Éminents Conférenciers de l'ICM
Guy Desharnais a obtenu son doctorat à l'université du Manitoba, lequel portait sur la géochimie à l'échelle de la ceinture des roches mafiques et ultramafiques ainsi que la minéralisation sulfurée connexe. Il a travaillé pendant 5 ans en tant que géologue d’exploration chez Xstrata Nickel (Glencore). Par la suite, avec SGS, il a dirigé une large gamme de projets à l'échelle internationale, notamment des estimations des ressources, des évaluations économiques, la sélection d'échantillons métallurgiques, des études géométallurgiques ainsi que des vérifications des ressources et des réserves. M. Desharnais a élaboré des rapports techniques NI 43-101 sur diverses matières premières, et est considéré comme une personne qualifiée pour divers types de gisements. Sa passion consiste notamment à partager ses connaissances techniques ; il a dispensé en français, en anglais et en espagnol plusieurs sessions de formation à un public large. Il a dirigé l'équipe qui a remporté le concours Ruée vers l'or d'Integra Gold en 2016 (500 000 $), laquelle a utilisé la géologie, la réalité virtuelle ainsi que l'apprentissage automatique pour identifier les cibles d'exploration les plus prometteuses.
Éminent Conférencier 2017-18
Résumés de conférence
Metallurgical Sample Selection: A Simple Step that has the Potential to Sink your Project (La sélection d'échantillons métallurgiques : une étape simple qui peut faire couler votre projet)
De nombreux programmes métallurgiques souffrent du fait que les échantillons ne sont pas représentatifs des « recettes des roches » qui se rendront dans l’usine de traitement. Malheureusement, ceci engendre souvent des distorsions qui sont transposées dans toutes les études techniques détaillées et mènent à la construction d'une usine de traitement défectueuse. Parmi les impairs les plus courants figurent une sélection se limitant au minerai trop riche, à une roche hôte unique, un manque de considération pour le plan minier, ou encore l’exclusion de roches encaissantes.
Les discussions porteront sur l'échelle appropriée de caractérisation, dont l'introduction du concept du temps, des plans miniers ainsi que l'échelle de l'usine dans le processus de sélection. Le manque de considération dont souffre souvent la sélection des échantillons a une influence directe sur les prévisions de la dureté, la récupération, sur la création des schémas de traitement et à terme, et ultimement sur la rentabilité des projets miniers.
Mining BIG Data: the Future of Exploration Targeting (l'Extraction de données MASSIVES : l'avenir du ciblage en exploration)
L'apprentissage automatique renforce notre capacité à exploiter les données d'exploration afin de déterminer les vecteurs vers les nouveaux gisements. Cependant, une attention particulière devra être accordée aux données d'entrée et les résultats de requêtes par des géologues humains afin de s'assurer que le modèle ne se contente pas de prédire ce que l'on connaît déjà ou produise de fausses pistes.
Resource Over-Estimation: Post-Mortem and a Path Forward(Surestimation des ressources : un bilan et une voie à suivre)
Plusieurs projets d'exploration minérale à haute visibilité ont récemment subit de grands échecs en raison de réductions considérables des estimations des ressources et des réserves. Cette présentation explore les causes profondes de ces échecs, ainsi que certaines solutions envisageables.
