Passez à l’étape supérieure.

Demandez un devis pour nos services de qualité garantie et nous vous contacterons dans les prochains jours ouvrables.

Demander un devis

Prénom *

Nom de famille *

E-mail *

Téléphone (facultatif)

Site de service *

État/Province

Emplacement du service (texte libre)

Secteur des services *

Service d’intérêt * J’accepte la Privacy Policy *

accueil /
Conseils et analyses /

Analyse et automatisation par intelligence artificielle

Les données permettent d’aller plus loin

La vitesse et la cohérence constituent deux avantages de l’automatisation de l’IA. En tant que mineurs et explorateurs, nous entrons dans l’ère du Big Data, processus trop volumineux et produisant trop rapidement, pour être interprété uniquement par des méthodes conventionnelles. Chez ALS GoldSpot, nous travaillons avec votre équipe de géoscience pour ajouter des outils d’IA et des flux de travail d’automatisation, permettant à vos géoscientifiques experts de passer leur temps à réfléchir à la géoscience.

Diagramme de Sankey

La différence ALS GoldSpot

Nous pensons qu’une bonne science des données doit être étayée de manière critique par de bonnes connaissances géologiques. Notre équipe de géoscientifiques, avec une expertise en géochimie, géophysique et géologie structurelle, travaille en étroite collaboration avec notre équipe de science des données pour s’assurer que les bonnes données sont utilisées et que les bonnes questions sont traitées.

Équipe ALS GoldSpot

Cartographie assistée par machine

Il existe de nombreuses méthodes de télédétection qui peuvent être utilisées pour aider l’explorateur à comprendre la zone du projet avant de lancer une campagne sur le terrain. Hiérarchiser différents domaines (lithologie cible, abondance des affleurements) peut aider à planifier les traversées et à faciliter les campagnes de forage. Les cartes de terrain peuvent être créées à partir de données multispectrales groupées. Différentes bandes multispectrales, ou rapports de bandes, qui correspondent à une minéralogie spécifique, permettent l’interprétation et la cartographie des unités de regolithe. Les affleurements peuvent être identifiés en extrayant des mesures texturales de l’orthophotographie ou du LiDAR. Les prédictions concernant la probabilité de minéralisation (analyse de prospectivité) peuvent être effectuées à l’aide de modèles d’apprentissage automatique supervisés construits sur un cube de données de couches de fonctionnalités techniques.

Vision par ordinateur

La vision par ordinateur fait référence à la capacité des ordinateurs et des systèmes d’intelligence artificielle à interpréter et analyser les informations visuelles du monde réel, telles que les images et les vidéos. Elle implique l’utilisation de caméras, d’algorithmes et de logiciels pour extraire des informations des données visuelles, qui peuvent être utilisées pour diverses applications telles que le contrôle qualité, la navigation autonome et la reconnaissance d’objets. La vision par ordinateur permet d’automatiser les processus et de prendre des décisions basées sur des données visuelles, améliorant ainsi l’efficacité et la précision dans divers secteurs.

Journalisation automatisée

Le noyau est souvent à nouveau journalisé lorsqu’une nouvelle entreprise prend en charge un gisement, ou lorsqu’il y a beaucoup de noyaux historiques consignés par de nombreux géologues au fil des ans avec un contrôle limité sur la cohérence. Le processus de journalisation central est généralement basé sur des observations visuelles de base, ce qui le rend parfaitement adapté à l’automatisation par l’apprentissage machine. L’automatisation du processus de journalisation permet d’économiser du temps et de l’argent et garantit un résultat final objectif. Le processus de nouvelle journalisation nécessite de sélectionner un certain nombre de points de formation (généralement plusieurs centaines). Ces points, ainsi que les photos de base associées, sont ensuite analysés par notre algorithme propriétaire pour générer un modèle de données. Le modèle peut ensuite être appliqué pour classer toutes les photos de base recueillies au fil du temps. Des données de formation supplémentaires peuvent être fournies pour améliorer la précision.

Logiciel d’inversion géophysique

Notre algorithme d’inversion tire parti des nouveaux développements en ML, en particulier les processus gaussiens pour les systèmes d’apprentissage automatique modernes. Il peut inverser les données gravimétriques ou magnétiques. L’intégration de l’apprentissage automatique dans les inversions géophysiques a pour avantage le fait que les algorithmes d’apprentissage automatique peuvent trouver des non-linéarités dans les données et donc produire de meilleurs modèles 3D.

Détection des anomalies et correspondance des modèles

La flexibilité et la reproductibilité avec plusieurs types de données constituent l’un des points forts de l’IA. Nos outils de reconnaissance de motifs et de détection d’anomalies utilisent les données électromagnétiques, magnétiques de gradient et gravitationnelles. La correspondance d’anomalies repose sur l’analyse de profils provenant d’organismes connus ou de formations cibles pour comparer les anomalies dans d’autres ensembles de données et les classe en fonction de leur similarité. La routine de détection des anomalies, ou PeakFinder, est utilisée pour localiser les minima et maxima dans les données de ligne. On différencie les pics en fonction de plusieurs facteurs, notamment l’amplitude, la proéminence et la largeur des pics, entre autres attributs. Les caractéristiques des pics sont utilisées pour générer plusieurs mesures telles que l’amplitude maximale, la décroissance de la protéine tau, la direction et l’angle d’immersion. L’outil de correspondance des anomalies examine les données de ligne/canal et les compare aux réponses sélectionnées à partir des données de l’enquête et/ou celles générées à partir de plaques théoriques/synthétiques. Les données magnétiques, électromagnétiques et/ou gravimétriques peuvent être modélisées. Un résultat normalisé est renvoyé avec des valeurs comprises entre 0 et 1 en fonction de la similarité des données de canal avec le signal cible. Les résultats sont affichés sous forme de carte de similarité qui met en évidence les segments de lignes de vol qui sont similaires ou différentes du signal cible.