تفکیک دگرسانیهای کانسار مس سونگون با استفاده از شبکههای عصبی مصنوعی
Authors
Abstract:
جدایش مناطق دگرسانی یکی از مراحل مهم در ارزیابی و شناسایی کارهای معدنی به شمار میرود که به داشتن دید بهتری از منطقه و شناخت نواحی کانی‌ساز کمک شایانی می‌کند. بیشتر روشهای جدایش دگرسانیها بر اساس مشاهدات سنگ‌شناسی است و کمتر، از روشهای دیگری استفاده شده است. در این نوشتار، سعی شده است با استفاده از شبکههای عصبی نوعRBPNN (Radial Basis Probabilistic Neural Network) این مناطق را جدا نمود. این شبکه‌ها به علت ساختار منحصر به فرد و طراحی آسان آنها، بیشتر در مسائل طبقه‌بندی مورد استفاده قرار می‌گیرند. دادههای ورودی مورد استفاده در این مطالعه، تجزیه‌های شیمیایی 12 اکسید و 16 عنصر (28 متغیر) عنصر مربوط به 45 نمونه ژئوشیمیایی بودند که خروجی آن نیز مناطق دگرسانی (پتاسیک، انتقالی و فیلیک) هستند که برای هرکدام از دادههای ورودی کدگذاری شده‌اند. پس از انتخاب دادههای آموزشی و تست، شبکه برای آموزش آماده، و داده‌ها همراه با خروجی آنها به شبکه داده شد. بر اساس نتایج به‌دست آمده از این بررسی، شبکه توانست رابطه فضایی پیچیده مابین ورودی‌ها که یک فضای 28 متغیره است را تشخیص داده و همچنین توانست دگرسانیها را به درستی طبقه‌بندی نماید. به صورتی که مقدار MSE (میانگین مربعات خطا) 0163/0 به‌دست آمد که خود حاکی از کارکرد مطلوب شبکه در این امر است.
similar resources
تفکیک دگرسانیهای کانسار مس پورفیری سونگون با استفاده از شبیه سازی زمین آماری براساس داده های بدست آمده از سیالات درگیر
در کانسارهای مس پورفیری، دگرسانیها کنترل کننده های اصلی عیار هستند. شناسایی و تفکیک دگرسانیها در اکتشافات تفصیلی کمک شایانی به دقت تخمین عیار می کند در این تحقیق با استفاده از پارامترهای ترمودینامیکی حاصل از سیالات درگیر که از دگرسانیهای پتاسیک وفیلیک و کانسارهای مس پورفیری سونگون بدست آمده اند. سعی در تفکیک دگرسانیها، بصورت غیر مستقیم (کمی) شده است. با استفاده از آنالیز تفکیکی (روش آماری چند م...
15 صفحه اولمرزبندی زون‌های دگرسانی پتاسیک و فیلیک بر اساس نتایج حاصل از مدل سازی سه‌بعدی داده های سیالات درگیر به روش شبکههای عصبی مصنوعی
امروزه یکی از روشهای متداول در اکتشاف کانسارها، مطالعات زمینشناسی اقتصادی است. مدل‌سازی دادههای میانبارهای سیال یکی از روشهای متداول در مطالعات زمینشناسی اقتصادی به شمار میرود. در این مطالعه از روش شبکههای عصبی مصنوعی به عنوان یکی از روشهای الگوریتم یادگیری ماشین به منظور مدل‌سازی سه‌بعدی دادههای میانبارهای سیال در کانسار مس پورفیری سونگون و کاربردی کردن نتایج حاصل از آنالیز میانبارهای...
full textتحلیل حسّاسیّت عوامل مؤثّر بر مدل‌سازی کانسار مس سونگون
مدل‌سازی هندسی و عیاری ذخایر معدنی، بخش مهمی از فرآیند طرّاحی معدن است. در این ارتباط دو دسته چالش عمده قابل بررسی است. دستة اول مربوط به تئوری و الگوریتم ساخت نرم‌افزار و دستة دوم مرتبط با قضاوت‌های مهندسی و کاربری نرم‌افزار بوده که اغلب از شرایطی نظیر هندسة پیچیده و مرزهای نامعلوم کانسار ناشی می‌شوند. در این تحقیق به دسته دوم پرداخته و پارامترهای متعدّدی که بر مدل نهایی تأثیرگذار هستند ارزیابی...
full textبررسی محیط فیزیکوشیمیایی در کانسار مس پورفیری سونگون با استفاده از ویژگیهای شیمیایی کانیها (شمال خاور تبریز)
کانسار مس پورفیری سونگون در130 کیلومتری شمال خاور تبریز، شمال باختر ایران واقع شده است. این کانسار حاوی 796 میلیون تن کانسنگ با عیار متوسط 61/0 درصد وزنی مس، 01/0 درصد مولیبدن، 016/0 گرم در تن طلا، 21/2 گرم در تن نقره، 57/9 گرم در تن بیسموت و رنیم (09/0درصد وزنی مولیبدنیت) است. این پژوهش به‌منظور مطالعه محیط فیزیکوشیمیایی با استفاده از ویژگیهای کانی...
full textMy Resources
Journal title
volume 20 issue 77
pages 41- 46
publication date 2010-12-22
By following a journal you will be notified via email when a new issue of this journal is published.
Keywords
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023