Statistical learning for the streamlining of mineral exploration processes: applications to a world-class uranium province (Athabasca Basin, Canada)
Apprentissage statistique pour la rationalisation des processus d’exploration minière : applications à une province uranifère de classe mondiale (bassin de l’Athabasca, Canada)
Résumé
The Paleoproterozoic Athabasca Basin (Saskatchewan, Canada) hosts the highest-grade uranium deposits known (up to 25% at McArthur River) and has been continuously explored by exploration companies since the 1960s. The current exploration paradigm for these deposits assumes that their preferential location lies near the intersection between the basin-basement unconformity and structurally controlled graphite-rich lineaments, known as graphitic conductors, reactivated within the basin. Following an initial phase of delineating these graphitic conductors through geophysical methods, drilling campaigns are conducted to target areas potentially favorable for the discovery of new deposits. These drilling campaigns generate large volumes of data (short-wave infrared spectroscopy [SWIR], geochemistry, petrophysics, standardized core photographs), typically studied during annual drilling campaigns but rarely integrated at the scale of all available datasets. This thesis manuscript aims to assess the potential of multivariate analysis and statistical learning methods to improve the current understanding of the footprints associated with deposits and their integration into an operational exploration framework. A comprehensive model for the development of exploration datasets (from data structuration to footprint definition and the study of drilling strategies allowing their detection during exploration) is proposed and applied to various types of data acquired in mineral exploration.
Le bassin paléoprotérozoique de l'Athabasca (Saskatchewan, Canada) contient les gisements d'uranium à plus forte teneur connue (jusqu'à 25% à McArthur River) et a été prospecté par les compagnies d'exploration de manière continue depuis les années 1960. Le paradigme actuel de l'exploration de ces gisements postule que leur localisation préférentielle se situe à la proximité immédiate de l'intersection entre la discordance bassin-socle et des linéaments structuraux riches en graphites, appelés conducteurs graphiteux, réactivés dans le bassin. À la suite d'une première étape de délinéation des conducteurs graphiteux par géophysique, des campagnes de forages visent à cibler les zones potentiellement favorables pour la découverte de nouveaux gisements. Ces campagnes de forages génèrent des volumes importants de données (spectroscopie à ondes courtes [SWIR], géochimie, pétrophysique, photographies de carottes standardisées), habituellement étudiées dans le cadre de campagnes de forages annuelles mais rarement intégrées à l'échelle de l'ensemble des bases de données disponibles. L'objectif du manuscrit de thèse présenté ici est d'évaluer le potentiel des méthodes d'analyse multivariée et d'apprentissage statistique pour améliorer la connaissance actuelle des empreintes associées aux gisements, et leur intégration dans une perspective opérationnelle d'exploration. Un modèle global pour le développement de jeux de données d'exploration (de la structuration des données, à la définition d'empreintes puis à l'étude des stratégies de forage permettant leur détection en exploration) est proposé et mis en application pour différents jeux de données acquis dans l'exploration minière.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |

