این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
علوم زمین، جلد ۱۵، شماره ۶۰، صفحات ۷۲-۷۹
عنوان فارسی کاربرد شبکه‌‌های عصبی در تهیه نقشه پتانسیل معدنی‌: مطالعه موردی کانی‌زایی پروتروزوییک درمنطقه ساغند- چادرملو، ایران مرکزی
چکیده فارسی مقاله ایران مرکزی دارای کانسارهای متعددی از آهن، آپاتیت و اورانیم به سن پروتروزوییک است. در این مطالعه، به منظور تهیه نقشه پتانسیل معدنی برای کانی زایی تیپ اکسید آهن(Cu-U-Au-REE ) پروتروزوییک، ازسامانه شبکه‌های عصبی استفاده شد. سامانه استفاده شده نوعی شبکه عصبی به اسم RBFLN است که شکل تغییریافته‌ای از شبکه عصبی بر پایه تابع شعاعی (RBFNN) می‌‌باشد.دراین مطالعه داده‌های چینه شناسی، ساختاری، ژئوفیزیکی وژئوشیمیایی به عنوان بردارهای چند بعدی وارد شبکه عصبی شدند. به منظور یادگیری شبکه از 58 کانسار و 58 غیرکانساراستفاده شد. برای تهیه نقشه‌‌های ورودی از دو روش استفاده شد. در روش اول تلفیقی از نقشه‌های چندکلاسه و دو کلاسه وارد شبکه عصبی شد. در روش دوم تمام نقشه‌های نشانگر به نقشه‌های دوکلاسه دسته بندی شدند. اعمال RBFLN بر روی داده‌های ورودی مختلف نشان داد که افزایش تعداد نقشه‌های ورودی و در نتیجه افزایش تعداد کلاسها منجر به بالا رفتن خطای  مجموع مربعها (SSE) دسته بندی می‌شود. به طورکلی تکراردفعات یادگیری باعث بهبود خطای SSE در حین یادگیری  می‌شود. نتیجه این مطالعه همچنین نشان داد که پراکندگی مناسب نقاط کانساری و غیر کانساری و فراوانی آنها نسبت به هم  تاثیر زیادی در نتیجه دسته بندی می‌گذارد.
کلیدواژه‌های فارسی مقاله شبکه‌های عصبی، نقشه پتانسیل معدنی، GIS،RBFLN،
عنوان انگلیسی Application of Neural Networks to Mineral Potential Mapping; a Case Study on Proterozoic Mineralization in Saghand-Chadormalu Area, Central Iran
چکیده انگلیسی مقاله The metallogeny of Central Iran is mainly characterized by the presence of several iron, apatite, and uranium deposits of Proterozoic age. Neural network method is used as a data-driven method for GIS-based predictive mapping of Proterozoic iron oxide (CU-U-AU-REE) mineralization in Central Iran. The radial based function link network (RBFLN) which is a modification of radial basis function neural networks (RBFNN) is employed as a neural network system. The evidential maps comprising of stratigraphic, structural, geophysical, and geochemical maps are used as n-dimensional vectors input to the RBFLN. A number of 58 deposits and 58 non-deposits are employed to train the network. The operations for the application of neural networks applied in this study involve both multiclass and binary representation of evidential maps. Running RBFLN on different input data shows that the increase in the number of evidential maps and classes leads to higher classification sum of squared error (SSE). As a whole the increase in the number of iterations results in the improvement of training SSE. The results of applying RBFLN show that a successful classification depends on the existence of well distributed deposit and non-deposit sites through the study area.
کلیدواژه‌های انگلیسی مقاله شبکه‌های عصبی, نقشه پتانسیل معدنی, GIS,RBFLN
نویسندگان مقاله پوران بهنیا |
مدیریت ژئومتیکس سازمان زمین‌شناسی و اکتشافات معدنی کشور، تهران، ایران

نشانی اینترنتی http://www.gsjournal.ir/article_208925_b201421171e6d3a8d6ef0fd9b8a5dd6c.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات