مقایسه شبکه های عصبی با روش های داده کاوی به منظور شبیه سازی عنصر مس؛ مطالعه موردی: پرکام کرمان

تجزیه و تحلیل داده ها به ما کمک می کند تا بدانیم چگونه می­بایست به نتایج مورد انتظار دست­یابیم، بنابراین برای دستیابی به پردازش هایی دقیق­تر، لازم است تا از بین تمام روش­های تحلیل اطلاعات، هر یک که برای موضوع تحت بررسی­مان مناسب­تر است را انتخاب نماییم. بدین منظور جهت آنالیز نمونه های حاصله از عملیات نمونه برداری سطحی سیستم مس پورفیری پرکام واقع در استان کرمان، تحت چهار مقدار طول و عرض نقاط نمونه­برداری، عیار عناصر مس و مولیبدن، از سه روش پرکاربرد K-نزدیکترین همسایه (KNN)، K میانگین (K-Means) و شبکه های عصبی بهره خواهیم گرفت. یکی از دیدگاه­های مهم در علم داده­کاوی برای تحلیل و بررسی روی حجم زیادی از داده ها و نمونه ها با مشخصه­های گوناگون، دیدگاه خوشه­بندی می­باشد. از معروف­ترین الگوریتم­های خوشه­بندی، الگوریتم KNN و K-Means می باشد که الگوریتم KNN بر اساس تخمین پیش می رود و روشی غیر پارامتری جهت کلاسه­بندی و رگرسیون­گیری و به دست آوردن روابط چندین متغیر می باشد در حالی که K-Means بر اساس یک معیار فاصله، داده ها را به K خوشه تقسیم می کند و پس از کلاسه­بندی داده ها، رفتار آنها نسبت به یکدیگر را مورد تحلیل قرار می دهد. شبکه های عصبی در تشخیص الگو­ها و نیز زمانی که اطلاعات در دسترس برای تفسیر کافی نیستند، می توانند ابزاری سودمند باشند. به منظور شبیه­سازی و تخمین عیار مس، الگوریتم­های یاد شده با یکدیگر مورد مقایسه واقع شده و در نهایت نتایج ارائه شده اند. در مقاله پیش­ رو، هدف مقایسه نتایج این سه روش به منظور تعمیم آن برای سایر پژوهش ها در مواجهه با تعداد داده های محدود و هموار ساختن مسیر برای محققین می باشد. نتایج حاصله نشان می دهد که روش KNN با ضریب همبستگی مناسب­تر نسبت به شبکه های عصبی و K-Means برای تخمین عیار عنصر مس، موثر واقع شده است. امتیاز استفاده از روش KNN نسبت به دیگر روش­های تخمینی در مقاله پیش­ رو، ارائه­گر الگویی مشخص و دقیق به منظور تخمین عیار در مواجهه با تعداد داده های محدود به تصمیم گیران این صنعت می باشد.

Keywords:

پرکام , داده کاوی , شبکه های عصبی