این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
علوم زمین، جلد ۲۱، شماره ۸۱، صفحات ۳۱-۳۶
عنوان فارسی ارائه روشی برای بهینه‌سازی شبکه عصبی برای برآورد عیار با استفاده از اطلاعات سیستم مس پورفیری سوناجیل- اهر
چکیده فارسی مقاله در این پژوهش، برآورد الگوریتم‌های یادگیری مختلف در شبکه عصبی برای برآورد عیار در سامانه مس پورفیری سوناجیل مقایسه شده است. هدف این  پژوهش، بهینه کردن ساختار شبکه مورد استفاده و ارائه روند بهینه‌سازی ساختاری آن برای برآورد عیار مس برای شناسایی بهتر منطقه است. بر این اساس، دوازده الگوریتم یادگیری پس انتشار خطا برای این هدف بررسی شدند. نتایج مطالعه بیانگر آن است که در الگوریتم‌های مورد استفاده دو الگوریتم LM و BFG  بهترین کارایی را دارند. دلایل برای نشان دادن کارایی تقریباً مساوی الگوریتم‌های یادگیری دیگر به‌صورت کمی بیان شده است. متغیرهای ورودی شبکه، موقعیت طول و عرض جغرافیایی و خروجی آن، عیار کانسار در آن مختصات است. همچنین برای به‌دست آوردن ساختار بهینه شبکه مورد نظر از شبکه‌های با تعداد لایه‌های مختلف استفاده شد که در پایان شبکه با تعداد دوازده نرون مورد استفاده قرار گرفت. برای بررسی تأثیر شکل عادی کردن داده‌ها  از شکل‌های مختلف داده‌ها استفاده شد که داده‌های عادی شده در بازه ]1 0  [ نتایج بهتری داشتند. در پایان برای بهینه‌تر شدن شبکه همچنین از توابع مختلف انتقال در این شبکه استفاده شد که تابع انتقال تانژانت سیگموییدی با کمترین خطای ممکن همراه بود و این تابع به‌عنوان تابع بهینه برگزیده شد. با در نظر گرفتن شرایط بهینه مقدار R2 برای شبکه 946/0 به‌دست آمد که نویدگر استفاده از شبکه‌های عصبی با ساختار بهینه برای بهبود شرایط برآورد است.
کلیدواژه‌های فارسی مقاله شبکه عصبی، ساختار بهینه، برآورد عیار، الگوی یادگیری، سوناجیل،
عنوان انگلیسی Presentation a Method for Optimization of Neural Network for Ore Grade Estimation Based on the Porphyry Copper System of Sonajil-Ahar
چکیده انگلیسی مقاله In the present research, comparative evaluation of various learning algorithms in neural network modeling was performed for ore grade estimation in Sonjail porphyry copper deposit. The main goal of the following investigation would be optimizing the network architecture and to present an architectural optimization trend to better performing the copper grade estimation within the region. Therefore, 12 algorithms were investigated back propagation learning algorithms. Based on this research it is merged that by applying the LM and BFG algorithms, there would be the best performance. The reasons why the other algorithms have the same performance would be presented within the paper as well. The input parameters are coordinates and the outputs are the copper grades for each specified point. To obtain the optimal structure, a network with different layers has been applied, which it has acquired 12 neurons within one layer. To investigate the data normal shapes, various normal shape has been acquired in the [0 1], which could merged the best results. Finally to get the best network optimizations several transfer functions have been applied, and the sigmoid transfer function illustrated least error when the transfer function is selected. Considering the optimal conditions, the R2 value has merged 0.946 for network which could be the result showing that the optimal network architecture causes estimation improvement.   
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله پژمان طهماسبی |
دانشکده مهندسی معدن و متالورژی، دانشگاه صنعتی امیرکبیر، تهران، ایران.
سازمان اصلی تایید شده: دانشگاه صنعتی امیرکبیر (Amirkabir university of technology)

اردشیر هزارخانی |
دانشکده مهندسی معدن و متالورژی، دانشگاه صنعتی امیرکبیر، تهران، ایران.
سازمان اصلی تایید شده: دانشگاه صنعتی امیرکبیر (Amirkabir university of technology)

نشانی اینترنتی http://www.gsjournal.ir/article_54200_b5fee5d15528d0eb49efbcaafcc875d0.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/960/article-960-533460.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