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

Abstract

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 عامل<span style="font-family: Times New Roman;">‎</span>های 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 (<span style="font-family: Times New Roman;">Noise</span>) 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 نوفه<span style="font-family: Times New Roman;">‎</span>دار 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 <span style="font-family: Times New Roman;">MLP</span>، <span style="font-family: Times New Roman;">RBF</span>، <span style="font-family: Times New Roman;">GRNN</span> و <span style="font-family: Times New Roman;">PNN</span> در تعیین نقاط­حفاری ذخایر معدنی مس پورفیری در منطقه چاه ­فیروزه استان کرمان با بهره­گیری از روش <span style="font-family: Times New Roman;">cross correlation</span> پرداخته شده است. به­ همین ­منظور پس از شناسایی عامل<span style="font-family: Times New Roman;">‎</span>های کانی­سازی و جمع­آوری داده­های مورد نیاز، نقشه­های عامل در محیط <span style="font-family: Times New Roman;">GIS</span> 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 <span style="font-family: Times New Roman;">GRNN</span> و <span style="font-family: Times New Roman;">RBF</span> از کارآیی بهتر با دقتی در حدود 80 تا 83 درصد برای مدل‌سازی مکان‌یابی نقاط بهینه حفاری دارند. با استفاده از شبکه <span style="font-family: Times New Roman;">GRNN</span> نقشه میزان مطلوبیت برای حفاری چاه­های اکتشافی تولید شده است.