مقایسه الگوریتم های آموزشی مختلف شبکه عصبی مصنوعی در اکتشاف کانسار مس پورفیری (کانسار مس پورفیری دره زرشک، جنوب غرب یزد)

یکی از نیازهای اصلی در مطالعات تفصیلی مواد معدنی، ایجاد مدلی جهت تعیین نقاط بهینه حفاری به منظور کاهش هزینه های مدلسازی در شکل و موقعیت توده های معدنی است. امروزه زمین شناسان با بهره گیری از روش بهینه سازی شبکه های عصبی مصنوعی، این نیاز را پاسخ داده اند. این در حالی است که شبکه های عصبی مصنوعی به عنوان مدلهای جعبه سیاه، ابزاری توانمند برای مدل سازی سیستم های غیر خطی بوده و قادرند روابط پیچیده حاکم بر چنین فرآیندهایی را مدل نمایند. دقت اجرای این شبکه ها در حالت وابستگی متغیرهای ورودی و حتی وجود نوفه در داده ها مناسب بوده و با امکان آموزش پذیری دوباره در هنگام ورود داده های جدید، انعطاف-پذیری بالایی دارند. از آنجایی که زمان یکی از عواملی است که جهان امروز به دنبال کاهش آن در رسیدن به اهداف مورد نظر می باشد، شبکه عصبی امکان مدل سازی مکانهای بهینه حفاری را با صرف زمان اندک امکان پذیر می سازد. داده های مورد استفاده برای این هدف اطلاعات مربوط به گمانه های اکتشافی منطقه دره زرشک شامل: نقشه های زمین شناسی، گسل، دگرسانی، مختصات جغرافیایی و توپوگرافی موجود درمنطقه به عنوان ورودی و عیار مس در هرگمانه به عنوان خروجی (هدف) می باشد. در ادامه داده های موجود پس از نرمال سازی آماده ورود به شبکه شدند. سپس شبکه ای طراحی و پارامترهای موثر در آموزش شبکه اعمال و بهترین شرایط (ضریب رگرسیونی بالا و مجذور متوسط خطا پایین) بدست آمده است. در آموزش شبکه از شش الگوریتم lm, rp, gdm, scg, bfg وcgb استفاده شده است. نتایج مقایسه بهترین توابع با ساختار بهینه در هر الگوریتم نشان می دهد که بهترین نوع شبکه طراحی شده، شبکه fnn-scg است. این شبکه دارای کمترین مجذور خطا و بیشترین ضریب همبستگی بین داده های خروجی و هدف شبکه آموزش دیده در سه گروه آموزش، آزمایش و صحت سنجی می باشد. میزان صحت سنجی شبکه های مذکور کارایی آنها را در مدل سازی و تخمین ذخیره مس دره زرشک تایید می نماید.