Académique Documents
Professionnel Documents
Culture Documents
À Mes parents
M. KIANPI Jean-Pierre
Et
i
REMERCIEMENTS
Mon être tout entier est reconnaissant au Dieu tout Puissant, de qui me vient la force, la sante
mais surtout le souffle de vie sans quoi rien de tout ceci ne saurait exister.
Je tiens aussi a exprimé ma gratitude à toutes ces personnes qui ont contribué de quelques
façons que ce soit à la réussite de ma formation d’ingénieur qui s’achève par la rédaction du
présent mémoire. J’adresse un merci tout particulier aux personnes suivantes qui se sont
démarqués par leur apport quelques-peu spéciale à ce beau parcours qui s’achève. Ce sont :
ii
M Baketa, M Rabiou et Mme Nathalie, pour les différents services qu’ils m’ont
rendus pendant mon parcours à l’école de géologie et d’exploitation minière de
Meiganga ;
M Nenkam Elvis et M Fonguiem Marius, pour leurs présences dans les moments
difficiles ;
Mes cousins et cousines, Charly, Vanick Cabrel, Dimitri, Imelda, Carel, Erwan,
Chase, pour le soutien qu’ils m’ont accordé pendant ma formation ;
Mes frères du GBEEC, mes frères des Chantres Unis du Cameroun, mes frères
Moniteurs du culte d’enfant, mes frères de l’EEC, pour la foi que nous partageons en
Jésus sauveur du monde.
iii
TABLE DES MATIÈRES
DÉDICACE................................................................................................................................i
REMERCIEMENTS..................................................................................................................ii
TABLE DES MATIÈRES........................................................................................................iv
LISTE DES FIGURES..............................................................................................................vi
LISTE DES TABLEAUX........................................................................................................vii
LISTE DES ABRÉVIATIONS..............................................................................................viii
RÉSUMÉ..................................................................................................................................ix
ABSTRACT...............................................................................................................................x
INTRODUCTION GÉNÉRALE.............................................................................................11
CHAPITRE I : GÉNÉRALITÉS..............................................................................................13
Zone d’étude.........................................................................................................................13
I.1. Présentation et localisation........................................................................................13
I.2. Géologie régionale et Locale.....................................................................................14
I.4. Climat, Relief, Végétation.........................................................................................15
Revue de la littérature..........................................................................................................16
II.1. Travaux antérieurs sur la zone d’étude.....................................................................16
II.2. Quelques résultats de travaux liés au thème.............................................................16
Notion de Généralités...........................................................................................................18
III.1. Généralités sur le Fer..............................................................................................18
III.2. Généralités sur la Géostatistique Multivariable......................................................21
CHAPITRE II : MATERIELS ET METHODES....................................................................29
Introduction..........................................................................................................................29
I. Matériels........................................................................................................................29
II. Présentations des données.........................................................................................29
III. Méthodes...................................................................................................................31
CHAPITRE III : RESULTATS ET INTERPRETATIONS....................................................32
Introduction..........................................................................................................................32
I. Analyses statistiques des données.................................................................................32
Références................................................................................................................................35
Annexe I (Cartes variographiques)..........................................................................................39
Variographie monovariables (Suivant l’azimut)..................................................................39
iv
Variogramme Fer.............................................................................................................39
Variogramme Titane........................................................................................................40
Variogramme Silice.........................................................................................................41
Variogramme Alumine.....................................................................................................42
Variographie monovariable (suivant le pendage)................................................................43
Variogramme Fer.............................................................................................................43
Variogramme Titane........................................................................................................44
Variogramme Silice.........................................................................................................45
Variogramme Alumine.....................................................................................................46
Variographie multivariables (Suivant l’azimut)...................................................................47
Variogramme croises (Fer-Alumine)...............................................................................47
Variogrammes croises Fer-Silice.....................................................................................48
Variogrammes croises Fer-Titane....................................................................................49
Variographie multivariables (Suivant le pendage)...............................................................50
Variogramme croisé Fer-Alumine...................................................................................50
Variogramme croisé Fer-Silice........................................................................................51
Variogramme croisé Fer-Titane.......................................................................................52
ANNEXE II (PARAMETRES d’ajustement des differents variogrammes)...........................53
Paramètres de Variogrammes simples suivant azimut (ajustes par le modèle sphérique). .53
Parametres de variogrammes simple suivant pendage (ajustes par le modele Spherique). .54
Paramètre de Variogrammes croises Suivant azimut (Ajustes suivant le modèle sphérique)
..............................................................................................................................................55
Paramètres de Variogrammes croisés suivant pendage (Ajuste par le modele spherique). .56
v
LISTE DES FIGURES
Figure 1: Localisation de Ngoyla et ses Environs....................................................................13
Figure 2 : Zone d'étude.............................................................................................................14
Figure 3 : Carte Géologique Région de (source : Rapport final PCGDM N-M).....................15
Figure 4 : Carte d'échantillonnage............................................................................................30
Figure 5 : Histogramme des différentes teneurs......................................................................33
Figure 6 : Nuage de corrélation Fer-Alumine..........................................................................34
Figure 7 : Nuage de corrélation Fer-Silice...............................................................................34
Figure 8 : Nuage de corrélation Fer-Titane..............................................................................34
vi
LISTE DES TABLEAUX
Tableau 1 : Propriétés thermodynamiques des complexes aqueux du fer (d’après Rapport
final BRGM, novembre 2008).................................................................................................20
vii
LISTE DES ABRÉVIATIONS
BSS
GBDT
LightGBM
MAE
ME
MLR
PCGDMF N- Projet de Conservation et de Gestion Durable du Massif Forestier de
M Ngoyla-Mintom
RMSE
RNA
RNAs
SVM
XGBoost
viii
RÉSUMÉ
ix
ABSTRACT
x
INTRODUCTION GÉNÉRALE
Le Fer est l’une des ressources minérales métalliques les plus explorée, exploitée et
consommée par l’humanité depuis des millénaires. Ceci est principalement due au fait qu’il
est le métal dont la transformation est moins couteuse et l’utilisation répandue dans tous les
domaines de la vie : les maisons et bâtiments son rempli de fer (les charpentes, les dalles
etc.). Les véhicules que nous utilisons chaque jour sont faits en partie de fer. Les objets
médicaux tels que seringues, prothèses, microscopes etc. ne sont pas en reste. En alimentation
et agro-industrie, plusieurs des outils utiliser pour nos champs houes, machettes, limes et
autres sont à base de fer ou de matériaux allies à celui-ci. Il est donc plus qu’évident que le
fer est un allié majeur pour l’humanité. Sa si grande consommation implique donc un plus
grand sérieux dans toutes les étapes de sa production (exploration, extraction, traitement et
transformation).
Aussi, il bien de se rappeler que, bien qu’il soit utilisé chaque jour sous sa forme métallique,
dans la nature on ne le trouve pas cet état. Ce que nous appelons fer est contenu dans la
nature dans plusieurs sortes de gites qui une fois économiquement rentables sont qualifiés de
gisement. Le fer est donc piégé dans les gites de minerais pouvant être classe en trois familles
dont les sulfures, les carbonates et les oxydes. Les sulfures comme la pyrite ne permettent pas
après traitement d’obtenir du fer car contenant une grande proportion de soufre qui est un
fragilisant pour les alliages ferreux. Les silicates quant à eux ne sont pas utilisés pour la
production du fer car leur procédé d’enrichissement est très complexe. La principale famille
d’intérêt lorsqu’il s’agit de fer est la famille des oxydes dont les minerais contiennent très
souvent de bonne proportion en fer ; on peut citer quelques oxydes de fer comme la
Magnétite de formule chimique (Fe3O4) pouvant contenir entre 50-67% de fer et l’Hématite
de formule (Fe2O3) contenant entre 30-65% de fer.
Il est donc question quand on traite d’une minéralisation d’avoir une estimation de la réelle
quantité de ressource utile présente à travers la minéralisation. L’estimation des ressources
d’un gisement est donc une étape privilégiée et décisive car elle détermine la continuité ou
l’arrêt d’un projet d’exploitation minière, aussi elle permet aussi de déterminer la forme les
techniques d’exploitation les plus adaptées le cas échéant.
Le Cameroun dispose d’un énorme potentiel minier qui est souvent soit exploiter de manière
artisanale par les populations locales, ce qui ne permet pas un bon rendement et qui
s’accompagne de beaucoup de risques, soit souvent exploiter par des multinationales
étrangères qui font la alors tout ce qu’elle peuvent pour se tailler les part les plus importante
au détriment des populations locale et même de notre gouvernement car il dispose à eux
l’expertise pour de tel projet dans les domaines de l’exploration, de l’extraction et du
traitement des différents minerais. Il devient donc important pour nous ingénieur camerounais
de bien comprendre et développer les techniques nécessaires à une réalisation des projets
miniers qui sera pleinement profitable pour notre pays. La bonne gestion d’un projet minier
passe par une bonne estimation des ressources présentes dans le gisement, car ces étapes
déterminent plusieurs facteurs à savoir le tonnage du ou des minerais d’intérêt, influence la
11
planification de l’extraction car permet de savoir la variation des teneurs à travers la
minéralisation.
L’arrondissement de Ngoila dans la région de l’est Cameroun dispose des gites métallifères
présents dans plusieurs formes de facies géologiques.
Le problème de savoir la quantité de fer présent dans cette zone en vue d’une exploitation
future est celui auquel répond la thématique « Estimation des ressources d’un gisement
polymétallique par la géostatistique multivariable multivariable : cas de
l’arrondissement de Ngoila (Est-Cameroun) » traitée dans la suite du présent document.
Ceci à la technique géostatistique de Cokrigéage afin d’obtenir une estimation optimale des
teneurs en fer de ce gisement.
Dans le but de résoudre ce problème plus amplement, le travail sera guidé par les objectifs
spécifiques suivants :
12
CHAPITRE I : GÉNÉRALITÉS
Introduction
Il est important dans le cadre d’un travail comme celui-ci, de présenter la zone d’étude, bien
situer le thème dans un courant de pense déjà existant et finalement de définir les diffèrent
éléments nécessaires à la compréhension de celui-ci. Les éléments de généralités sont
présentés dans le présent chapitre.
Zone d’étude
La figure 1 ci-dessous
13
Figure 2 : Zone d'étude
I.2. Géologie régionale et Locale
Le substratum géologique régional porte l’empreinte des grands évènements qui
ont structuré l’Afrique Centrale: L’orogenèse Libérienne, représenté par
l’unité du Ntem d’âge archéen (environ 2.5 milliards d’années) qui occupe le sud
Cameroun, l’orogenèse Éburnéenne ou Transamazonien, avec les unités du Nyong et
du Dja, d’âges paléo protérozoïques (2.5 à 1.8 milliards d’années); l’orogenèse
panafricaine à la fin du précambrien qui comprend des ensembles d’âge
néo protérozoïques (1000 à 600 millions d’années) qui affleurent sur la bordure nord du
craton, le centre du pays, puis l’ouverture de l’Atlantique au Mésozoïque représentée
par les fossés côtiers formés vers 110 millions d’années.
Une série caractérise notre zone d’étude (Nougier, 1979): La série de Mbalam qui est un
ensemble de formations métamorphiques de la zone des schistes. On rencontre des schistes
choriteux, des ultrabasites, des amphibolites, des itabirites, des hématites et des granodiorites
post-tectoniques.
14
Figure 3 : Carte Géologique Région de (source : Rapport final PCGDM N-M)
15
annuelle est de 24°C et les précipitations moyennes annuelles varient entre 1182 mm
et 2346 mm. L’amplitude thermique annuelle entre le mois le plus chaud et le mois le
plus froid est de 2°C. L’humidité relative est toujours élevée, la moyenne du mois le
plus sec est toujours supérieur à 70 % et celle du mois le plus humide varie entre 80 %
et 90 %. L’évapotranspiration potentielle est comprise entre 1150 et 1300 mm.
L’insolation moyenne annuelle augmente d’ouest en est et du sud au nord (Suchel,
1988).
Végétation
Cet arrondissement possède deux aires protégées que sont le parc national de Nki et la
Réserve de faune de Ngoyla. Sa particularité est que jusqu’en 2012, il faisait partie intégrante
de la concession de conservation du massif forestier de Ngoyla-Mintom. Sa position et sa
richesse en ressources naturelles fait de lui une zone d’intérêt pour de nombreux acteurs aux
enjeux parfois divergents. L’arrondissement de Ngoyla est soumis à l’influence du climat
équatorial chaud et humide du type guinéen classique. Située dans le bassin du Congo, la
zone est couverte par la forêt dense sempervirente (82% de la superficie totale) avec une
faune et une flore très diversifiée. Elle est habitée par 4 424 personnes en majorité bantou
(Djem) et « pygmée » (Baka). Ces groupes humains, vivent principalement dans les villages-
rues situés le long des axes routiers et des pistes. La zone est sous-peuplée avec moins d’un
hab/km², contre 41,6 pour le Cameroun et 7,4 hab/km² pour la région de l’Est Les principales
activités des populations sont l’agriculture, la chasse, la cueillette et la pêche.
II. Revue de la littérature
16
d’un maniement délicat. Ainsi un cokrigéage d’indicatrices présentera couramment des
valeurs estimées hors de (0,1), et de façon souvent plus marquée qu’un krigeage d’indicatrice.
Également, les variables secondaires intervenant par leurs accroissements (positifs ou
négatifs) en cokrigéage ordinaire, le cokrigéage de variables positives sera plus facilement
négatif que leur krigeage. Néanmoins le cokrigéage permet parfois des estimations, non
seulement plus précises par construction que le krigeage (à voisinage identique), mais
également plus cohérentes. Le cas du gisement d’uranium de Tréviels en donne un exemple
original et intéressant (Bordessoule et al. 1988, 1989). On a estimé le minerai T et le métal
Q, et déduit la teneur Q/T, pour des blocs de 25x25x5m à partir d’une maille de 25x25m
identique à celle des sondages d’exploration, et comparé les résultats aux valeurs « vraies »
calculées à l’aide de l’ensemble des trous de tir de chaque bloc (Fig. 11). En ce qui concerne
les valeurs vraies de blocs, il ressort que la teneur Q/T est légèrement corrélée au minerai (la
teneur de quelques blocs contenant très peu de minerai étant plus basse). Le cokrigéage rend
bien le peu de lien entre teneur et minerai, mais avec des teneurs peu dispersées :
manifestement les teneurs sont trop variables pour pouvoir être estimées avec précision. Par
contre le krigeage séparé de T et de Q fournit une teneur qui décroît nettement lorsque le
minerai augmente, ce qui est irréaliste. Ce phénomène s’explique par le contraste entre la
structure de T, plus continue, et celle de Q, plus erratique. Le lissage, l’attraction vers la
moyenne est plus importante pour Q que pour T, d’où le résultat. Dans cet exemple, le
cokrigéage tire profit du contraste entre les structures pour renforcer la cohérence des
résultats.
Une variété d'algorithmes de cartographie couramment utilisés peut être utilisés pour
l'interprétation par ordinateur. Les pondérations utilisées lors de l'interpolation sont
généralement basées sur la distance de chaque point de contrôle (valeur d'échantillon) à partir
de l'emplacement cible (nœud de grille). Les points de contrôle les plus proches de la cible
reçoivent les poids les plus élevés ; cependant, si les données présentent une forte anisotropie,
il n'est pas nécessairement vrai que le point de contrôle le plus proche doive recevoir le plus
grand poids. Au contraire, des points de contrôle plus éloignés le long de l'axe de corrélation
maximale devraient avoir une plus grande influence sur la valeur interpolée.
(P. Goovaerts, 1999) Les performances de prédiction des estimateurs de cokrigeage sont
évaluées à l'aide d'un ensemble de données environnementales comprenant des
concentrations de cinq métaux lourds à 359 emplacements. L'analyse des scores de
17
réestimation à 100 emplacements de test montre que le krigeage et le cokrigeage fonctionnent
de la même manière lorsque les variables primaires et secondaires sont échantillonnées aux
mêmes emplacements.
Lorsque l'information secondaire est disponible à l'emplacement estimé, on gagne peu à
retenir d'autres données secondaires distantes dans l'estimation. L'absence de biais de
l'estimateur de cokrigeage ordinaire est assurée en forçant les poids des données primaires à
s'additionner à un tandis que les poids de chaque variable secondaire sont contraints à
s'additionner à zéro. Sous ces contraintes "traditionnelles", la plupart des poids des données
secondaires ont tendance à être petits et certains d'entre eux sont nécessairement négatifs avec
un risque d'obtenir des résultats inacceptables tels que des estimations de concentration
négatives. Pour réduire l'occurrence des poids négatifs et éviter de limiter artificiellement
l'impact des données secondaires, Isaaks et Srivastava (1989, p. 416) ont proposé d'utiliser
une contrainte unique qui force tous les poids des données primaires et secondaires à
s'additionner à un. L'impartialité de l'estimateur est alors assurée en rééchelonnant toutes les
variables secondaires à la même moyenne que la variable primaire, d'où le terme de
cokrigeage ordinaire "rééchelonné" ou "standardisé" (Deutsch et Journel, 1992, p. 70). Un
autre avantage de l'utilisation d'une seule contrainte est que l'information secondaire peut être
limitée à une seule donnée lorsque la variable secondaire est échantillonnée au point estimé
(cokrigeage colocalisé ; Almeida et Journel, 1994) ; sous les contraintes traditionnelles
cette donnée aurait, par construction, un poids nul. Dans cet article, les propriétés des
estimateurs de cokrigeage ordinaires traditionnels et rééchelonnés sont comparées et l'impact
des contraintes d'absence de biais sur les poids de cokrigeage est étudié. Plusieurs auteurs
(Stein et al., 1988 ; Hevesi, Istok et Flint, 1992 ; Asli et Marcotte, 1995) ont comparé les
performances de prédiction du krigeage ou du cokrigéage simple et ordinaire dans des
situations égales et sous-échantillonnées. À l'aide d'un ensemble de données
environnementales, cette comparaison est ici étendue au cokrigeage ordinaire redimensionné
et à la situation de données secondaires uniques colocalisées. Deux critères de performance
sont pris en compte : l'erreur absolue moyenne de prédiction des concentrations de métaux
lourds sur 100 emplacements d'essai et la proportion d'emplacements d'essai classés à tort
comme sûrs ou contaminés sur la base d'estimations de cokrigeage.
Notion de Généralités
18
toute particulière A la lithographie, la pétrographie, la morphologie et aux structures des
formations, le magnétisme n'étant qu'une méthode indirecte permettant de localiser la région
ferrifère.
III.1.1. Gitologie
L’écorce terrestre est formée toute entière par les produits de la combinaison des métaux et
des métalloïdes entre eux ; il n’est donc pas une substance de celle écorce dont la chimie ne
puisse extraire un ou plusieurs métaux, un ou plusieurs métalloïdes et que l’on ne soit en
droit, par suite, de considérer d’une façon théorique comme constituant un gîte métallifère ou
minéral. C’est ainsi que la plupart des roches seraient, à la rigueur, des gisements de fer,
aluminium, magnésium, potassium, sodium, calcium, silicium, etc. Industriellement et
pratiquement, on réserve le nom de gîtes métallifères aux dépôts naturels d’où l’on peut
retirer un ou plusieurs métaux avec profit, c’est-à-dire aux points ou il s’est produit une
concentration anormale des substances minérales utiles et l’on désigne, sous le nom de
minerais, les minéraux ou mélanges de minéraux sur lesquels porte celte exploitation. Un gite
métallifère ne comprend pas seulement des minerais ; il renferme en même temps des
substances inutiles, parfois nuisibles, nommées gangues, qu’on cherche le plus possible à
éliminer, par l’exploitation d’abord, puis par le triage et la préparation mécanique, enfin par
la métallurgie.
III.1.2. Métallogénie
Les métaux, que nous exploitons dans certains gisements, toujours relativement voisins de la
surface, ont pu, avant d’arriver dans leur état actuel, passer par un circuit plus ou moins long
dont nous étudierons bientôt les étapes ; leur origine première n’en doit pas moins être
cherchée dans les profondeurs de l’écorce terrestre. Les métaux, que nous exploitons dans
certains gisements, toujours relativement voisins de la surface, ont pu, avant d’arriver dans
leur état actuel, passer par un circuit plus ou moins long dont nous étudierons bientôt les
étapes ; leur origine première n’en doit pas moins être cherchée dans les profondeurs de
l’écorce terrestre.
La relation d’origine entre les gites métallifères et les roches, que nous prendrons ainsi
comme base de notre théorie, apparait directement dans le cas des gites d’inclusion et de
ségrégation ; elle est encore très manifeste pour certains métaux toujours directement relies
aux mêmes roches : tels que l’étain associe à des granites acides, ou le cuivre souvent localise
au voisinage immédiat d’une roche basique dans des gites de contact originel ou de départ
immédiat. De proche en proche, on arrive, comme nous le verrons dans la suite de ce livre, à
établir la même loi pour l’ensemble des gites hydrothermaux.
III.1.3. Thermodynamique
Le fer est un élément qui présente d’un point de vue thermodynamique, deux
spécificités principales. Il s’agit tout d’abord d’un élément métallique dont la
configuration électronique entraine un nombre élevé de complexes potentiels. De
plus, il possède deux valences principales 2+ et 3+. Ces deux valences apparaissent
dans le domaine de stabilité de l’eau à 25°C. Ceci entraine le doublement du nombre
de complexes à considérer pour cet élément. D’une certaine manière, cela revient à
étudier deux éléments au lieu d’un seul. La difficulté réside précisément, notamment
dans les études expérimentales, à vérifier que les conditions redox sont compatibles
avec l’étude séparée de chaque valence. En milieu aqueux, les ions ferreux (divalents)
19
et ferriques (trivalents) sont donc les plus courants. Les solutions fortement alcalines
peuvent renfermer des ions tétravalents et hexavalents. L’ion Fe2+ prédomine en
solution acide, il s’hydrolyse majoritairement sous les formes :
L’ion Fe3+ n’existe sous cette forme qu’en milieu très acide. L’hydroxyde Fe(OH)
3(s) précipite dès pH 2 (pour une force ionique de 10 -2 M). Les espèces hydroxylées
monomères reconnues en solution sont FeOH2+, Fe(OH)2+ (ou FeO+ ), Fe(OH)3° (ou
HFeO2°) et Fe(OH) 4- (ou FeO2- ). Pour les solutions très concentrées en fer ferrique
diverses espèces polynucléaires sont proposées dans la littérature : Fe 2(OH) 24+ et
Fe 3(OH) 45+.
Les ions ferreux et ferriques peuvent être complexés par de nombreux ligands
minéraux comme les chlorures, les sulfates, les fluorures mais aussi par des ligands
organiques tels que les acétates, par exemple. La première constante à étudier est
l’entropie du fer métal bcc alpha, c'est-à-dire la constante fondamentale de l’élément
pris dans son état standard, l’état de référence. Dans ce cas, enthalpie et enthalpie
libre de formation sont nulles par hypothèse.
20
Tableau 1 : Propriétés thermodynamiques des complexes aqueux du fer (d’après Rapport final BRGM, novembre
2008)
Entre 2022 et 2026, le monde devrait produire beaucoup plus de minerai de fer
que par rapport aux cinq dernières années où la production a stagné. C’est ce que
prédit la firme de recherche Fitch Solutions qui s’attend à ce que les volumes produits
augmentent en moyenne de 2,7 % sur la période pour atteindre 361 millions de tonnes
en 2026. Les prix du minerai de fer étaient en hausse de 2020 jusqu’à la première
partie de l’année 2021, portés par la forte demande des aciéries chinoises, poussant
plusieurs producteurs à relancer les plans d’extension de capacités et d’autres à
accélérer le développement de nouveaux projets. Si le cours a atteint 203 dollars la
tonne en mai 2021, des mesures prises en Chine ont freiné cette hausse vers la fin de
l’année. Quand le conflit entre la Russie et l’Ukraine a éclaté, les prix sont repartis à
la hausse en raison des craintes du marché de ne plus pouvoir compter sur les 70
millions de tonnes de minerai de fer que les deux pays exportent annuellement. Il est
donc clair dans un tel contexte, qu’un pays comme le Cameroun disposant de
plusieurs millions de tonne de minerais de fer. Peut donc grâce à des investissements
conséquents et une bonne politique propulser son économie par la production de fer.
21
III.2. Généralités sur la Géostatistique Multivariable
Les techniques de géostatistique multivariable permettent de faires des
estimations et des modélisations en utilisant plusieurs variables mesurées soit aux
mêmes points (cas isotopique), soit en des points différents (cas hétérotopique).
L’information que l’on dispose sur une ou plusieurs variables (généralement appelés
variable secondaire) permet d’améliorer la modélisation ou l’estimation de la variable
d’intérêt.
22
enseignée malgré son importance capitale dans le domaine des prédictions (Boroh,
2020).
n
σ =∑ y 2j P(Y = y j )−E [ Y ]
2 2
Y
j =1
23
La matrice de covariance d’un vecteur ⃗
X de p variables dont chacune possède une variance,
est la matrice carrée de terme générique a i , j=Cov (X , X ) ; de plus sachant que Cov (X, X) =
i j
Var(X).
()
X1
Par définition ; pour tout ⃗
X = ⋮ vecteurs de p variables aléatoires, on a :
X2
T
X ¿¿ ≡ E[ ( ⃗
Var(⃗ X ] )( ⃗
X −E [ ⃗ X ]) ]
X −E [ ⃗
( )( )
2
Var (X 1 ) Cov ( X 1 , X 2) ⋯ Cov ( X 1 , X p ) σx 1
σx x
1 2
⋯ σx x
1 p
Cov ( X 2 , X 1 ) ⋱ ⋯ ⋮ σ ⋱ ⋯ ⋮
= xx 2 1
⋮ ⋮ ⋱ ⋮ ⋮ ⋮ ⋱ ⋮
2
Cov ( X p , X 1 ) ⋯ ⋯ Var ( X p ) σx x p 1
⋯ ⋯ σx p
La matrice de covariance est symétrique ; ses éléments diagonaux sont les variances
et les éléments extra-diagonaux sont les covariances des couples de variables.
La matrice de covariance est semi-définie positive (ses valeurs propres sont positives
ou nulles). Elle est définie positive (valeurs propres strictement positives) s'il n'existe
aucune relation affine presque sûre entre les composantes du vecteur aléatoire.
D’écarts-types σ X = √ σ 2X et σ y = √σ 2Y ;
Cov (X , Y )
ρ=
σ X σY
24
Nuage de corrélation permet de visualiser la corrélation entre les données de deux séries. Plus
les points du nuage se rapprochent plus la corrélation entre les deux variables est forte, et
moins dans le cas contraire. Le nuage de corrélation aide aussi à voir la nature de la
corrélation au sens du signe (positive ou négative), si on observe que les valeurs de X
croissent lorsque celle de Y décroissent on parlera de corrélation négative et de corrélation
positive dans le cas contraire.
Les outils statistiques, particulièrement les outils simples de visualisation et d’exploration,
comme ceux cités ci-dessus, sont extrêmement utiles. S’agissant de variables régionalisées,
on notera cependant que les statistiques, comme les lois de distribution, le coefficient de
corrélation, les régressions, ne sont pas des statistiques « spatiales » : elles ne dépendent pas
de la position des échantillons dans l’espace (intervertir les valeurs des variables entre 2
points ne change pas la corrélation par exemple). De plus ces statistiques n’ont pas de
caractère « intrinsèque », au sens où elles dépendent du support (et du champ) sur lequel est
définie la variable : ainsi le coefficient de corrélation entre 2 variables ne mesure en général
la dépendance linéaire entre ces variables qu’au support utilisé, non à d’autres supports, ce
qui restreint leur signification. Enfin on notera que l’absence de corrélation entre variables au
même point x (par exemple entre le résidu d’une régression et la variable conditionnant)
n’entraîne pas l’absence de corrélation « spatiale », i.e. entre points x et y différents. D’où la
nécessite d’étudier la structure spatiale des données à travers des outils structuraux tel que
variogramme et covariogramme.
III.2.3. Variogramme
1 2
Y ¿ ( h )= ( z ( x1 +h ) − z( x1 ) )
2
25
distances. On peut cependant, penser à des paliers intermédiaires, lorsque la pente du
variogramme change abruptement. Le comportement aux très petites échelles du
variogramme est très important, car il indique le degré de continuité de la variable
régionalisée, à savoir : différentiable, continue mais non différentiable, ou carrément
discontinue. Lorsque la variable est discontinue, on a affaire à une variable
régionalisée donnant lieu un effet pépite, symptôme de valeurs changeant
abruptement à très petite échelles par rapport à la maille. C’est le cas des teneurs en or
lorsqu’il y a des pépites. On rencontre une absence complète de structuration spatiale
lorsque la dissemblance moyenne des valeurs est constante pour toutes les distances |
h|. Cependant, une pente non nulle du variogramme près de l’origine indique une
structuration des données. Un changement soudain de la pente du variogramme
indique le passage à une structuration de valeurs de nature différente. Les différentes
transitions sont d’abord modélisées par des variogramme gigognes, puis les
différentes structurations spatiales sont visualisées séparément sous forme de cartes en
effectuant le krigéage des composantes spatiales.
Les fonctions aléatoires FA sont sans corrélation si la covariance croisée est nulle, propriété
beaucoup plus forte que l’absence de corrélation entre variables aux mêmes points. Sous
hypothèse de stationnarité, la covariance croisée est invariante par translation, i.e. ne dépend
pas que de la distance h entre les points x et x+h ; d’où :
- Covariance croisée non centrée : K12(h) = E[Z1(x)Z2(x+h)], qui est souvent dans la
pratique utilisée dans le cadre des indicatrices ;
- Covariance croisée centrée (habituelle) est définit par la relation : C12(h) = Cov[Z1(x),
Z2(x+h)].
E¿
Un ensemble de fonction aléatoires (Z1(x), …, Zp(x)) est stationnaire d’ordre 2 si tous les
moments d’ordre 1 et 2 sont invariant par translation.
Dans un tel modèle, toute combinaison linéaire des (Z1(x), Zi(x), …, Zp(x)), en des points
quelconques :
26
Z=∑ ∑ λ iα Z i ( uα )=∑ ∑ λiα Z iα
i α i α
E [ Z ] =∑ ∑ λiα m i
i α
Soient deux fonctions aléatoires Z1(x) et Z2(x) intrinsèques (l’accroissement Z1(x+h) - Z1(x)
et Z2(x+h) - Z2(x), d’espérance nulle et de semi-variance stationnaire, égale au variogramme
de chaque variable). On définit le covariogramme croisé par la demi covariance des
accroissements entre x et x+h, suppose stationnaire (invariant par translation) :
1
γ 12= E [ Z 1 ( x +h)−Z1 ( x ) ][ Z 2( x+ h)−Z 2 (x) ]
2
On en déduit que :
γ 12( h)
, est la corrélation entre accroissement de deux variables, par ailleurs le rapport
√ γ 1 (h) γ 2 (h)
γ 12(h)
représente la pente de régression linéaire.
γ 1 (h)
¿
[ Z α (x +h)−Z α (x) ] =a [ Z1 (x +h)−Z 1 (x) ], est l’estime de Z α (x +h)−Z α ( x) connaissant
Z1 ( x +h)−Z 1 ( x).
Le variogramme croise généralise le variogramme simple, mais peut avoir des formes
beaucoup plus variées. Il peut être négatif ; il est nul en 0 et symétrique ( γ 12 (h)=0 et
γ 12 (h)=γ 12 (h)).
III.2.5. Le Cokrigéage
Cokrigéage Simple
Les moyennes de Z(x) et Y(x) sont connues, on les note mz, my.
27
nz ny
L’estimé Z =mz + ∑ λi ( Z i−mz ) + ∑ α i ( Y i−m y );
¿
0
i =1 i=1
nz ny nz ny nz ny nz
Var ( Z 0 −Z ) =Var ( Z 0 ) + ∑ ∑ λi Cov (Z i¿ ,m z)+ ∑ ∑ α i α j Cov ( Y i ,Y j ) +2 ∑ ∑ λi α j Cov ( Z i , Y j ) −2 ∑ λi ( Z 0 , Z
¿
0
i=1 j=1 i=1 j=1 i=1 j=1 i =1
.
nz ny
nz ny
nz nz
σ 2CK =Var ( Z 0 )−∑ λi Cov ( Z0 , Z i ) −∑ α i Cov (Z 0 ¿ , Zi ¿ )¿ ¿
i=1 i=1
{
K ZZ est nz∗nz
K YY est ny∗ny
⇒
[ K ZZ
K YZ
K ZY λ
K YY α
k
][ ] [ ]
= ZZ
k YZ
Où :
K YZ est ny par nz
K ZY est nz par ny
k ZZ est nz∗1
k yz est ny∗1
Cokrigéage ordinaire
nz ny
∑ λi=1 et ∑ αi=0
i=1 i =1
nz ny
nz ny
nz ny
∑ λi=1 ; ∑ α i=0
i=1 i=1
28
nz ny
=Var ( Z 0 )−∑ λi Cov ( Z0 , Z i ) −∑ α i Cov ( Z 0 ,Y i ) −μZ
2
σ CK
i=1 i=1
{
K ZZ est nz∗nz
[ ][ ] [ ]
K ZZ K ZY 1 0 λ k ZZ K YY est ny∗ny
K YZ K YY 0 1 α K YZ est ny par nz
= k YZ ou :
0 0 μZ K ZY est nz par ny
' '
1 0 1
0 0 μY 0 k ZZ est nz∗1
' '
0 1
k yz est ny∗1
Les matrices de Cokrigéage sont toujours symétriques : K ZY =K ' YZ . Toutefois, les fonctions
de covariances croises ne sont pas nécessairement symétrique ;
Mais en général :
Les expériences ont montré que l’on gagnait à effectuer un Cokrigéage si les deux conditions
suivantes sont remplies simultanément :
La corrélation maximale entre variable principale et secondaire est forte (de l’ordre de
0.5 ou plus).
La variable secondaire n’est pas échantillonnée aux mêmes points que la variable
principale et idéalement est échantillonnée en beaucoup plus de points.
29
CHAPITRE II : MATERIELS ET METHODES
Introduction
Le présent travail est effectué suivant un ensemble de méthodes. Cette section présent la
méthodologie utilisée, le matériel utilisé. Aussi les données utilisées dans le cadre de ce
travail sont présentées, ainsi que les différentes étapes de traitement.
I. Matériels
Pour mener à bien ce projet, les éléments suivants ont été utilisé :
30
Djadom et Eta. L’élément d’intérêt de cette base de données est le fer (Fe). Et la base de
donnes est constitué des différents classeurs suivants :
31
La carte ci-dessus présente les forages effectués (points jaunes) dans la zone minéralisée,
déterminée au moyen d’un levé géophysique aéroportée. Ceux –ci sont réalisés suivant des
lignes orientées NE (notées L389700, etc.) espacées de 300 m.
III. Méthodes
La méthodologie utiliser dans le cadre de ce travail se présente comme suit :
Analyses statistiques
Cette etapes est preleminaire a toute etude geostatistique. C’est a ce niveau que les
caracteristiques statistiques de base des differentes donnees sont etudies. Aussi c’est pendant
cette etape que l’on decide ou non de la necessite de faire une operation d’anamorphose
gaussienne pour transfomer les donnees afin quelle suigvent la loi normale. Elle comporte
dans le cadre de ce travail les analyses statistiques sont constitues de:
Analyses géostatistique
C’est le cœur de ce travail, car c’est dans cette etape que les teneurs en fer de la
mineralisation seront calculer a travaers les differents etapes de mise en œuvre de methodes
geostatistiques ; aussi cette etape du travail nous donnera comme resultats le tonnage de la
mineralisation mais aussi l’erreur d’estimation qui est un parametres tres important de prise
de decision lorsqu’il sagit de projet minier. L’analyse geostatistique de ce travail est
constituer de :
- L’analyse variographique
- La creation des blocs d’estimation
- Estimation par cokrigeage : les estimation par cokrigeage simple et ordinaire seront
implemente dans le cadre de ce travail, en utilisant tour a tour comme variable
secondaire la silice, l’alumine et le titane pour obtenir la meilleure coestimation de
nos ressources ;
Validation croisee
C’est la derniere etape de notre methodologie ; elle consiste en effet a verifie la fiabilite de
nos resultats. Ceci en utilisant la methode pour faire des estimation en des points reellement
conu et en effectuant une comparaison entre les resultats. Ceci afin de mesure l’efficatcite de
notre estimation.
32
CHAPITRE III : RESULTATS ET INTERPRETATIONS
Introduction
Les différentes opérations de traitement engager dans le cadre de ce travail, ont produit
plusieurs résultats. Qui sont présenter, explique et interpréter dans cette section.
Les forme de ces différents histogrammes permette de comprendre que les données de
teneurs ne suivent pas la loi normale. Ainsi elle exige qu’avant toute entreprise d’estimation
géostatistique, qu’une opération d’anamorphose gaussienne soit effectuer.
33
R1= -0.5566
R2= -0.25
R3= -0.256
34
35
RÉFÉRENCES
Matheron, G. (1976). Les Concepts de Base et L’Evolution de la Geostatistique Miniere. In:
Guarascio, M., David, M., Huijbregts, C. (eds) Advanced Geostatistics in the Mining
Industry. NATO Advanced Study Institutes Series, vol 24. Springer, Dordrecht.
https://doi.org/10.1007/978-94-010-1470-0_1
36
De-Vitry, Chris, John W. Vann and H. Arvidson. “A Guide to Selecting the Optimal
Method of Resource Estimation for Multivariate Iron Ore Deposits.” (2007).
Kim, Yong-Tae, Gyu-Won Cho and Gyu-Tak Kim. “The Estimation Method Comparison of
Iron Loss Coefficients through the Iron Loss Calculation.” Journal of Electrical Engineering
& Technology 8 (2013): 1409-1414.
Tagne, Claude. (2021). Corridors d'extractivisme dans une région enclavée et leurs
contributions au développement local : cas de l'arrondissement de Ngoyla (Région de l'Est,
Cameroun) Mots clés : Corridor, développement local, extractivisme, arrondissement de
Ngoyla. 74-84. 10.5281/zenodo.4699460.
Muehlmann et Klaus Nordhausen (2020), On cokriging, neural networks, and spatial blind
source separation for multivariate spatial prediction, Vienna University of Technology and
University of International Business and Economics, Beijing, myi@uibe.edu.cn
Alexey Stepanov, Timur Murtazin, Amir Ismagilov, Alexey Delev (2019), Use of an
artificial neural network algorithm and cokriging method for reservoir porosity
modeling, Institute of Geology and Petroleum Technologies, Kazan Federal University,
Russia.
Zhang, J.; Xu, J.; Dai, X.; Ruan, H.; Liu, X.; Jing (2022), W. Multi-Source Precipitation
Data Merging for Heavy Rainfall Events Based on Cokriging and Machine Learning
Methods. Remote Sens. 14, 1750. https://doi.org/10.3390/rs 14071750.
V. Vapnik, “Statistical Learning Theory,” John Wiley and Sons, New York, 1998.
C. C. Chang and C. Lin, “LIBSVM: A Library for Sup-port Vector Machines,” 2001.
Internet Available: http:// www.csie.ntu.edu.tw/~cjlin/libsvm
Grade control with Ensembled ML: A comparative case study at the Carmen de
Andacollo copper mine Camilla Zacche da Silva, Jed Nisenson, Jeff Boisvert, Paper 109,
CCG Annual Report 22, 2020
37
袁 新 建 , Xin-jian & Kim, M & Kang, C.Y.. (2011). Effects of boron and silicon on
microstructure and isothermal solidification during TLP bonding of a duplex stainless steel
using two Ni‐Si‐B insert alloys. Materials Science and Technology. 27. 1191-1197.
10.1179/026708310X12668415533847.
Vincent Feynerol. Traitement de minerais de fer par lixiviation alcaline suivi de leur
électrolyse en milieu alcalin. Génie des procédés. Université de Lorraine, 2018. Français.
⟨NNT : 2018LORR0163⟩. ⟨tel-01948704⟩
E. Yalçin (2005), Cokriging and its effect on the estimation precision, The Journal of The
South African Institute of Mining and Metallurgy, volume 105, April 2005.
Camana, F.A. & Deutsch, C.V. (2019). The Nugget Effect. In J.L. Deutsch (Ed.),
Geostatistics Lessons. Retrieved from http://geostatisticslessons.com/lessons/nuggeteffect
Suchel, J. B. (1988). Les Climats du Cameroun. Volume 3: Les Régions Climatiques du
Cameroun (Doctoral dissertation, PhD thesis, Université de St Etienne, France).
Ndougsa-Mbarga, T., Yufenyiu Layu, D., Yene-Atangana, J. Q., & Tabod Tabod, C.
(2014), Delineation of the northern limit of the Congo Craton based on spectral analysis and
2.5D modeling of aeromagnetic data in the Akonolinga-Mbama area, Cameroon. Geofísica
Internacional, 53(1). https://doi.org/10.1016/S0016-7169(14)71486-2
38
Singh, Rahul & Ray, Dipankar & Sarkar, Bhabesh. (2018). Recurrent neural network
approach to mineral deposit modelling. 1-5. 10.1109/RAIT.2018.8389063.
Jingxiong Zhang, Tao Zhu, Yunwei Tang & Wangle Zhang (2014) Geostatistical approaches
to refinement of digital elevation data, Geo-spatial Information Science, 17:4, 181-189, DOI:
10.1080/10095020.2014.985283
Denis Marcotte, Cokriging with matlab, Computers & Geosciences, Volume 17, Issue 9,
1991, Pages 1265-1280,ISSN 0098-3004, https://doi.org/10.1016/0098-3004(91)90028-C.
Yao Lingqing, Pan Mao, Cheng Qiuming, 3D Property Modeling of Void Ratio by
Cokriging, Journal of China University of Geosciences, Volume 19, Issue 4, 2008, Pages
410-415, ISSN 1002-0705, https://doi.org/10.1016/S1002-0705(08)60074-6.
39
ANNEXE I (CARTES VARIOGRAPHIQUES)
Variographie monovariables (Suivant l’azimut)
Variogramme Fer
40
Variogramme Titane
41
Variogramme Silice
42
Variogramme Alumine
43
Variographie monovariable (suivant le pendage)
Variogramme Fer
44
Variogramme Titane
45
Variogramme Silice
46
Variogramme Alumine
47
Variographie multivariables (Suivant l’azimut)
48
Variogrammes croises Fer-Silice
49
Variogrammes croises Fer-Titane
50
Variographie multivariables (Suivant le pendage)
51
Variogramme croisé Fer-Silice
52
Variogramme croisé Fer-Titane
53
ANNEXE II (PARAMETRES D’AJUSTEMENT DES DIFFERENTS
VARIOGRAMMES)
Paramètres de Variogrammes simples suivant azimut (ajustes par le modèle sphérique)
Variables Paramètres d’ajustement
Effet pépite Portée Pallier Azimut
Fer 1 0 1250 0.8 0
Fer 2 0 1000 1.1 22.5
Fer 3 0 1400 1.15 45
Fer 4 0 1450 1.0 67.5
Fer 5 0 1500 0.9 90
Fer 6 0 750 0.9 112.5
Fer 7 0 1600 1.01 135
Fer 8 0 1000 1.01 157.5
BAL 1 0 1600 0.75 0
BAL 2 0 1500 0.75 22.5
BAL 3 0 1000 0.75 45
BAL 4 0 1250 0.65 67.5
BAL 5 0 1250 0.60 90
BAL 6 0 750 0.45 112.5
BAL 7 0 1300 0.70 135
BAL 8 0 1400 0.70 157.5
Si 1 0 1000 0.75 0
Si 2 0 900 0.80 22.5
Si 3 0 1100 0.65 45
Si 4 0 1250 0.70 67.5
Si 5 0 1000 0.70 90
Si 6 0 1300 0.70 112.5
Si 7 0 1000 0.73 135
Si 8 0 1150 0.71 157.5
Ti 1 0 1000 1.13 0
Ti 2 0 1300 1.48 22.5
Ti 3 0 1250 1.72 45
Ti 4 0 1000 1.250 67.5
Ti 5 0 1250 1.000 90
Ti 6 0 1250 1.48 112.5
Ti 7 0 1250 0.98 135
Ti 8 0 1250 1.10 157.5
54
Parametres de variogrammes simple suivant pendage (ajustes par le modele Spherique)
Variables Paramètres
Effet pépite Portée Pallier Pendage
Fer 1 0 1800 1.2 0
Fer 2 0 1500 1.4 -10
Fer 3 0 1500 1.25 -30
Fer 4 0 1500 1.4 -40
Silice 1 0 1750 1.52 0
Silice 2 0 1500 1.49 -10
Silice 3 0 1300 1.25 -20
Silice 4 0 1000 0.72 -30
Alumine 1 0 1600 0.76 0
Alumine 2 0 1400 0.94 -10
Alumine 3 0 1300 0.78 -20
Alumine 4 0 1250 1.37 -30
Titane 1 0 2000 0.89 0
Titane 2 0 1700 1.2 -10
Titane 3 0 1250 1.25 -20
Titane 4 0 1000 0.8 -30
55
Paramètre de Variogrammes croises Suivant azimut (Ajustes suivant le modèle
sphérique)
Co-variables Paramètres
Effet pépite Portée Pallier Azimut
Fer-Titane 1 50 900 100 0
Fer-Titane 2 48 1000 80 22.5
Fer-Titane 3 30 800 100 45
Fer-Titane 4 17 1250 60 67.5
Fer-Titane 5 50 1000 105 90
Fer-Titane 6 65 1100 107 112.5
Fer-Titane 7 65 900 110 135
Fer-Titane 8 55 1000 105 157.5
Fer-Silice 1 49.6 1000 70 0
Fer-Silice 2 49 750 75 22.5
Fer-Silice 3 63 1000 90 45
Fer-Silice 4 50 1250 100 67.5
Fer-Silice 5 63 1420 81 90
Fer-Silice 6 65 1000 80 112.5
Fer-Silice 7 60 1300 80 135
Fer-Silice 8 64 1250 79.8 157.5
Fer-Alumine 1 50 900 106 0
Fer-Alumine 2 50 1000 106 22.5
Fer-Alumine 3 48.5 1000 80 45
Fer-Alumine 4 48 750 82 67.5
Fer-Alumine 5 50 1250 106.1 90
Fer-Alumine 6 75 1100 115 112.5
Fer-Alumine 7 58.7 1225 104 135
Fer-Alumine 8 50 750 105 157.5
56
Paramètres de Variogrammes croisés suivant pendage (Ajuste par le modele spherique)
Variables Paramètres
Effet pépite Portée Pallier Pendage
Fer- Alumine 1 80 1000 110 0
Fer-Alumine 2 100 900 148 -10
Fer-Alumine 3 102 1000 150 -20
Fer-Alumine 4 75 1000 152 -30
Fer-Silice 1 72 1100 120 0
Fer-Silice 2 85 800 150 -10
Fer-Silice 3 100 1000 152 -20
Fer-Silice 4 100 1000 110 -30
Fer-Titane 1 78 1010 116 0
Fer-Titane 2 50 1000 140 +10
Fer-Titane 3 77 750 130 -10
Fer-Titane 4 105 800 150 -20
57