مقایسه کارآیی شبکه های عصبیMLP،RBF،PNN وGRNN در مطالعات اکتشافی ذخایر مس پورفیری به منظور تعیین نقاط حفاری در GIS
Publish place: Quarterly Journal of Geosciences، Vol: 21، Issue: 81
Publish Year: 1390
نوع سند: مقاله ژورنالی
زبان: Persian
View: 149
This Paper With 8 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_GSJ-21-81_002
تاریخ نمایه سازی: 17 بهمن 1400
Abstract:
حفاری در اکتشاف معادن، فرایندی پرهزینه و زمان بر 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 موثر 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 ۸۰ تا ۸۳ درصد برای مدل سازی مکان یابی نقاط بهینه حفاری دارند. با استفاده از شبکه GRNN نقشه میزان مطلوبیت برای حفاری چاههای اکتشافی تولید شده است.
Keywords:
Authors
متین فروتن
گروه GIS، دانشکده مهندسی ژئودزی و ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران.
علی منصوریان
۱گروه GIS، دانشکده مهندسی ژئودزی و ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران.
مژگان زارعی نژاد
گروه GIS، سازمان زمین شناسی و اکتشافات معدنی کشور، تهران، ایران.
محمودرضا صاحبی
گروه GIS، دانشکده مهندسی ژئودزی و ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران.
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :