استفاده از شبکه های عصبی کانولوشنی سه بعدی در بهبود عملکرد جداسازی دگرسانیهای مربوط به کانیزایی مسپورفیری در محدوده جنوب غربی استان کرمان

امروزه بمنظور بالابردن ضریب اطمینان و کاهش ریسک بررسیهای منفرد روشهای اکتشافی (نشانگرهای تک متغیره) از تلفیق و همافزایی توام این نشانگرها در قالب تولید نقشه های پتانسیل کانیزایی (چند متغیره) منابع معدنی استفاده میشود. این نقشه ها عمدتا با استفاده از تلفیق نقشه های نشانگر حاصل از داده های زمین شناسی، سنجش از دور، ژئوشیمی و ژئوفیزیک تولید میشوند. نقشه های نشانگر حاصل از داده های سنجش از دور عمدتا با توجه به پراکندگی دگرسانیهای موجود در منطقه تهیه میشوند و به همین دلیل مشخص کردن نوع و پراکندگی دگرسانیهای موجود در منطقه نقش مهمی را در تهیه نقشه های پتانسیل کانیزایی ایفا میکند. با توجه به استفاده روزافزون ذخایر مس پورفیری در صنعت و همچنین اهمیت مناطق دگرسانی مرتبط با کانسارهای پورفیری در اکتشاف این تیپ از کانسارها، در این مطالعه به بررسی عملکرد یکی از روشهای نوین یادگیری ماشین یعنی شبکه های کانولوشنی در جداسازی واحدهای دگرسانی مسپورفیری در برگه زمین شناسی یکصدهزار پاریز پرداخته شده است . . تفکیک مناطق دگرسانی در ذخایر معدنی باتوجه به مقایسه بین نمودار طیفی آزمایشگاهی کانیهای مشخصه مناطق دگرسانی، با نمودار طیفی آنها که از تصاویر سنجنده ها بدست آمده، انجام میشود. در این مطالعه از اطلاعات ۱۸ تصویر سنجنده استر برای آموزش و تست شبکه کانولوشنی و انجام کلاسهبندی و جداسازی مناطق دگرسانی در منطقه پاریز استفاده شده است . پس از انجام پیشپردازشهای اولیه بر روی تصاویر و انجام پردازشهای نشانگر مانند روش نسبت باند جذب نسبی و آنالیز مولفه های اصلی و با استفاده از داده های صحرایی موجود در منطقه تصاویر ماسک برای تعدادی از تصاویر سنجنده استر تهیه و شبکه عصبی کانولوشنی با استفاده از این اطلاعات آموزش داده شد. در نهایت شبکه کانولوشنی آموزش دیده با استفاده از تصاویر استر مربوط به منطقه پاریز بر روی داده های کل محدوده اعمال و نتیجه به دست آمده با نتایج روشهایی مانند الگوریتم ماشین بردار پشتیبان و نقشه بردار زاویه طیفی مقایسه گردید . با توجه به شباهت و برتری نتایج بدست آمده از شبکه عصبی کانولوشنی در مقایسه با روشهای متداول ذکر شده، میتوان نتیجه گرفت که روشهایی نوین یادگیری ماشین مانند شبکه های عصبی کانولوشنی و سایر روشهای دیگریادگیری ماشین همچون خود رمزنگارها و شبکه های عصبی عمیق از پتانسیل بسیار زیادی برای استفاده در زمینه اکتشافمواد معدن ی و جداسازی واحدهای دگرسانی برخوردار هستند

کلیدواژه ها:

مس پورفیری ، طبقه بندی و جداسازی ، شبکه عصبی کانوولوشنی ، مناطق دگرسانی