Titre de l'écran-titre (visionné le 28 novembre 2023) / La chalcopyrite est un sulfure de cuivre et de fer trouvé dans une grande variété de gîtes minéraux. Sa composition en éléments traces est très variable. Parmi les facteurs les plus importants qui contrôlent sa concentration en éléments traces se trouvent la structure cristalline, les cœfficients de partage (chalcopyrite-liquide, chalcopyrite-minéraux qui co-cristallisent) et la composition du magma/fluide hydrothermal, lesquels reflètent les conditions physico-chimiques de l'environnement géologique de formation. Ces caractéristiques, ainsi que ses propriétés physiques, favorisent la chalcopyrite comme un potentiel minéral indicateur pour l'exploration. Avec l'objectif de déterminer les critères géochimiques permettant son utilisation comme un minéral indicateur, des échantillons appartenant à 8 types de dépôts à l'échelle mondiale, dont 2 magmatiques (sulfures à Ni-Cu et EGP lités) et 6 hydrothermaux (porphyres, sulfures massifs volcanogènes (SMV), iron-oxide-copper-gold (IOCG), skarn, or épithermal et or orogénique), ont été analysés par microsonde électronique (EPMA) et par ablation laser et spectrométrie de masse à plasma à couplage inductif (LA-ICP-MS). La composition en éléments traces de la chalcopyrite a été examinée à l'aide de méthodes statistiques pour caractériser sa variation dans les différents types de dépôts, lesquelles combinées avec l'apprentissage automatique, a permis le développement de modèles de discrimination. Cette étude montre que la différence la plus importante dans la composition de la chalcopyrite demeure entre les systèmes magmatiques et hydrothermaux. Le Ni détermine cette différence, enrichi dans la chalcopyrite magmatique par rapport à celle hydrothermale. Dans les systèmes magmatiques (chapitre 1), les processus ayant lieu pendant la cristallisation qui exercent une influence sur certains éléments ont été identifiés. La chalcopyrite des dépôts d'EGP lités est enrichie en Se et appauvrie en Te-Sn-Bi-In, comme une conséquence des rapports élevés magma/liquide sulfuré (facteur-R) pendant la cristallisation. La cristallisation fractionnée du liquide sulfuré dans les dépôts de sulfures à Ni-Cu impacte également sur la composition en éléments traces dans la chalcopyrite. Ainsi, la chalcopyrite formée à partir d'une solution solide intermédiaire (iss), cristallisant en dernier à partir d'un liquide résiduel riche en Cu, est enrichie en éléments incompatibles (Ag-Bi-Cd-Pb-Se-Sn-Tl), par rapport à celle formée d'une solution solide de monosulfure (mss) riche en Fe. Cela constitue la base des modèles de classification supervisée par l'analyse discriminante par les moindres carrés partiels (PLS-DA) développés dans cette étude, lesquels permettent de discriminer entre les deux types de dépôts magmatiques (sulfure à Ni-Cu vs. EGP lités) et le type de minerais. Dans les dépôts de SMV (chapitre 2), la concentration des éléments traces dans la chalcopyrite dépend de la composition (conditionnée par la roche encaissante), la température et de la nature du fluide hydrothermal. La PLS-DA indique que la composition en éléments traces de la chalcopyrite varie en fonction du sous-type lithostratigraphique. Ainsi, la chalcopyrite des SMV du sous-type ultramafique est enrichie en Ni-Co-Te, tandis que celle des SMV dans les environnements siliciclastique-felsique a des teneurs élevées en Sb-Bi-In. Dans les SMV en contexte mafique et siliciclastique-mafique, le Pb et Mn sont, respectivement, enrichis dans la chalcopyrite, tandis que dans celle des dépôts bimodal-felsique et mafique montrent une composition similaire. Des modèles de prédiction Random Forest (RF) ont été développés, un algorithme plus adapté et performant que la PLS-DA en raison du nombre élevé de classes (types de gîtes), afin de classifier la chalcopyrite parmi les 6 contextes lithostratigraphiques des SMV. Quatre algorithmes d'apprentissage automatique (Artificial Neural Network (ANN), RF, K-Nearest Neigbor (KNN) et Naïve Bayes (NB)) et une méthode statistique de classification supervisée (PLS-DA) sont comparés afin de classifier la chalcopyrite parmi les 8 types de dépôts (chapitre 3), dont le RF donne une performance plus élevée. Trois modèles RF ont été développés: le premier, permettant la classification entre chalcopyrite hydrothermale et magmatique; le deuxième, pour déterminer sa provenance selon le type de dépôt magmatique (sulfures à Ni-Cu vs. EGP lités); et le troisième, lequel discrimine la chalcopyrite parmi les 6 types de dépôts hydrothermaux. Ces modèles ont été testés sur des données compilées de la littérature et sur des grains analysés de chalcopyrite récupérés de sédiments de tills et eskers de la Province de Churchill (Québec, Canada), et démontre l'utilisation de la chimique de la chalcopyrite pour déterminer sa provenance aux fins d'exploration minérale. Une importante variation des éléments traces dans la chalcopyrite est présente dans chaque type de dépôt; néanmoins, sa composition a une signature particulière selon le contexte de formation. Cela met en évidence le fort potentiel de discrimination de la source de minéralisation, démontré par les modèles de discrimination. Cette étude démontre que la chalcopyrite peut être utilisée comme un minéral indicateur et offre l'opportunité d'appliquer ces méthodes dans les sédiments en exploration minérale. / Chalcopyrite is a Cu-Fe sulfide found in a wide diversity of mineral deposits. Its trace element composition is highly variable. The crystal structure, the partition coefficient (chalcopyrite-liquid, chalcopyrite-co-crystallizing minerals), and the composition of magma/fluid are major factors controlling the trace element content in chalcopyrite, which reflects the physicochemical conditions of geological environment of formation. These characteristics, as well as its physical properties, make chalcopyrite a potential indicator mineral for exploration. In order to determine geochemical criteria enabling the use of chalcopyrite as an indicator mineral, samples from 8 deposit types worldwide, including 2 magmatic (Ni-Cu sulfide and Reef-type PGE) and 6 hydrothermal (porphyry, volcanogenic massif sulfides (VMS), iron oxide-copper-gold (IOCG), skarn, epithermal gold and orogenic gold), were analysed by electron probe micro-analysis (EPMA) and LA-ICP-MS (laser ablation-inductively coupled plasma-mass spectrometry). The data were investigated with univariate, bivariate and multivariate statistical methods to characterise its variation in the different deposit types, which combined with the machine learning, enabled the development of discrimination models in order to determine the provenance of chalcopyrite. This study shows that the most important difference in trace element composition of chalcopyrite is observed between magmatic and hydrothermal systems. According to our results, Ni determines this difference, with values significatively higher in chalcopyrite formed in Ni-Cu sulfide and Reef-type PGE deposits than in hydrothermal deposits. In magmatic systems (chapter 1), the statistical analysis allowed the recognition of the processes occurring during crystallisation that affect the concentration of certain elements. In Reef-type PGE deposits, the high values of magma/sulfide liquid ratio (R-factor) during crystallisation led to Se enrichment (a strongly chalcophile element), whereas Te, Sn, Bi and In are depleted in chalcopyrite, compared to those formed in Ni-Cu sulfide deposits. Furthermore, the variation in trace elements in chalcopyrite is influenced by fractional crystallisation of sulfide liquid in Ni-Cu sulfide deposits. Thus, chalcopyrite from intermediate solid solution (iss), which crystallised from a Cu-rich residual liquid, is enriched in incompatible elements (Ag, Bi, Cd, Pb, Se, Sn and Tl) compared to chalcopyrite from an early-forming Fe-rich monosulfide solid solution (mss). These geochemical characteristics constitute the basis of the classification models with partial least squares-discriminant analysis (PLS-DA) to determine the deposit type (Ni-Cu sulfide vs. Reef-type PGE deposits) and ore type (Cu-rich vs. Fe-rich). In hydrothermal systems, the concentration of trace elements in chalcopyrite depends on hydrothermal fluid composition, which is a function of host rock composition, temperature, and nature of the fluid source. The PLS-DA results show that, in VMS deposits (chapter 2), trace elements in chalcopyrite vary in function of VMS setting, which is determined by the host rock composition. Chalcopyrite from ultramafic-hosted VMS is rich in Ni, Co and Te, whereas chalcopyrite from siliciclastic-felsic setting VMS has high values of Sb, Bi and In. Chalcopyrite from mafic and siliciclastic-mafic settings VMS is respectively high in Pb and Mn, whereas chalcopyrite from bimodal-mafic setting has similar trace element composition to those from bimodal-felsic subtype. Random Forest classifiers were developed and were shown to be more adapted and performance than PLS-DA because of high number of classes (deposit types), in order to classify chalcopyrite according to the 6 VMS lithostratigraphic settings. When 4 machine learning algorithms (Artificial Neural Network (ANN), Random Forest (RF), K-Nearest Neigbor (KNN) et Naïve Bayes (NB)) and a supervised classification multivariate method (PLS-DA) are compared to classify chalcopyrite according to 8 different deposit types (chapter 3), the RF model reported the highest performance. Three RF prediction models were developed. The first discriminates between magmatic and hydrothermal deposits; the second, discriminates between magmatic deposits (Ni-Cu sulfide and Reef-type PGE) and the third, discriminates between the 6 different hydrothermal deposits. These models were tested on literature data and chalcopyrite data from grains recovered from tills and eskers in Churchill Province (Québec, Canada), and demonstrate that chalcopyrite chemistry can be used to determine its provenance for mineral exploration. Although the trace element composition of chalcopyrite shows important variability within a deposit type, the results reveal that the chalcopyrite records a characteristic signature in its chemical composition according to the ore forming environment and highlights a strong potential to discriminate the source of mineralisation, as demonstrated by the RF models. This study demonstrates that chalcopyrite could be used as an indicator mineral and provides an opportunity to apply these methods in overburden sediments for mineral exploration.

Le démarrage de l'expérience ATLAS au LHC sur le site du CERN a eu lieu durant l'automne 2009. Pendant la construction et l'intégration du détecteur, des tests en faisceaux combinés contenant plusieurs sous-détecteurs ont eu lieu. Dans la région avant du détecteur (eta > 2.5), des tests en faisceaux combinés mettant en oeuvre les calorimètres hadronique et électromagnétique ont eu lieu. Des données de faisceaux de pions et d'électrons ont été analysées pour estimer l'efficacité d'identification des électrons et le facteur de rejet des pions. L'identification des électrons dans la région avant du détecteur peut être utilisée pour étudier les désintégrations des bosons W et Z et aussi développer des outils qui permettront de comprendre les différents bruits de fond mis en jeu. Une méthode pour estimer le facteur de rejet des pions ainsi que l'efficacité d'identification des électrons est présentée en utilisant une analyse discriminante basée sur les méthodes du discriminant de Fisher et sur les Boosted Decision Trees. Il est ainsi montré qu'il est possible d'obtenir une efficacité de détection des électrons de 50% pour un facteur de rejet de plus de 200. De plus les outils développés durant les tests en faisceaux ont permis également d'appliquer ces méthodes aux premières données du LHC avec des collisions à 7 TeV. Puisque la luminosité actuelle du LHC ne permet pas encore d'étudier avec précision les taux de production des bosons W et Z sur les données, une étude à partir du générateur Pythia a été menée sur la physique des électrons dans la partie avant.

Thèse numérisée par la Direction des bibliothèques de l'Université de Montréal.

Cette thèse étudie la différenciation des lithologies et fluides à partir de données sismique et de puits dans le réservoir gréseux peu consolidé à huile lourde Morichal (ceinture de l'Orénoque, Venezuela). Dans ces réservoirs, cette discrimination est complexe parce que les lithologies ont des propriétés élastiques similaires et qu'il en est de même pour les sables saturés en eau et ceux saturés en huile lourde (mêmes densités). Dans une première partie, cette problématique de discrimination est analysée au niveau des puits par la détermination d'électrofaciès puis en étudiant la relation entre propriétés pétrophysiques et élastiques. De petites variations de la taille des grains de la roche ou du pourcentage de ciment génèrent des changements de vitesses qui pourraient être utilisés pour discriminer lithologies et fluides. Afin de mieux comprendre pourquoi un premier calage puits-sismique a échoué, une deuxième partie de la thèse a été dédiée à la construction d'un modèle 3D du réservoir, habillé en faciès, propriétés pétrophysiques et élastiques. Ce modèle 3D est ensuite utilisé pour réaliser des tests de modélisations sismiques 1D et 2D, afin d'étudier les effets de l'anisotropie et de l'atténuation sur le signal sismique. En effet, l'anisotropie peut entraîner des changements de phase pour les grands angles d'incidence, et l'atténuation due à la présence d'huile lourde peut causer un retard de phase et un affaiblissement de l'amplitude. Ces deux phénomènes peuvent donc perturber le calage puits-sismique. Après analyse de ces tests, des pistes d'amélioration du calage puits-sismique dans ce contexte géologique sont proposées pour le futur.

Cette thèse s’intéresse aux méthodes de classification par Machines à Vecteurs de Support (SVM) partiellement supervisées permettant la détection de nouveauté (One-Class SVM). Celles-ci ont été étudiées dans le but de réaliser la détection d’événements audio anormaux pour la surveillance d’infrastructures publiques, en particulier dans les transports. Dans ce contexte, l’hypothèse « ambiance normale » est relativement bien connue (même si les signaux correspondants peuvent être très non stationnaires). En revanche, tout signal « anormal » doit pouvoir être détecté et, si possible, regroupé avec les signaux de même nature. Ainsi, un système de référence s’appuyant sur une modélisation unique de l’ambiance normale est présenté, puis nous proposons d’utiliser plusieurs SVM de type One Class mis en concurrence. La masse de données à traiter a impliqué l’étude de solveurs adaptés à ces problèmes. Les algorithmes devant fonctionner en temps réel, nous avons également investi le terrain de l’algorithmie pour proposer des solveurs capables de démarrer à chaud. Par l’étude de ces solveurs, nous proposons une formulation unifiée des problèmes à une et deux classes, avec et sans biais. Les approches proposées ont été validées sur un ensemble de signaux réels. Par ailleurs, un démonstrateur intégrant la détection d’événements anormaux pour la surveillance de station de métro en temps réel a également été présenté dans le cadre du projet Européen VANAHEIM / This thesis addresses partially supervised Support Vector Machines for novelty detection (One-Class SVM). These have been studied to design abnormal audio events detection for supervision of public infrastructures, in particular public transportation systems. In this context, the null hypothesis (“normal” audio signals) is relatively well known (even though corresponding signals can be notably non stationary). Conversely, every “abnormal” signal should be detected and, if possible, clustered with similar signals. Thus, a reference system based on a single model of normal signals is presented, then we propose to use several concurrent One-Class SVM to cluster new data. Regarding the amount of data to process, special solvers have been studied. The proposed algorithms must be real time. This is the reason why we have also investigated algorithms with warm start capabilities. By the study of these algorithms, we have proposed a unified framework for One Class and Binary SVMs, with and without bias. The proposed approach has been validated on a database of real signals. The whole process applied to the monitoring of a subway station has been presented during the final review of the European Project VANAHEIM

Le sujet de cette thèse est la classification semi-supervisée qui est considérée d'un point de vue décisionnel. Nous nous intéressons à la question de choix de modèles dans ce contexte où les modèles sont estimés en utilisant conjointement des données étiquetées et des données non étiquetées plus nombreuses. Nous concentrons notre recherche sur les modèles génératifs où la classification semi-supervisée s'envisage sans difficulté, contrairement au cadre prédictif qui nécessite des hypothèses supplémentaires peu naturelles. Après avoir dressé un état de l'art de la classification semi-supervisée, nous décrivons l'estimation des paramètres d'un modèle de classification à l'aide de données étiquetées et non étiquetées par l'algorithme EM. Nos contributions sur la sélection de modèles font l'objet des deux chapitres suivants. Au chapitre 3, nous présentons un test statistique où les données non étiquetées sont utilisées pour mettre à l'épreuve le modèle utilisé. Au chapitre 4 nous présentons un critère de sélection de modèles AIC_cond, dérivé du critère AIC d'un point de vue prédictif. Nous prouvons la convergence asymptotique de ce critère particulièrement bien adapté au contexte semi-supervisé et ses bonnes performances pratiques comparé à la validation croisée et à d'autres critères de vraisemblance pénalisée. Une deuxième partie de la thèse, sans rapport direct avec le contexte semi-supervisé, présente des modèles multinomiaux pour la classification sur variables qualitatives. Nous avons conçu ces modèles pour répondre à des limitations des modèles multinomiaux parcimonieux proposés dans le logiciel MIXMOD. À cette occasion, nous proposons un critère type BIC qui prend en compte de manière spécifique la complexité de ces modèles multinomiaux contraints.

Deux thèmes sont abordés dans cette thèse : l'analyse de sensibilité et l'analyse discriminante généralisée.<br /><br />L'analyse de sensibilité globale d'un modèle mathématique étudie comment les variables de sortie de ce dernier réagissent à des perturbations de ses entrées. Les méthodes basées sur l'étude de la variance quantifient les parts de variance de la réponse du modèle dues à chaque variable d'entrée et chaque sous-ensemble de variables d'entrée. Le premier problème abordé est l'impact d'une incertitude de modèle sur les résultats d'une analyse de sensibilité. Deux formes particulières d'incertitude sont étudiées : celle due à une mutation du modèle de référence, et celle due à l'utilisation d'un modèle simplifié à la place du modèle de référence. Un second problème relatif à l'analyse de sensibilité a été étudié au cours de cette thèse, celui des modèles à entrées corrélées. En effet, les indices de sensibilité classiques n'ayant pas de signification (d'un point de vue interprétation) en présence de corrélation des entrées, nous proposons une approche multidimensionnelle consistant à exprimer la sensibilité de la sortie du modèle à des groupes de variables corrélées. Des applications dans le domaine de l'ingénierie nucléaire illustrent ces travaux.<br /><br />L'analyse discriminante généralisée consiste à classer les individus d'un échantillon test en groupes, en utilisant l'information contenue dans un échantillon d'apprentissage, lorsque ces deux échantillons ne sont pas issus d'une même population. Ce travail étend les méthodes existantes dans un cadre gaussien au cas des données binaires. Une application en santé publique illustre l'utilité des modèles de discrimination généralisée ainsi définis.

L'étude de la production d'étrangeté est essentielle pour la compréhension du scénario des collisions d'ions lourds ultra-relativistes. Elle est donc directement nécessaire à l'étude de la phase de partons déconfinés qui résulterait de ces collisions : le plasma de quarks et de gluons. STAR, l'une des quatre expériences du collisionneur RHIC, constitue un outil idéal pour l'observation des particules multi-étranges Xi et Oméga. Nous avons créé un code de reconstruction des Xi et Oméga utilisant les traces de la chambre à projection temporelle de STAR. Nous avons ensuite mis au point une méthode multivariables de sélection du signal par rapport au fond combinatoire, l'analyse discriminante linéaire, permettant d'optimiser l'efficacité de la sélection et le rapport signal sur bruit en prenant en compte les corrélations entre variables. Nous l'avons appliquée aux données Au-Au prises à 200 GeV dans le centre de masse afin d'améliorer la précision des résultats précédents. Le taux de production de Oméga et anti-Oméga a été obtenu pour trois classes de centralité, ainsi que leur flot radial et leur température de découplage cinétique. Le gain sur l'incertitude relative est de 15 à 30 % selon les observables. Notre analyse permet en outre de distinguer la fonction modélisant le mieux le spectre en masse transverse des Oméga. La vitesse moyenne du flot radial 0,50 ± 0,02 c et la température de découplage cinétique 132 ± 20 MeV ainsi mesurées semblent notamment indiquer que les baryons multi-étranges se découplent plus tôt du milieu hadronique que les particules plus légères que sont le pion, le kaon et le proton. Les barres d'erreur restent cependant trop grandes pour tirer des conclusions fortes.

On définit la mesure d'affinité de deux densités de probabilité de p-vecteurs aléatoires par le produit scalaire de ces deux densités dans l'espace des fonctions de carré intégrable. On la calcule pour différents types de densités. On présente les propriétés asymptotiques de cette mesure d'affinité dans le cas de densités gaussiennes ; on montre en particulier la normalité asymptotique de cette mesure lorsque les paramètres de ces densités sont estimés par le maximum de vraisemblance. On utilise cette mesure d'affinité pour définir l'analyse en composantes principales de T densités de probabilité (ou des fonctions caractéristiques associées) avec l'objectif d'apprécier l'évolution de ces densités en les visualisant dans des espaces de dimension réduite. On en montre les liens avec la méthode Statis Dual (sur matrices de variance) et on en propose une estimation convergente. On montre les représentations obtenues sur des données de cardiologie et sur des données de processus gaussiens en en faisant varier les paramètres. Aux densités précédentes indicées par t (t=1,...,T) on ajoute une variable qualitative Y définie sur l'ensemble des indices. Cette variable engendrant une partition des densités en Q catégories, on définit l'analyse discriminante de ces densités et on propose quatre règles d'affectation d'une nouvelle densité gaussienne à l'une des Q catégories. Deux règles sont de type probabiliste (vraisemblance maximale) et s'appuient sur le caractère asymptotiquement gaussien de la mesure d'affinité ; deux règles sont de type géométrique (distance minimale) et s'appuient sur la distance induite par la mesure d'affinité. On applique cette méthode à des données archéologiques (mesures de pierres de châteaux d'Alsace), l'objectif étant de dater ces châteaux.

Cette thèse porte sur la surveillance (détection et diagnostic) des procédés multivariés par réseaux bayésiens. Ceci permet l'unification dans le même outil, un réseau bayésien, de plusieurs méthodes dédiées à la surveillance des procédés, telles que les cartes de contrôles multivariées, l'analyse discriminante ou bien la méthode MYT. Le premier chapitre expose les différents points clés de la surveillance des procédés, en étudiant les diverses approches permettant de réaliser celle-ci. Des méthodes de surveillance supervisées et non-supervisées sont présentées et une étude de différents classifieurs pour la surveillance est effectuée. Le choix d'un classifieur se porte alors sur les réseaux bayésiens. Le second chapitre est l'objet d'une présentation plus approfondie des réseaux bayésiens et des extensions possibles et intéressantes de ce genre d'outil dans le contexte de la surveillance des procédés. Puis, un état de l'art des méthodes de surveillance ou de diagnostic basées sur les réseaux bayésiens est étudié. Le troisième chapitre expose les contributions apportées au domaine de la surveillance des procédés par réseaux bayésiens. Les contributions apportées se répartissent en trois parties : détection, diagnostic supervisé et diagnostic non-supervisé. En s'appuyant sur ces contributions, la structure complète d'un réseau bayésien dédié à la surveillance des procédés est proposée. Le dernier chapitre présente une application de la méthode proposée sur un exemple classique : le procédé Tennessee Eastman. Les performances du réseau en terme de détection et de diagnostic sont évaluées. Finalement, les conclusions et perspectives de l'approche proposée sont émises.