Apprentissage statistique pour la rationalisation des processus d’exploration minière : applications à une province uranifère de classe mondiale (bassin de l’Athabasca, Canada)

Le bassin paléoprotérozoique de l'Athabasca (Saskatchewan, Canada) contient les gisements d'uranium à plus forte teneur connue (jusqu'à 25% à McArthur River) et a été prospecté par les compagnies d'exploration de manière continue depuis les années 1960. Le paradigme actuel de l'exploration de ces gisements postule que leur localisation préférentielle se situe à la proximité immédiate de l'intersection entre la discordance bassin-socle et des linéaments structuraux riches en graphites, appelés conducteurs graphiteux, réactivés dans le bassin. À la suite d'une première étape de délinéation des conducteurs graphiteux par géophysique, des campagnes de forages visent à cibler les zones potentiellement favorables pour la découverte de nouveaux gisements. Ces campagnes de forages génèrent des volumes importants de données (spectroscopie à ondes courtes [SWIR], géochimie, pétrophysique, photographies de carottes standardisées), habituellement étudiées dans le cadre de campagnes de forages annuelles mais rarement intégrées à l'échelle de l'ensemble des bases de données disponibles. L'objectif du manuscrit de thèse présenté ici est d'évaluer le potentiel des méthodes d'analyse multivariée et d'apprentissage statistique pour améliorer la connaissance actuelle des empreintes associées aux gisements, et leur intégration dans une perspective opérationnelle d'exploration. Un modèle global pour le développement de jeux de données d'exploration (de la structuration des données, à la définition d'empreintes puis à l'étude des stratégies de forage permettant leur détection en exploration) est proposé et mis en application pour différents jeux de données acquis dans l'exploration minière.