04 mai 2022

Kurt House, cofondateur et directeur général de Kobold Metals, parle de l’importance de réduire l’incertitude pendant la phase d’exploration minière

Par Matthew Parizot

Alors que les gisements miniers se font toujours plus rares et deviennent toujours plus difficiles à exploiter, l’exploration minière repose de plus en plus sur la collecte et l’interprétation de données de qualité pour trouver les gisements.

Le discours de clôture du congrès CIMBC22, qui comprenait une présentation du cofondateur et directeur général de Kobold Metals Kurt House, portait sur ce qu’il pense être l’un des dangers de cette nouvelle dépendance à l’égard des données, à savoir les interprétations erronées et les corrélations trompeuses.

Pour celles et ceux qui ne connaissent pas bien les statistiques, lorsqu’on interprète des données, un seul exemple de corrélation ne saurait suffire à faire systématiquement une déclaration exacte. En aucun cas il ne faut utiliser des données singulières sur des trous de forage offrant un haut degré de confiance pour un gisement donné pour prévoir précisément l’ensemble d’une concession minière. Prendre ces décisions en ayant en mains des données incomplètes va à l’encontre de ce que M. House expliquait concernant le véritable objectif de l’exploration.

« [Trouver des corps minéralisés rentables] constitue certes une motivation, mais ce n’est pas l’objectif premier d’un processus d’exploration. [Au contraire], l’objectif est de réduire l’incertitude en effectuant des mesures optimales », indiquait-il.

Les mesures optimales, d’après lui, sont celles qui permettent la plus forte hausse du pouvoir prédictif du modèle par unité d’effort d’exploration. Ce faisant, les sociétés d’exploration peuvent se concentrer sur les domaines offrant les informations les plus essentielles au modèle qui analyse les données et établit des prévisions quant à la composition des minéraux dans diverses zones.

« Il peut être très coûteux d’amener les gens au bon endroit pour prendre de nouvelles mesures. C’est le coût marginal élevé des données », indiquait M. House. « Ainsi, le but du jeu est de prendre ces mesures optimales. Mais comment amener les personnes aux bons endroits, là où les nouvelles données collectées réduiront le plus l’incertitude ? »

Il présentait un exemple où, selon plusieurs modèles de différents gisements dans une région, il est préférable de recueillir des informations autour d’un gisement affichant un degré d’incertitude plus élevé que d’un gisement qui est plus clairement défini. Ce faisant, on peut systématiquement renforcer la confiance de l’ensemble du modèle analytique et augmenter la précision.

« En fait, on prend une prévision très incertaine et on la transforme en un point de formation à confiance élevée. C’est convaincant. Le plus intéressant, [étant donné] que l’on a ajusté le coefficient de l’intégralité du modèle, c’est que l’on peut l’appliquer à l’ensemble du domaine. On peut s’éloigner de 100 kilomètres vers une zone totalement différente et les modèles changent considérablement. »

L’amélioration de ces modèles pour définir les zones de minéralisation avec plus de précision est, bien entendu, un effort précieux pour les sociétés d’exploration. C’est également une étape importante pour augmenter l’offre en minéraux critiques nécessaires à la transition vers une économie verte de la planète.

« Pour faire face au changement climatique, nous devons électrifier l’économie. L’électrification du parc de véhicules légers exige à elle seule une croissance énorme en termes de cuivre, de nickel, de cobalt et de lithium », précisait M. House. « Il y a beaucoup à faire, et on ne pourra éviter le changement climatique sans avoir recours à une électrification massive. Cela requiert une quantité massive de matériaux. C’est la raison même de nos activités. »