Table des Matières
La prédiction de la teneur pour le contrôle des teneurs (grade control) estime la teneur de chaque petit bloc d'un gradin abattu, afin que chaque chargement parte vers la bonne destination : usine, stock ou verse à stériles. La plupart des mines appliquent le krigeage aux analyses des trous de tir. Le machine learning peut ajouter des données de foration et de capteurs, mais les comparaisons publiées montrent qu'il ne bat pas le krigeage par défaut.
Points clés
- Le contrôle des teneurs décide de la destination des matériaux extraits à partir de toutes les données disponibles. Un bloc mal classé entraîne soit une perte de minerai, soit une dilution, et les deux coûtent de l'argent (Zacche da Silva et al., 2020).
- Les échantillons de trous de tir sont denses mais difficiles à prélever correctement : les cuttings se ségrègent, la surforation est incluse et le haut du gradin, déjà fracturé, produit peu de cuttings (Holmes, 2010).
- Dans les comparaisons publiées, le machine learning seul n'a pas battu de façon fiable le krigeage ordinaire (Potakey, 2024) ; une approche hybride intégrant une tendance issue du machine learning dans le krigeage a fait mieux dans une étude de cas sur le cuivre.
- La validation croisée aléatoire flatte les modèles spatiaux. Il faut tester en mettant de côté des tirs entiers ou des blocs spatiaux (Akpabio et Minnitt, 2026).
- C'est la réconciliation avec les résultats de l'usine, et non la seule précision du modèle, qui montre si une nouvelle méthode apporte de la valeur (Ebrahimi, 2025).
Qu'est-ce que le contrôle des teneurs, et que coûte une erreur de classement ?
Dans une mine à ciel ouvert, le modèle de ressources à long terme est construit à partir de sondages d'exploration largement espacés. Il est trop grossier pour décider où creuser. Le contrôle des teneurs comble cet écart : à mesure que chaque gradin est foré pour le tir, des échantillons sont prélevés, un modèle de teneurs à court terme est construit et des limites de sélection entre minerai et stérile sont tracées avant le chargement. Une étude définit l'objectif comme la prédiction de « la destination des matériaux extraits à partir de toutes les données disponibles » (Zacche da Silva et al., 2020).
Chaque bloc peut être mal classé de deux façons :
| Erreur | Ce qui se passe | Coût pour la mine |
|---|---|---|
| Perte de minerai | Un bloc au-dessus de la teneur de coupure est classé stérile et mis à la verse | Métal jamais récupéré ; chiffre d'affaires réduit |
| Dilution | Un bloc sous la teneur de coupure est classé minerai et traité | Capacité de l'usine, énergie et réactifs dépensés pour un matériau non rentable ; teneur d'alimentation plus basse |
Les deux coûts sont rarement égaux, ce qui compte au moment de décider comment utiliser un modèle. L'écart entre le plan et le réalisé peut être important : lors de travaux de réconciliation sur six mines, un consultant de SRK a observé des tonnages déclarés s'écartant du plan de -4 % à +12 % et des teneurs de -7 % à +20 % (Ebrahimi, 2025). Tout cet écart ne vient pas du contrôle des teneurs, mais c'est une étape où il peut être mesuré et réduit. Pour une vue d'ensemble de l'IA dans l'exploration et l'exploitation minière, voir notre guide de l'IA dans les mines et l'article sur l'analyse géologique par IA.
Quelles données alimentent un modèle de prédiction de teneur ?
| Source de données | Ce qu'elle apporte | Principales limites |
|---|---|---|
| Échantillons du cône de cuttings des trous de tir | Une analyse par trou sur une maille dense (5 m dans une étude sur le cuivre) | Un seul échantillon pour tout le trou, par exemple 10 à 15 m de profondeur ; ségrégation et surforation biaisent l'échantillon |
| Sondages de contrôle des teneurs à circulation inverse (RC) | Échantillons plus petits et plus faciles à collecter ; plusieurs gradins forés en même temps | Coût nettement plus élevé |
| Mesures en cours de foration (MWD) | Vitesse d'avancement, couple, pressions de rotation et d'air pour chaque trou, avec une résolution de 0,1 m en profondeur | Indirect : reflète les propriétés de la roche, pas sa chimie |
| Description géologique et modèle à long terme | Lithologie, altération, limites des domaines | Description subjective ; limites parfois mal placées |
| Capteurs au front de taille (par exemple XRF sur les godets de pelle) | Une estimation de teneur pour chaque godet pendant le chargement | Chiffres de performance surtout issus des fournisseurs |
Les échantillons de trous de tir sont la solution par défaut, car les trous sont de toute façon forés pour le tir. Ils sont aussi le maillon faible. Holmes décrit la ségrégation des cuttings dans le cône et l'inclusion de matériau de surforation provenant de sous le gradin. Comme le haut du gradin est déjà fracturé, peu de cuttings proviennent des premiers mètres, si bien que l'échantillon est biaisé vers le milieu et le bas du gradin. Il cite des sondages RC séparés comme la meilleure solution, pour un coût nettement plus élevé, et rappelle qu'un biais ne peut plus être éliminé une fois présent (Holmes, 2010). Aucun modèle ne corrige un échantillon biaisé : l'audit de l'échantillonnage passe donc avant toute modélisation. Notre article sur les problèmes de qualité des données industrielles traite de la version générale de ce problème.
Les données MWD sont enregistrées par les foreuses modernes pour chaque trou. Dans un projet pilote sur une mine de fer du Pilbara, avec les données MWD de près de 7 000 trous, les modèles ont prédit la teneur en fer avec une corrélation de 0,79 avec les analyses de laboratoire dans une zone, mais de seulement 0,64 dans une autre, où la distribution des teneurs était différente (Khushaba et al., 2022). Le MWD est une entrée supplémentaire utile, pas un substitut aux analyses.
Les capteurs au front de taille sont plus récents. MineSense indique que ses godets de pelle équipés de capteurs XRF, avec du machine learning pour caractériser chaque godet, ont réorienté en moyenne 5,9 % des camions mesurés du minerai vers le stérile et 7,2 % du stérile vers le minerai, sur neuf mines de cuivre à ciel ouvert pendant une partie de 2023 (CIM Magazine, 2024). Ce sont les chiffres du fournisseur, pas une étude indépendante.
Krigeage, simulation ou machine learning : quelle méthode ?
Le krigeage ordinaire est la référence. Une synthèse sur les exploitations de fer du Pilbara le qualifie de « méthode de choix » en géostatistique, généralement associé à la simulation gaussienne séquentielle pour compenser le lissage du krigeage et estimer l'incertitude sur les teneurs. Les processus gaussiens, une méthode probabiliste de machine learning, ont été adaptés pour traiter les analyses des trous de tir comme des intervalles plutôt que comme des points (Leung et al., 2023).
Le machine learning généraliste, comme les forêts aléatoires, les machines à vecteurs de support et les réseaux de neurones, peut combiner de nombreuses entrées et n'exige pas l'hypothèse de stationnarité du krigeage au sein d'un domaine. Mais il « ne garantit pas la reproduction des données aux points échantillonnés » et ne tient pas compte explicitement de la corrélation spatiale (Zacche da Silva et al., 2020).
Que montrent les comparaisons directes ?
- Deux projets à ciel ouvert : le krigeage ordinaire a mal classé environ 8,5 % des blocs et un classifieur à vecteurs de support environ 10,5 %. L'ajout d'une erreur d'échantillonnage a réduit la performance des deux d'environ 4 % (Potakey, 2024).
- Platine, coordonnées seules : les k plus proches voisins et les forêts aléatoires semblaient excellents en validation croisée aléatoire (R² de 0,92 et 0,86), mais obtenaient souvent un score négatif en validation croisée par blocs spatiaux, alors que le krigeage restait plus stable. Les auteurs concluent que les modèles fondés sur les seules coordonnées « se comportent comme des interpolateurs » (Akpabio et Minnitt, 2026).
- Cuivre, approche hybride : à la mine de Carmen de Andacollo au Chili, l'utilisation d'une tendance issue d'un réseau de neurones dans un cokrigeage colocalisé a mal classé 5,4 % de matériau en moins que le krigeage ordinaire sur 10 tirs. La référence était simulée, faute de données de réconciliation réelles (Zacche da Silva et al., 2020).
| Méthode | Points forts | Points faibles | Quand l'utiliser |
|---|---|---|---|
| Krigeage ordinaire | Standard, auditable, respecte les données | Lisse ; une seule estimation par bloc ; suppose la stationnarité au sein d'un domaine | Référence pour tout projet |
| Simulation conditionnelle | Quantifie l'incertitude ; permet des décisions par profit espéré | Plus de calcul et d'expertise | Coûts d'erreur de classement élevés ou limites incertaines |
| Machine learning sur les seules coordonnées | Rapide à tester | Se comporte en interpolateur ; faible en validation spatiale | Rarement seul |
| Machine learning avec données de foration et géologiques | Utilise MWD, description géologique et capteurs | Exige des analyses comme étiquettes ; peut échouer dans de nouvelles zones | Quand des données supplémentaires existent pour chaque trou |
| Hybride (tendance machine learning et krigeage) | Combine entrées supplémentaires et corrélation spatiale | Démarche plus complexe | Fortes tendances au sein d'un domaine |
Le machine learning se justifie quand il apporte une information que le krigeage n'utilise pas, comme la réponse à la foration, la géologie décrite ou des mesures de capteurs, et non quand il réinterpole les mêmes analyses. La même logique est à la base des capteurs logiciels dans les usines de procédés : des mesures peu coûteuses estiment une mesure coûteuse, et le laboratoire reste la référence.
Comment l'incertitude doit-elle changer les décisions minerai ou stérile ?
Comparer une estimation unique à la teneur de coupure ignore que les deux erreurs n'ont pas le même coût. Une meilleure approche utilise de nombreuses réalisations simulées de la teneur. Le processus CSOWOPT de Datamine calcule, pour chaque bloc, la perte espérée s'il est envoyé à l'usine ou à la verse, à partir de la récupération de l'usine, du prix du métal, de la teneur et du coût d'extraction et de traitement. Un bloc n'est classé minerai que si sa probabilité de dépasser la teneur de coupure est supérieure à une probabilité d'équilibre (documentation Datamine Studio RM). Magri et Norrena ont décrit la même idée : choisir la classification qui maximise le profit espéré sur l'ensemble des réalisations (Magri et Norrena, 2000).
Cela s'applique aussi au machine learning. Un modèle qui fournit une probabilité ou une distribution, et pas seulement une teneur, peut alimenter la même règle de décision.
Comment valider un modèle de teneur avant que les camions le suivent ?
- Mettre de côté des tirs entiers ou des blocs spatiaux. Khushaba et al. ont testé en excluant un tir à la fois, ce qui reproduit la prédiction d'un nouveau tir, et notent que des découpages aléatoires peuvent donner des erreurs trop optimistes à cause de l'autocorrélation spatiale (Khushaba et al., 2022).
- Évaluer les décisions, pas seulement l'erreur sur la teneur. Compter les tonnages mal classés en minerai et en stérile, et valoriser chacun aux prix et coûts actuels.
- Comparer avec la méthode actuelle sur les mêmes tirs. Le krigeage sur les mêmes données est la référence minimale.
- Vérifier chaque domaine et chaque zone séparément. La performance peut chuter dans une nouvelle partie de la fosse, comme le montrent les corrélations de 0,79 et 0,64 citées plus haut.
- Fonctionner en parallèle. Laisser le modèle proposer des limites de sélection à côté du processus existant avant qu'il ne change la destination des camions.
- Réconcilier. Chez SRK, le facteur F1 compare le modèle de contrôle des teneurs à court terme au modèle à long terme, et le facteur F2 compare ce que reçoit l'usine à ce que la mine déclare avoir livré (Ebrahimi, 2025). Un meilleur modèle doit réduire l'écart entre les prévisions du contrôle des teneurs et les résultats de l'usine.
Après la mise en service, les modèles de teneur dérivent à mesure que l'exploitation avance vers de nouveaux domaines. Notre guide sur le suivi de la dérive des modèles précise ce qu'il faut surveiller.
Ce que nous avons constaté chez KABAS AI
KABAS AI n'a pas publié de projet de contrôle des teneurs. Voici comment notre équipe data science aborde ce type de travail sur des données industrielles :
- Auditer d'abord l'échantillonnage. Vérifier comment les trous de tir sont échantillonnés, si la surforation est incluse, et comment les identifiants d'échantillons, coordonnées, profondeurs et dates d'analyse sont reliés. Corriger les biais avant de modéliser.
- Construire la référence par krigeage. Un modèle de machine learning doit faire mieux que ce que le géologue de la mine produit déjà sur les mêmes tirs.
- Ajouter des entrées disponibles pour chaque trou. Le MWD, la lithologie décrite et les données de capteurs sont là où le machine learning peut apporter de l'information.
- Garder les données sur site. Les données de sondages, d'analyses et de teneurs sont commercialement sensibles, et de nombreuses fosses ont une connectivité faible. Nos solutions pour les mines fonctionnent sur site sans connexion Internet, et notre article sur l'IA sur les sites isolés explique les compromis.
Si vous voulez vérifier si vos données de trous de tir et de foration peuvent soutenir de meilleures prédictions de teneur, contactez-nous.
Sources
- Zacche da Silva, Nisenson et Boisvert, Grade control with Ensembled ML: A comparative case study at the Carmen de Andacollo copper mine, CCG Annual Report 22, 2020
- Holmes, Sampling mineral commodities: the good, the bad, and the ugly, Journal of the Southern African Institute of Mining and Metallurgy 110, 2010
- Akpabio et Minnitt, Improving grade estimation using machine learning: a comparative study of ordinary kriging against machine learning algorithms, SAIMM, 2026
- Potakey, Grade Control Optimization in Open Pit Mining using Supervised Machine Learning Approach, mémoire de master, Queen's University, 2024
- Khushaba, Melkumyan et Hill, A Machine Learning Approach for Material Type Logging and Chemical Assaying from Autonomous Measure-While-Drilling (MWD) Data, Mathematical Geosciences, 2022 (arXiv 2202.02959)
- Leung, Hill et Melkumyan, Automation and AI Technology in Surface Mining With a Brief Introduction to Open-Pit Operations in the Pilbara, arXiv 2301.09771, 2023
- Ebrahimi, Reconciliation Explained and Solutions Recommended, SRK Consulting, 2025
- Datamine, CSOWOPT process, documentation Studio RM
- Magri et Norrena, Optimal grade control using geostatistics and economics: methodology and examples, SME, 2000
- CIM Magazine, Industry partner spotlights 2024: MineSense
Questions fréquentes
Quelle est la différence entre un modèle de ressources et un modèle de contrôle des teneurs ?
Le modèle de ressources à long terme est construit à partir de sondages d'exploration largement espacés et sert aux réserves et à la planification à long terme. Le modèle de contrôle des teneurs, ou modèle à court terme, est construit gradin par gradin à partir de données plus denses, comme les analyses des trous de tir ou des sondages de contrôle des teneurs. C'est lui qui sert à tracer les limites de sélection et à envoyer chaque camion vers l'usine, un stock ou la verse à stériles.
Le machine learning peut-il remplacer le krigeage pour le contrôle des teneurs ?
Pas par défaut. Dans les comparaisons publiées, les modèles de machine learning qui n'utilisent que les coordonnées et les analyses des échantillons n'ont pas fait mieux que le krigeage ordinaire, et certains ont échoué en validation spatiale. Le machine learning est utile quand il apporte une information que le krigeage n'utilise pas, comme les données de foration, la géologie décrite ou des mesures de capteurs, ou quand sa sortie est combinée au krigeage.
Les données MWD peuvent-elles remplacer les analyses des trous de tir ?
Non. Les données MWD, comme la vitesse d'avancement, le couple et la pression d'air, sont enregistrées pour chaque trou et peuvent être corrélées à la teneur, mais le lien est indirect et varie d'une zone à l'autre d'une même mine. Les analyses restent la référence pour entraîner, vérifier et recaler tout modèle qui utilise le MWD.
Que sont la perte de minerai et la dilution ?
La perte de minerai correspond à du minerai envoyé à la verse parce qu'il a été classé comme stérile : son métal n'est jamais récupéré. La dilution correspond à du stérile envoyé à l'usine parce qu'il a été classé comme minerai : il consomme capacité de traitement, énergie et réactifs, et fait baisser la teneur d'alimentation. Le contrôle des teneurs cherche à minimiser le coût combiné de ces deux erreurs.
Comment savoir si une nouvelle méthode de contrôle des teneurs fonctionne ?
Il faut la faire tourner en parallèle de la méthode actuelle sur les mêmes tirs, comparer les tonnages qu'elle classerait mal, puis suivre la réconciliation dans le temps. Si la nouvelle méthode est meilleure, l'écart entre ce que prévoit le modèle de contrôle des teneurs et ce que reçoit l'usine doit se réduire. Les seuls indicateurs de précision du modèle ne suffisent pas.



