مقایسه کارآیی شبکه های عصبیMLP،RBF،PNN وGRNN در مطالعات اکتشافی ذخایر مس پورفیری به منظور تعیین نقاط حفاری در GIS

حفاری در اکتشاف معادن، فرایندی پرهزینه و زمان‌بر 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 مؤثر 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 80 تا 83 درصد برای مدل‌سازی مکان‌یابی نقاط بهینه حفاری دارند. با استفاده از شبکه GRNN نقشه میزان مطلوبیت برای حفاری چاه­های اکتشافی تولید شده است.