نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه GIS، دانشکده مهندسی ژئودزی و ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران.

2 1گروه GIS، دانشکده مهندسی ژئودزی و ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران.

3 گروه GIS، سازمان زمین‌شناسی و اکتشافات معدنی کشور، تهران، ایران.

چکیده

حفاری در اکتشاف معادن، فرایندی پرهزینه و زمان‌بر و با مشکلات بسیاری همراه است. از این رو تعیین نقاط حفاری در مطالعات تفصیلی اکتشاف ذخایر معدنی اهمیت ویژه­ای دارد است.تعیین نقاط بهینه حفاری به­منظور کاهش هزینه و ریسک فرایند حفاری از راه در نظر گرفتن کلیه شرایط پیچیده حاکم بر شکل­گیری ذخایر معدنی و تلفیق عاملهای مؤثر بر کانی­سازی انجام می­شود.با توجه به اینکه روش­های متداول تلفیق عامل­های کانی­سازی مانند روش­های همپوشانی و همپوشانی شاخص، بر دانش کارشناسی و داده­های موجود استوار است، دقت این روش­ها با افزایش حجم اطلاعات پردازش شده و وجود نوفه (Noise) در داده­ها به ­نحو قابل توجهی کاهش می­یابد. بنابراین برای حل مشکلات موجود، به ابزارهای قوی در پردازش حجم عظیم اطلاعات و با انعطاف­پذیری زیاد نیاز است. شبکه­های عصبی با ساختار موازی و انعطاف­پذیر، توانایی بالایی در مدیریت حجم عظیم اطلاعات و استخراج الگو­ها از میان داده­های نوفهدار دارند. از آنجا ‌که این شبکه­ها برحسب نوع توابع عملکرد ساختارهای بسیار متنوعی دارند، لازم است کارآیی هریک از این ساختارها در تعیین نقاط بهینه حفاری بررسی شود. بنابراین، در این مقاله به بررسی کارآیی چهار نوع شبکه عصبی با ساختار متفاوت شامل MLP، RBF، GRNN و PNN در تعیین نقاط­حفاری ذخایر معدنی مس پورفیری در منطقه چاه ­فیروزه استان کرمان با بهره­گیری از روش cross correlation پرداخته شده است. به­ همین ­منظور پس از شناسایی عاملهای کانی­سازی و جمع­آوری داده­های مورد نیاز، نقشه­های عامل در محیط GIS تهیه و بردارهای آموزشی شبکه­عصبی استخراج شد و شبکه­های عصبی یاد شده توسط داده­های آموزشی، آموزش داده و به وسیله نقاط آزمون و بر اساس معیار درجه­ مطلوبیت گمانه­های اکتشافی، ارزیابی شدند. نتایج پیاده­سازی این چهار نوع شبکه عصبی، نشان می­دهد که در میان چهار ساختار مختلف شبکه عصبی، شبکه­های GRNN و RBF از کارآیی بهتر با دقتی در حدود 80 تا 83 درصد برای مدل‌سازی مکان‌یابی نقاط بهینه حفاری دارند. با استفاده از شبکه GRNN نقشه میزان مطلوبیت برای حفاری چاه­های اکتشافی تولید شده است.

کلیدواژه‌ها

شرکت ملی صنایع مس ایران، 1387- طرح تحقیق  و توسعه اطلاعات جغرافیایی، تدوین متدولوژی تعیین نقاط حفاری با استفاده از GIS.
کریمی، م.، 1381- طراحی و اجرای یک سیستم اطلاعات مکانی جهت اکتشاف معادن مس در مقیاس تفصیلی، پایان نامه کارشناسی ارشد، دانشکده عمران، دانشگاه خواجه نصیرالدین طوسی.
 
 
 
References
Bishop, C. M., 1995-U Neural networks for pattern recognitionU ,1st edition. Oxford Clarendon
Brown, W. M., Gedeon, T. D. & Groves, D. I.,2003- Use of Noise to Augment Training Data: A Neural Network Method of Mineral Potential Mapping in Regions of Limited Known Deposit Examples, Ujournal of Natural Resource ResearchU, 12(2) : 141-152.
Brown, W. M., Gedeon, T. D., Groves, D. I. & Barnes, R. G., 2000- Artificial neural networks: a new method for mineral prospectivity mapping,UAuatrailian journal of earth scienceU, 47 : 757-770.
Chen, S., Cowan, C. F. N., & Grant, P. M., 1991- Orthogonal Least Squares Learning Algorithm for Radial Basis Function Networks,  UIEEE Transactions on Neural Networks,U 2(2): 302-309.
Hagan, M. T., Demuth, H. B. & Beale, M. H., 1996- UNeural Network DesignU , PWS Publishing Company, Boston.
Haris, D. & Pan G., 1999- Mineral favourability mapping: a comparision of artificial naeural networks,logical regression and discriminant analysis, Ujournal of Natural Resource ResearchU, 8: 93-109.
Hosseinali, F. & Alesheikh, A. A., 2008- Weighting Spatial Information in GIS for copper Mining Exploration, Ujournal of Applied ScienceU, 5(9) :1187-1198.
Porwal, A., 2006- Mineral Potential Mapping with Mathematical Geological Models, PHD thesis.
Sanchez, J. P., Chica-Olmo, M. & Abarca-Hernandez, F., 2003- Artificial Neural Network as a tool for mineral potential mapping with GIS,Ujournal of Remote SensingU, 24(5) : 1151-1156.
Singer, D. A. & Kouda, R., 1997- Classification of mineral deposits into types using mineralogy with a probabilistic neural network,UNonrenewable ResourcesU, 6: 27-32.
Singer, D. A. & Kouda, R. A., 1999- comparision of the weights-of-evidence method and probabilistic neural networks,UNatural Resources ResearchU, 8(4): 287-298.
Skabar, A. A., 2005- Mapping Mineralization Probabilities using Multilayer Perceptrons, Ujournal of Natural Resource ResearchU, 14(2), 109-123