HyperCube aide l'industrie minière à extraire de nouvelles connaissances à partir de volumes de données sans précédent.

 

Les enseignements du nombre important de données des fichiers nous ont permis de considérer pour la première fois l'ensemble des variables et de découvrir de nouvelles règles d'association contre-intuitives qui représentent de nouvelles connaissances dans le domaine de l'exploration minérale

Réjean Girard, President, IOS Services géoscientifiques 

Challenge

L'exploration minérale est très complexe. La prospection devient de plus en plus coûteuse à mesure que les nouveaux gisements minéraux deviennent plus difficiles à trouver. Alors que de nouveaux outils et de nouvelles techniques permettent la collecte d'une multitude de données sur de vastes territoires, le défi reste la meilleure façon d'utiliser cette nouvelle intelligence.

Les scientifiques ont beaucoup de mal à trouver des méthodes d'analyse efficaces et il est de plus en plus évident que les approches traditionnelles ne sont plus adaptées pour gérer le volume de données générées.

Afin de prédire et de découvrir de nouveaux gisements minéraux, l'industrie doit donc développer des solutions capables de traiter des données à grande échelle afin de pouvoir extraire des informations avec plus de précision en moins de temps.

Solution

En utilisant des données historiques disponibles publiquement, et en remontant sur plusieurs décennies, nous avons créé une base de données de fichiers à plat pour accommoder toutes les caractéristiques pertinentes. Les données, qui comprennent des informations hétéroclites, asymétriques, fragmentaires et groupées, forment un modèle de formation qui contient plus de 1,4 million d'observations et 100 variables.

Ces variables comprenaient des informations géophysiques, géochimiques et sédimentaires. En appliquant un algorithme, nous avons pu explorer toutes les combinaisons de données possibles et appliquer les règles les plus susceptibles de prédire la minéralisation. L'ensemble de données de test qui contenait une sélection aléatoire de gisements aurifères à 50% nous a aidé à créer un modèle final composé de 15 règles d'association contenant un total de 13 variables.

Bénéfices

Le modèle d'HyperCube a surpassé le modèle en place dans plusieurs domaines. Cela a résulté en :

  • Une réduction des efforts. L'analyse des données ne prend plus des semaines, mais désormais seulement quelques minutes. Et grâce à son analyse exhaustive, HyperCube a besoin de moins de données granulaires pour de meilleurs résultats.
  • Une nouvelle vision sur les données. Grâce à la capacité d'HyperCube de gérer des données hétérogènes malgrès des informations importantes manquantes, il a été possible d'associer des éléments, ce qui nétait tout simplement pas possible avec le modèle précédent.
  • Une plus grande précision, supérieure de près de 200%.

Prêt à tenter l'expérience HyperCube ?

Essayez HyperCube et découvrez ses fonctionnalités inégalées, et sa facilité d'utilisation. Get started