این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
علوم زمین، جلد ۲۰، شماره ۷۷، صفحات ۴۱-۴۶
عنوان فارسی تفکیک دگرسانی‌های کانسار مس سونگون با استفاده از شبکه‌های عصبی مصنوعی
چکیده فارسی مقاله جدایش مناطق دگرسانی یکی از مراحل مهم در ارزیابی و شناسایی کارهای معدنی به شمار می‌رود که به داشتن دید بهتری از منطقه و شناخت نواحی کانی‌ساز کمک شایانی می‌کند. بیشتر روش‌های جدایش دگرسانی‌ها بر اساس مشاهدات سنگ‌شناسی است و کمتر،  از روش‌های دیگری استفاده شده است. در این نوشتار، سعی شده است با استفاده از شبکه‌های عصبی نوعRBPNN  (Radial Basis Probabilistic Neural Network) این مناطق را جدا نمود. این شبکه‌ها به علت ساختار منحصر به فرد و طراحی آسان آنها، بیشتر در مسائل طبقه‌بندی مورد استفاده قرار می‌گیرند. داده‌های ورودی مورد استفاده در این مطالعه، تجزیه‌های شیمیایی 12 اکسید و 16 عنصر (28 متغیر) عنصر مربوط به 45 نمونه ژئوشیمیایی بودند که خروجی آن نیز مناطق دگرسانی (پتاسیک، انتقالی و فیلیک) هستند که برای هرکدام از داده‌های ورودی کدگذاری شده‌اند. پس از انتخاب داده‌های آموزشی و تست، شبکه برای آموزش آماده، و داده‌ها همراه با خروجی آنها به شبکه داده شد. بر اساس نتایج به‌دست آمده از این بررسی، شبکه توانست رابطه فضایی پیچیده مابین ورودی‌ها که یک فضای 28 متغیره است  را تشخیص داده و همچنین توانست دگرسانی‌ها را به درستی طبقه‌بندی نماید. به صورتی که مقدار MSE  (میانگین مربعات خطا) 0163/0 به‌دست آمد که خود حاکی از کارکرد مطلوب شبکه در این امر است.  
کلیدواژه‌های فارسی مقاله شبکه‌های عصبی مصنوعی، دگرسانی، جدایش، احتمالی، سونگون،
عنوان انگلیسی Separating the Sungun Copper Deposit Alteration Zones by Applying Artificial Neural Network
چکیده انگلیسی مقاله Separation of alteration zones is one of the important processes in evaluation and identification of mining activities that provide great help to have better view of the region and its mineralization. Most of the alteration separation is based on petrological investigations and the other methods are less applied. Therefore, in this research, there is an attempt by applying RBPNN (Radial Basis Probabilistic Neural Network) to separate these alteration zones. Because of the special structure and easy designing of these networks, they are usually capable to solve the classification problem. The input data were 28 element analyses related to 45 geochemical samples and its outputs were classified alteration zones (potassic, transition, phyllic) that was coding for every inputs data. After selection the training and testing data, the network has been prepared for training and then the data were inputs and the results were outputs. According to the results, the network could distinguish the difficult spatial relation between the inputs, with 28 spatial variables and classify those correctly. The calculated MSE (Mean Square Error) is 0.0163, which shows the good performance of network in this field.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله اردشیر هزارخانی |
دانشکده مهندسی معدن، متالورژی و نفت، دانشگاه صنعتی امیرکبیر، تهران، ایران.

پژمان طهماسبی |
دانشکده مهندسی معدن، متالورژی و نفت، دانشگاه صنعتی امیرکبیر، تهران، ایران.

امید اصغری |
دانشکده مهندسی معدن، دانشگاه کاشان، کاشان، ایران.

نشانی اینترنتی http://www.gsjournal.ir/article_55304_eeba877d82b1f154d62c392579672709.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/960/article-960-597051.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