Albert Services

Albert Mining utilise son système exclusif de détection des ressources assistée par ordinateur (CARDS) pour aider les professionnels de l’exploration minière à identifier des zones présentant une similarité mathématiquement très élevée avec des zones de minéralisation connues. Utilisé de concert avec les techniques d’exploration modernes. Utilisé de concert avec les techniques d’exploration restreignant le nombre de cibles d’exploration. Outre l’exploitation de données et l’identification de nouvelles cibles, Albert Mining offre aussi des services de gestion de projets.

Quelques mots à propos de CARDS

Tous les outils 2D et 3D et services développés par la division minière de Diagnos par le passé seront utilisés dans le futur par Albert Mining. Nous avons changé de nom, mais nous n’avons pas changé qui nous sommes. Nous maintiendrons notre approche de service auprès de nos clients existants et futurs. Albert Mining a continuellement prouvé sa méthodologie au travers des projets et des découvertes de ses clients… tout en réduisant l’impact sur l’environnement!

Vous savez ce que l’on dit ‘’ le meilleur endroit pour trouver une mine, c’est à côté d’une mine ‘’. C’est exactement ce à quoi Albert Mining se concentrera afin de découvrir la prochaine mine!

CARDS situe les gisements de minerais en 4 étapes faciles.

Afin de comprendre le processus de CARDS, veuillez cliquer sur les étapes suivantes dans l’ordre.

Au cours de ce processus complet et complexe, grâce à l’outil CARDS, toutes les informations disponibles sur la zone de modélisation sont compilées.

Toutes les données sont par la suite entrées dans le système de CARDS sous la forme de points de données géoréférencées. Chaque point de la base de données est lié à son propre ensemble de caractéristiques (variables) extraites de diverses sources, par exemple :

  • Proximité d’occurrences minérales et de trous de forage minéralisés
  • Levés géophysiques : magnétique, électromagnétique, polarisation induite, gravimétrique, radiométrique
  • Levés géochimiques : roche, sol, fond de lac, échantillons de trous de forage
  • Imagerie satellite
  • Cartes géologiques : type de roche, altération
  • Modèles numériques d’altitude
  • Proximité de contacts lithologiques et de suites intrusives déterminées
  • Proximité de linéaments probables, de failles cartographiées et de zones de cisaillement

Nous avons ensuite la possibilité d’identifier les points positifs (trous de forage et inventaire des gisements minéraux) selon les seuils établis pour chacune des minéralisations recherchées. En utilisant une fenêtre mobile pour capturer les structures contiguës à chaque point, exprimées par de nouvelles variables calculées pour chaque couche d’exploration primaire. Au cours de l’analyse de chacun des points de la base de données, les caractéristiques de tous les points à l’intérieur d’un certain périmètre (la zone contiguë) sont considérées dans l’évaluation de ce point. Donc, par consequent, les caractéristiques restreintes ajoutées aux caractéristiques importantes de points contigus sont semblables à celles de points positifs connus.

L’analyse des modèles est notamment fondée sur la prépondérance des variables et la comparaison des modèles. Le concept de la prépondérance des variables est difficile à définir de manière générale, car l’importance d’une variable peut être fondée sur ses interactions (parfois complexes) avec d’autres variables.

Afin d’analyser la précision des prédictions et de valider les résultats, plusieurs méthodes sont employées et des comparaisons sont effectuées pour chaque bloc de données.

  • Génération d’une empreinte des occurrences positives connues grâce à de nombreux modèles en mesure de différencier les points positifs et les points inconnus en utilisant toute l’information actuelle disponible.
  • Agrégation des différentes règles de tous les modèles en obtenant une probabilité entre 0 (improbable) et 1 (probable), calculée comme étant la moyenne des résultats des différentes classifications. Cette probabilité représente le niveau de similitude de chaque point avec les sites positifs actuels selon l’ensemble des variables utilisées lors de la modélisation.

Les techniques d’exploration de données trouvent et marquent les nouvelles signatures de motifs crées par CARDS au travers notre moteur de notation.

  • Classification de chaque nouveau point inconnu selon les règles de classification déjà produites : un point est identifié comme positif si sa probabilité est plus grande qu’un seuil préétabli.
  • Validation à l’aide d’un algorithme d’apprentissage employant les mêmes données d’entrée que l’algorithme de prédiction dans le but de s’assurer que le traitement statistique fonctionne correctement et que les résultats sont intuitivement probants.
  • Analyse visuelle effectuée en comparant les grilles cibles produites par différents modèles afin de confirmer la pertinence des cibles et de dégager les priorités.
  • Analyse des cibles produites par CARDS en conjonction avec toutes les données géologiques actuellement disponibles pour évaluer le potentiel économique d’une propriété et pour décrire les cibles d’exploration.
+ Étape 1: Collecte et traitement des données

Au cours de ce processus complet et complexe, grâce à l’outil CARDS, toutes les informations disponibles sur la zone de modélisation sont compilées.

Toutes les données sont par la suite entrées dans le système de CARDS sous la forme de points de données géoréférencées. Chaque point de la base de données est lié à son propre ensemble de caractéristiques (variables) extraites de diverses sources, par exemple :

  • Proximité d’occurrences minérales et de trous de forage minéralisés
  • Levés géophysiques : magnétique, électromagnétique, polarisation induite, gravimétrique, radiométrique
  • Levés géochimiques : roche, sol, fond de lac, échantillons de trous de forage
  • Imagerie satellite
  • Cartes géologiques : type de roche, altération
  • Modèles numériques d’altitude
  • Proximité de contacts lithologiques et de suites intrusives déterminées
  • Proximité de linéaments probables, de failles cartographiées et de zones de cisaillement

Nous avons ensuite la possibilité d’identifier les points positifs (trous de forage et inventaire des gisements minéraux) selon les seuils établis pour chacune des minéralisations recherchées. En utilisant une fenêtre mobile pour capturer les structures contiguës à chaque point, exprimées par de nouvelles variables calculées pour chaque couche d’exploration primaire. Au cours de l’analyse de chacun des points de la base de données, les caractéristiques de tous les points à l’intérieur d’un certain périmètre (la zone contiguë) sont considérées dans l’évaluation de ce point. Donc, par consequent, les caractéristiques restreintes ajoutées aux caractéristiques importantes de points contigus sont semblables à celles de points positifs connus.

+ Étape 2: Configuration du modèle

L’analyse des modèles est notamment fondée sur la prépondérance des variables et la comparaison des modèles. Le concept de la prépondérance des variables est difficile à définir de manière générale, car l’importance d’une variable peut être fondée sur ses interactions (parfois complexes) avec d’autres variables.

Afin d’analyser la précision des prédictions et de valider les résultats, plusieurs méthodes sont employées et des comparaisons sont effectuées pour chaque bloc de données.

  • Génération d’une empreinte des occurrences positives connues grâce à de nombreux modèles en mesure de différencier les points positifs et les points inconnus en utilisant toute l’information actuelle disponible.
  • Agrégation des différentes règles de tous les modèles en obtenant une probabilité entre 0 (improbable) et 1 (probable), calculée comme étant la moyenne des résultats des différentes classifications. Cette probabilité représente le niveau de similitude de chaque point avec les sites positifs actuels selon l’ensemble des variables utilisées lors de la modélisation.
+ Étape 3: Prédiction et exploration de données

Les techniques d’exploration de données trouvent et marquent les nouvelles signatures de motifs crées par CARDS au travers notre moteur de notation.

  • Classification de chaque nouveau point inconnu selon les règles de classification déjà produites : un point est identifié comme positif si sa probabilité est plus grande qu’un seuil préétabli.
  • Validation à l’aide d’un algorithme d’apprentissage employant les mêmes données d’entrée que l’algorithme de prédiction dans le but de s’assurer que le traitement statistique fonctionne correctement et que les résultats sont intuitivement probants.
+ Étape 4: Interprétation et rapport
  • Analyse visuelle effectuée en comparant les grilles cibles produites par différents modèles afin de confirmer la pertinence des cibles et de dégager les priorités.
  • Analyse des cibles produites par CARDS en conjonction avec toutes les données géologiques actuellement disponibles pour évaluer le potentiel économique d’une propriété et pour décrire les cibles d’exploration.

Vous souhaitez en connaître d’avantage ? Contactez Albert.