خوشه بندی نواحی مستعد کانه زایی آهن در محدوده اسفوردی مبتنی بر روش هیبریدی رهیافت دانش و داده مبنا
Publish place: Journal of Mineral Resource Engineering، Vol: 8، Issue: 4
Publish Year: 1402
نوع سند: مقاله ژورنالی
زبان: Persian
View: 102
This Paper With 26 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_MHRE-8-4_001
تاریخ نمایه سازی: 30 دی 1402
Abstract:
در این پژوهش، یک رویکرد هیبریدی برای خوشه بندی نواحی مستعد کانه زایی مگنتیت-آپاتیت در محدوده برگه ۱:۱۰۰۰۰۰ اسفوردی به کار گرفته شده است که تعداد بهینه خوشه ها به کمک یک روش داده محور و مدل فرکتال مقدار- مساحت (C-A) به دست آمده است. بدین منظور، با توجه به ویژگی های متالوژنیکی ذخایر هدف در محدوده مورد مطالعه، ۹ لایه شاهد که شامل نشانگرهای زمین شناسی، ژئوشیمیایی، ژئوفیزیکی و دورسنجی است، از مجموعه داده های مکانی استخراج و تولید شده اند. از منحنی پیش بینی- مساحت (P-A)، به عنوان یک روش داده محور برای تعیین وزن و اهمیت هر لایه استفاده شده است. تکنیک همپوشانی شاخص جهت ادغام ۹ لایه وزن دار شده، به کار گرفته شده است. در الگوریتم های خوشه بندی، تعداد خوشه ها تاثیر قابل توجهی بر نتیجه مدلسازی پتانسیل معدنی دارد. برای تعیین تعداد صحیح خوشه ها، تعداد کلاس های نقشه نهایی تولید شده به کمک مدل فرکتالی مقدار- مساحت شناسایی و در ادامه از آن برای اجرای الگوریتم های خوشه بندی بدون نظارت استفاده شده است. با فرض پنج خوشه (به عنوان تعداد بهینه خوشه ها)، سه الگوریتم خوشه بندی که شامل k-means، فازی c-means و نقشه خود سازمانده (SOM) است، برای شناسایی مناطق امیدبخش کانه زایی هدف به کار گرفته شده است. در بین سه الگوریتم اجرا شده، الگوریتم k-means، بیشترین بازدهی را در شناسایی ذخایر شناخته شده آهن در محدوده مورد مطالعه داشته است؛ به طوری که زون پتانسیل معرفی شده با ۸ درصد مساحت محدوده، حدود ۶۵% رخدادهای معدنی را شناسایی کرده است.
Keywords:
Authors
سید عطاالله آقا سید میرزا بزرگ
کارشناسی ارشد، دانشکدگان فنی، دانشکده مهندسی معدن، دانشگاه تهران، تهران
میثم عابدی
استادیار، دانشکدگان فنی، دانشکده مهندسی معدن، دانشگاه تهران، تهران
فردین احمدی
دکترا، دانشکده مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود، شاهرود
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 :