مقایسه عملکرد شبکه عصبی مصنوعی و ماشین بردار پشتیبان در تهیه مدل سه ‌بعدی زون‌های کانی‌سازی (مطالعه موردی:کانسار مس پورفیری میدوک، ایران)

به دلیل ارتباط زون‌های کانی‌سازی با تغییرپذیری عیار در کانسارهای مس پورفیری، تهیه مدل سه بعدی این زون‌ها یکی از گام‌های پیش از تخمین در ارزیابی این تیپ کانسارها به شمار می‌آید. کیفیت این مدل تأثیر بسزایی بر کیفیت تخمین‌های ارائه شده برای عیار، طراحی مناسب استخراج بلندمدت و درنهایت کاهش مشکلات بین معدن و کارخانه فرآوری خواهد داشت. روش معمول برای تهیه این مدل استفاده از روش مدلسازی محدود می‌باشد که فرآیندی پیچیده و زمان‌بر است. یکی از راه‌حل‌های ممکن برای تهیه این گونه مدل‌ها استفاده از روش‌های نامحدود همچون روش‌های هوشمند می‌باشد. در این مقاله تلاش شده است تا عملکرد دو روش هوشمند شبکه عصبی مصنوعی و ماشین بردار پشتیبان طبقه‌بندی‌کننده در جداسازی زون‌های کانی سازی (شامل زون شسته شده، زون هیپوژن، زون سوپرژن) کانسار مس میدوک مورد مطالعه و بررسی قرار گیرد. برای این منظور از مختصات جغرافیایی (طول و عرض و ارتفاع) داده‌های حاصل از گمانه‌های اکتشافی به عنوان ورودی و زون‌های کانی‌سازی مشاهده شده در آن‌ها به عنوان خروجی مدل استفاده شده است. بررسی نتایج حاصل از این الگوریتم‌های هوشمند در جداسازی زون‌های زمین شناسی نشان می‌دهد که روش ماشین بردار پشتیبان طبقه‌بندی‌کننده نسبت به شبکه عصبی مصنوعی عملکرد مطلوب‌تری دارد. عملکرد مطلوب‌تر روش روش ماشین بردار پشتیبان نسبت به شبکه عصبی مصنوعی، با استفاده از دقت بالاتر این روش در مراحل آموزش و آزمایش و همچنین مقایسه میان مدل بلوکی طبقه‌بندی شده با برداشت‌های صورت گرفته از چال‌های انفجاری نشان داده شده است.