ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

تعیین مناطق بهینه حفاری در اکتشاف تفصیلی منابع معدنی با استفاده ازشبکههای عصبی GRNN و RBF درمحیط GIS

سال انتشار: 1389
محل انتشار: همایش ژئوماتیک 89
کد COI مقاله: GEO89_162
زبان مقاله: فارسیمشاهد این مقاله: 836
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 12 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله تعیین مناطق بهینه حفاری در اکتشاف تفصیلی منابع معدنی با استفاده ازشبکههای عصبی GRNN و RBF درمحیط GIS

امین مهرمنش - دانشجوی کارشناسی ارشد دانشگاه صنعتی خواجه نصیرالدین طوسی، خ ولیعصر، ت
علی منصوریان - دکترای مهندسی ژئوماتیک ، دانشگاه صنعتی خواجه نصیرالدین طوسی، خ ولیعص
متین فروتن مقدم - دانشجوی کارشناسی ارشد دانشگاه صنعتی خواجه نصیرالدین طوسی، خ ولیعصر، ت
محمودرضا صاحبی - دکترای مهندسی ژئوماتیک ، دانشگاه صنعتی خواجه نصیرالدین طوسی، خ ولیعص

چکیده مقاله:

حفاری در اکتشاف معادن،پروسهای پرهزینه و زمانبر بوده و با مشکلات بسیاری همراه است.از اینرو تعیین نقاط حفاری در مطالعات تفصیلی اکتشاف ذخایر معدنی، که از طریق در نظر گرفتن کلیه شرایط پیچیده حاکم بر شکل- گیری ذخایر معدنی و تلفیق فاکتورهای موثر بر کانیسازی انجام میشود، از اهمیت ویژهای برخوردار است .با توجه به اینکه روشهای متداول تلفیق فاکتورهای کانیسازی مانند روشهای همپوشانی ،بر دانش کارشناسی استوار است، دقت این روشها با افزایش حجم اطلاعات پردازش شده و وجود نویز در دادهها بهنحو قابل توجهی کاهش مییابد. لذا برای حل مشکلات موجودبه ابزارهای قوی در پردازش حجم عظیم اطلاعات و باانعطافپذیری زیاد نیاز است. شبکه- های عصبی با ساختار موازی و انعطافپذیر، از توانایی بالایی در مدیریت جحم عظیم اطلاعات واستخراج الگوها از میان دادههای نویزدار برخوردارند. لذا شبکههای عصبی میتوانند جهت شناسایی نقاط مناسب برای حفاری مورد استفاده قرار گیرند. بنابراین در این مقاله به تهیه نقشههای نقاط بهینه حفاری ذخایر مسپورفیری بهوسیله دو نوع شبکه عصبیGRNN و RBF بابهرهگیری از روش cross correlation و ارزیابی این نقشهها بر اساس گمانههای اکتشافی حفرشده در منطقه نوچون استان کرمان پرداخته شده است. نتایج ارزیابی نقشههای تهیه شده توسط این دو نوع شبکهعصبی، نشان میدهد که شبکه عصبیGRNNاز کارآیی بهتر با دقتی در حدود ۷۱ درصد برای مدلسازی مکانیابی نقاط بهینه حفاری برخوردار است. مکانیابی نقاط بهینه حفاری برخوردار است.

کلیدواژه ها:

شبكههاي عصبي، مس پرفيري، نقاط حفاري، سيستم اطلاعات مكاني

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/102502/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
مهرمنش، امین و منصوریان، علی و فروتن مقدم، متین و صاحبی، محمودرضا،1389،تعیین مناطق بهینه حفاری در اکتشاف تفصیلی منابع معدنی با استفاده ازشبکههای عصبی GRNN و RBF درمحیط GIS،همایش ژئوماتیک 89،تهران،،،https://civilica.com/doc/102502

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1389، مهرمنش، امین؛ علی منصوریان و متین فروتن مقدم و محمودرضا صاحبی)
برای بار دوم به بعد: (1389، مهرمنش؛ منصوریان و فروتن مقدم و صاحبی)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود ممقالهقاله لینک شده اند :

  • طرح تحقیق و توسعه سیستم اطلاعات جغرافیایی تدوین متدولوژی تعیین ...
  • مهناج، م.ب، 1381، مبانی شبکه‌های عصبی، مرکز نشر دانشگاه صنعتی ...
  • Bishop, C. M., 1995, Neural networks for pattern recognition, 1st ...
  • Generalized Regression Neural Network ...
  • Brown, M.W. et al, 2000, Artificial neural networks: a new ...
  • Hagan, M.T, Demuth, H.B. & Beale, M.H., 1996, Neural Network ...
  • Haris, D. et al, 1999, Mineral favorability mapping: a comparison ...
  • Hosseinali, F and Alesheikh, A.A. _ 2008, Weighting Spatial Information ...
  • Singer, D.A. and Kouda, R., 1997, Classification of mineral deposits ...
  • Singer, D.A. and Kouda, R., A, 1999, comparison of the ...
  • Yugoslavia report, Report on explorations for copper in Now Chun ...
  • مدیریت اطلاعات پژوهشی

    صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: 9,717
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

    پشتیبانی