intelligence artificielle, entraînée et corrigée par des géologues. Les résultats de cette méthode quantitative combinée à la classification d’ARTMorph permettent de caractériser les morphologies des grains d’or en les classant selon leur degré de déformation, reflétant ainsi leur évolution morphologique en fonction des processus sédimentaires. L’analyse de la forme à grande échelle organisent les formes en un cône de dispersion, dont les extrémités correspondent aux grains lisses, trapus à contours complexes ou allongés et rugueux. Pour l’analyse à petite échelle (rugosité), une seule composante suffit, car elle explique 63 % des variations. Ce facteur permet de classer les grains de lisses à rugueux avec un contour complexe. Cette approche révèle des tendances d’évolution conformes aux observations géologiques et constitue une alternative objective aux classifications visuelles traditionnelles, améliorant la classification morphologique des grains d’or.

Cette présentation offrira une mise à jour de l’initiative de numérisation de carottes qui a lieu chez Agnico Eagle depuis 2021 et mettra en lumière les avancées récentes en matière de valorisation des données géoscientifiques acquises sur les carottes de forage. Grâce à l’intégration de l’imagerie haute résolution, de l’analyse spectrale et élémentaire, et des outils d’intelligence artificielle, la numérisation de carottes devient un levier important pour améliorer la compréhension des gisements et soutenir la prise de décision tout au long de la chaîne de valeur minière.

La présentation présentera également les avancées techniques réalisées au cours de cette période, notamment l’extraction de signatures de veines et de textures à partir de l’imagerie des carottes de forage afin de caractériser les associations minéralogiques et les caractéristiques morphologiques. Elle démontrera également comment ces signatures, combinées aux données minéralogiques et élémentaires à haute résolution, sont utilisées pour développer des modèles prédictifs de la performance métallurgique et du comportement environnemental, incluant la dureté et le potentiel de drainage minier acide. Des exemples de projets en cours démontreront comment ces approches contribuent à transformer les données générées par les programmes de forage en informations quantitatives, reproductibles et directement exploitables pour l’exploration, l’ingénierie et les opérations minières.