این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
علوم زمین، جلد ۲۱، شماره ۸۱، صفحات ۱۵-۲۲
عنوان فارسی مقایسه کارآیی شبکه های عصبی M‏LP،RBF،PNN وGRNN در مطالعات اکتشافی ذخایر مس پورفیری به منظور تعیین نقاط حفاری در GIS
چکیده فارسی مقاله 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.
کلیدواژه‌های فارسی مقاله شبکه های عصبی، مس پورفیری، نقاط حفاری، سیستم اطلاعات مکانی،
عنوان انگلیسی Comparing the Performance of MLP, RBF, PNN and GRNN Neural Networks for Determining Boreholes of Porphyry Copper in GIS
چکیده انگلیسی مقاله Drilling in mine deposits has proven to be complicated, costly and time consuming process, hence it has identified the determining of optimum boreholes as a crucial  issue in detailed studies. Because of some complexity in formation of mineral deposits, decreasing in risk and expenses of drilling may be continued by considering the wrapped condition of mineral deposits formation, followed by the integration of effective mineralization factors. By considering that in traditional methods of combination of mineralization's factors like overlay and index overlay, is based on expert's knowledge and expert knowledge is related to data accuracy, therefore, the accuracy of these methods could be remarkably decreased by large amount of data and noise. In order to solve these problems, utilization of flexible methods and powerful tools in data processing is obviously needed, especially in case of noise presence. Artificial Neural Networks are appropriate tools in large amount of data management and pattern recognition of noisy data, because of nonlinear, parallel and flexible architecture. So ANNs has been used in determining of proper position of boreholes. Neural Networks have various structures regarding their activation function and number of hidden layer and neurons in each layer. Consequently it is necessary to examine the performance of all these structures in determining the optimum position of boreholes.This paper represents a study on utilization GIS and four different Neural Networks namely: Multilayer peceptrons, Radial Basis Function, Generalized Neural Network and Probability Neural Network, for determining the position of boreholes of porphyry copper exploration  in Chahfirouzeh region using  cross correlation method. First, the mineralization factors are explained based on conceptual model of porphyry copper and predictor maps are produced, then, the training vectors are derived. After that, the networks are trained by geology, geochemistry and geophysics data layers. At the end, performances of the networks are compared. Implementation of Artificial Neural Networks reveals that two Neural Networks, GRNN and RBF, have the highest accuracy (approximately 80 to 83 %). Eventually, a potential map is produced by the best method.
کلیدواژه‌های انگلیسی مقاله Neural network, Porphyry Copper, Boreholes, GIS
نویسندگان مقاله متین فروتن |
گروه gis، دانشکده مهندسی ژئودزی و ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران.
سازمان اصلی تایید شده: دانشگاه صنعتی خواجه نصیرالدین طوسی (Khajeh nasir toosi university of technology)

علی منصوریان |
1گروه gis، دانشکده مهندسی ژئودزی و ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران.
سازمان اصلی تایید شده: دانشگاه صنعتی خواجه نصیرالدین طوسی (Khajeh nasir toosi university of technology)

مژگان زارعی نژاد |
گروه gis، سازمان زمین شناسی و اکتشافات معدنی کشور، تهران، ایران.
سازمان اصلی تایید شده: سازمان زمین شناسی

محمودرضا صاحبی |
گروه gis، دانشکده مهندسی ژئودزی و ژئوماتیک، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران.
سازمان اصلی تایید شده: دانشگاه صنعتی خواجه نصیرالدین طوسی (Khajeh nasir toosi university of technology)

نشانی اینترنتی http://www.gsjournal.ir/article_54198_fbfa08c4e6126e47974bf02c620c2ea5.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/960/article-960-533458.pdf
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