بررسی عملکرد روش یادگیری عمیق در مقایسه با روش زمین آماری کریجینگ معمولی در تخمین عیار کانسار معدن مس پورفیری سرچشمه

امروزه کاهش خطای تخمین عیار با استفاده از روش های نوین نقش تعیین کننده ای در بهینه سازی عملیات معدنکاری و کاهش ریسک عدم موفقیت اقتصادی پروژه های معدنی ایفا می نماید. هدف از تحقیق حاضر ارائه روشی برای بهبود تخمین سه بعدی عیار مس در گستره کانسار مس سرچشمه با استفاده از روش های هوشمند یادگیری ماشین و مقایسه با نتایج روش های مرسوم و متداول زمین آماری می باشد. کانسار مس سرچشمه یکی از بزرگترین کانسارهای مس پورفیری و روی کمربند آتشفشانی ارومیه-دختر در جنوب استان کرمان در ایران مرکزی واقع شده است. در این پژوهش، از ۵۲۶ گمانه در دسترس که حاوی ۳۸۰۰۶ نمونه مغزه عیارسنجی شده برای عیار مس کل می باشند، استفاده شده است. میانگین عیار مس در نمونه ها برابر با ۵۴ / ۰ و حداکثر مقدار آن ۳.۴۳ درصد بدست آمده است. در بانک اطلاعاتی نمونه ها برای هر نمونه هفت ویژگی شامل سه مختصات مکانی موقعیت نمونه ها (طول، عرض، ارتفاع)، عیار مس، عیار مولیبدن، نوع آلتراسیون و جنس لیتولوژی سنگ ثبت گردیده است. قبل از انجام تخمین عیار مس، پیش پردازش هایی شامل اصلاح داده های خارج از ردیف وهم پایه سازی داده ها (کامپوزیت سازی) رویداده ها انجام شد و در نهایت بیضوی ناهمسانگردی عیار مس با استفاده از ماتریس کوواریانس به دست آمد. برای تخمین عیار مس، از دو روش شامل الگوریتم یادگیری عمیق با معماری های ResNet-۱۸ و کریجینگ معمولی استفاده گردید که درنهایت و در مرحله بررسی عملکرد روش های فوق، مشخص شد که نتایج اعتبارسنجی الگوریتم شبکه عصبی عمیق ۱۸-ResNet با مقدار RMSE برابر ۳۴ / ۰ دارای بهترین عملکرد و روش کریجینگ معمولی با مقدار RMSE برابر ۴ / ۰ دارای بیشترین خطا بوده است. در اعتبار سنجی متقابل نیز، روش ۱۸-ResNet با مقدار ضریب تعیین رگرسیون برابر با ۸۶ / ۰ دارای بهترین عملکرد و روش کریجینگ معمولی با ضریب تعیین ۷۷ / ۰ دارای ضعی فترین عملکرد بوده است .

Keywords:

یادگیری عمیق , یادگیری ماشین , کریجینگ , مدل سازی عیار , مس سرچشمه