GÉOSTATISTIQUE

MINIERE
INTRODUCTION
 PLAN DU COURS
1. Problème
2. Estimation par krigeage
Estimation de la variable
Estimation de l’erreur locale
3. Etude de la corrélation spatiale
Corrélogrammes
Variogramme
Modélisation du variogramme
Application au krigeage
 APPLICATIONS

La géostatistique discipline issue de la théorie

des probabilités est née à la fin des années 50 •ESTIMATION DES RESERVES
autour des problèmes d’estimation dans •ESTIMATION DES RESERVES
DES BLOCS
l’industrie minière. •ESTIMATION DES ERREURS
Outre les mines et le pétrole où elle est •SIMULATION POUR EVALUER
UN PLAN DE FORAGE
maintenant utilisée en routine, c’est un outil
permanent pour la pêche, l’environnement,
l’hydrogéologie et les matériaux.
 1. Le problème
La théorie des variables généralisées
Cadre classique : variable continue
Considérons une variable spatiale telle que
la teneur en or d’un minerai dans gisement
A un moment donné, elle est supposée
avoir une valeur déterminée en tout point
d’un domaine donné (Ω)
Mais elle n’est connue que par sondage en
des points particuliers
 QUESTIONS ?

Comment reconstituer sa valeur en un

point non sondé ?

Quelle erreur commet-on ?

Comment la cartographier ?
 CADRE DE RESOLUTION

* Le «Krigeage»
D.G. Krige1951, Afrique du sud

* La théorie des variables régionalisées

Georges Matheron, 1965, école des mines
de Paris
 Variable régionalisée

Variable spatialisée
 Z(X)
 X s’entend comme une localisation dans
le plan ou l’espace
oCouple de coordonnées cartésiennes
(x,y )
oTriplet de id (x,y,z )
oCouple de coordonnées polaires (r,q )
Intégrable (moyennable) sur tout ouvert
(opération de régularisation)
EXERCICES
IMPACT FINANCIER DE LA METHODE
D’ESTIMATION
DÉFINITIONS
 NOTIONS DE VARIABLES
ALEATOIRES REGIONALISEES
 Une fonction aléatoire

 Qui fait correspondre à tout point du

plan (resp de l’espace) situé en X la
variable aléatoire Z(X)

 On dit aussi un processus

 Fonction aléatoire = ensemble de

variables aléatoires
VARIOGRAMME
Variogramme
 L’hypothèse intrinsèque
 Une hypothèse plus faible que la
stationnarité
 Stationnarité : le processus est constant
o En espérance en tout point
o En variance en tout point
o En autocorrélation pour tout couple de
points équidistants
 Hypothèse intrinsèque : Les
accroissements sont stationnaires
2 types de variogrammes
DE L’ANALYSE DES DONNEES
A LA MODELISATION
DES RESERVES
 Gestion de données

Le stockage efficace et sécuritaire des données techniques

constitue un des aspects fondamentaux des bonnes pratiques
en exploration, en estimation des ressources et en planification
minières.
 Échantillonnage- assurance – contrôle qualité

La validité d’une estimation est étroitement liée à la qualité des

données sur laquelle elle repose. C’est pourquoi il faut disposer
de programmes d’échantillonnage et d’assurance de la qualité et
de contrôle de la qualité (AQ/CQ) appropriés à toutes les étapes
du processus d’évaluation des gisements si l’on veut assurer
l’exactitude et la fiabilité des estimations des réserves
 Modélisation géologique

Bien comprendre le rôle des contrôles géologiques sur la

répartition des électrofaciès à l’intérieur d’un gisement constitue
un des éléments clés pour une évaluation efficace du potentiel
minier. C’est en portant une attention particulière à
l’interprétation géologique qu’on est en mesure d’établir les
estimations les plus plausibles à partir d’un échantillonnage
donné.
 Classification des ressources

Le phénomène de variabilité naturelle, l’espacement des

échantillons et l’imprécision analytique influent sur le degré de
certitude que nous pouvons accorder aux plans de production
issus de la modélisation d’un gisement. Il faut prendre en compte
la qualité des estimations de même les méthodes d’extraction
possibles afin de pouvoir déterminer la fiabilité des calendriers de
production et des plans d’affaires associés.
GEOSTATISTIQUE & ESTIMATION
DES RESERVES
Modèles de base dans les mines
Modèles de base dans les mines
Modélisation d’un Variogramme
Modélisation d’un Variogramme
Modélisation d’un Variogramme
ESTIMATION DES RESERVES
PAR GEOSTATISTIQUE
Les analyses statistiques et géostatistiques sont essentielles à
la compréhension de la distribution de la teneur d’un gisement.
Les résultats obtenus peuvent permettre l’optimisation du
forage, de l’échantillonnage, de la classification de la ressource
et de quantifier les problèmes de sélectivité minière.
Une moyenne pondérée

Reste à touverles
coefficients1ˆ()()()niiiZXXZXλ==ΣX1XX2X3
X4λ1λ3λ4λ2
 Contraintes sur les coefficients

 Aux points observés l’erreur doit être

nulle
 Variance d’estimation minimale
 krigeagesimple
o Aucune contrainte linéaire
 Krigeageordinaire
o Somme égale à 1 (barycentre)
On minimise le carré de l’écart

On va choisir les β de sorte que

l’écart entre la valeur calculée et la
valeur réelle soit minimal en
moyenne quadratique
 Une hypothèse supplémentaire

Nous allons supposer que nous

avons centré Z partout sur notre
domaine d’étude
C’est à dire que E(Z) = 0 sur toute
la réalisation
Cela correspond à l’hypothèse de
stationnarité
DEPARTEMENT GEOSTATISTIQUE ET EVALUATION ECONOMIQUE
-----------------------

ETUDE de cas
Projet CI-26
 1. Représenter les valeurs estimées en fonction des valeurs
réelles pour chacune des deux méthodes d’estimation
2. Estimer les erreurs commises pour chaque estimateur.

3. Calculer les profits attendus et réels pour chacune des deux

méthodes d’estimation, sachant que le profit se définit comme suit :
4. Calculer le profit optimal et
Bénéfice = comparer les deux méthodes
d’estimation
Résultats de l’estimation 2 Résultats de l’estimation 1
Figure 1.1 : Seize échantillons.
La figure 1.1 montre des blocs de
2 x 2, découpés chacun en quatre
sous-blocs de T x T, ainsi que la teneur
d’un des sous-blocs de chaque
bloc (les teneurs des 3 autres sous blocs
sont également connues et seront utilisées
par la suite pour effectuer des
comparaisons). Ainsi, nous disposons
initialement de 16 valeurs sur 64. Ces 16
valeurs vont constituer les échantillons
utilisés pour estimer les valeurs de blocs
miniers de dimensions 2 x 2 (i.e. d fois plus
grands que les échantillons). On
compte 16 de ces blocs dans le domaine
d’étude, chacun ayant un échantillon en
son coin supérieur gauche. La méthode la
plus simple pour estimer la teneur de
chaque bloc est de retenir la valeur
correspondant à la teneur fournie par son
échantillon. Ceci est la méthode
polygonale. La figure 1.2 montre ces
estimations.
Figure 1.2 : Estimation
Figure 1.2 : Estimation
polygonale des teneurs des
blocs.
A vous maintenant de
trouver une méthode pour
estimer ces 16 valeurs.
Vous pouvez essayer
n’importe quelle méthode :
choisir une valeur pour
chaque bloc au vu des
données et de leurs
variations, calculer des
moyennes mobiles etc.
Inscrivez vos 16 valeurs
sur la figure 1.3.
Le troisième jeu de valeurs
(figure 1.4) a été obtenu par
krigeage par un géostatisticien.
Le krigeage n’est
qu’une catégorie particulière de
moyenne mobile pondérée. Il
n’est pas nécessaire à ce stade
de comprendre comment ces
valeurs ont été calculées.
Pour l’instant, elles ne
constituent qu’un jeu possible
d’estimation des teneurs des
blocs.
 Enveloppe de la
(b) teneur estimée

(a)
(e)

(d)
(c)

I/ Placer correctement les termes suivants dans les points

susmentionnés :
1. Minerai - 2. Stérile - 3. Minerai envoyé au stérile - 4. Stérile envoyé
pour le traitement - 5. Teneur réelle
II/Dites les conséquences de chaque choix.
CONSEQUENCES D’UNE MAUVAISE ESTIMATION
,5,R%$%,*6*$3PA%T*7$NAN%$,R*+,*#A*3.T8O+,*
+1,ST$3AT$ON
Une des utilisations les plus fréquentes de la
géostatistique dans l’industrie
minière consiste à estimer par krigeage la teneur
moyenne des blocs miniers -
par exemple pour un contrHle quotidien des teneurs.
Comme il est légitime
de se demander si le krigeage fournit réellement de
meilleurs résultats que les
autres méthodes, cet exercice a été conçu pour
mettre en évidence les
différences entre trois estimateurs classiques. Avant
de se lancer dans les
calculs proprement dits, intéressons-nous aux
données.