استفاده از شبکه های عصبی مصنوعی و سامانه های اطلاعات مکانی در معدن کاوی جهت تولید نقشه پتانسیل معدنی
- سال انتشار: 1401
- محل انتشار: نشریه علمی پژوهش های سنجش از دور و اطلاعات مکانی، دوره: 1، شماره: 1
- کد COI اختصاصی: JR_JGCE-1-1_011
- زبان مقاله: فارسی
- تعداد مشاهده: 154
نویسندگان
گروه سیستم های اطلاعات مکانی، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی
گروه علوم کامپیوتر، دانشکده علوم ریاضی و کامپیوتر، دانشگاه شهید چمران اهواز، اهواز، ایران
چکیده
پیشینه و اهداف: سامانه های اطلاعات مکانی، علم و ابزار لازم برای انواع فعل و انفعالات مرتبط با اطلاعات مکانی را فراهم می آورند. چنین قابلیتی، سبب شده است که این سامانه ها در حوزه های متعدد و بسیار متنوعی به کار گرفته شوند. یکی از این حوزه ها، معدن کاوی است که میتوان آن را یکی از حوزه های به شدت وابسته به زمین شناسی به حساب آورد. از سوی دیگر، روش های سنتی معدن کاوی و زمین شناسی جوابگوی نیازهای روزافزون این حوزه ن نمی باشند و به همین دلیل، فنون و علوم جدید، نقشی بی بدیل در کاوشهای معدنی امروزی یافته اند. هوش مصنوعی، یکی از مهم ترین علوم جدید است که در حال تحول بخشی به زندگی انسانها میباشد. شبکه های عصبی مصنوعی، به عنوان یکی از روش های دیرپای هوش مصنوعی، جای پای خود را در زمین شناسی ومعدن کاوی نیز باز و در این مسیر، روش های سنتی را با چالش اساسی مواجه نموده اند. بر این اساس، هدف این تحقیق بر تهیه ی نقشه ی پتانسیل معدنی با کمک شبکه ی عصبی مصنوعی بنا نهاده شده است.روش ها : شبکه ی عصبی مصنوعی، در واقع یک روش طبقه بندی به شمار میرود. این روش، به صورت یک جعبه ی سیاه عمل میکند که ابتدا آموزش می بیند و پس از یادگیری، قادر به طبقه بندی دادههایی است که در مرحله ی آموزش با آن ها مواجه نبوده است. در این پژوهش، با استفاده از اطلاعات مطالعات اکتشافی یک کانسار مس پرفیری واقع در استان یزد ایران و به کمک شبکه ی عصبی مصنوعی در صدد تولید نقشه ی پتانسیل معدنی مس در این منطقه هستیم. نقشه ی پتانسیل معدنی برای استخراج معدن مورد استفاده قرار می گیرد. بدین منظور، به دو صورت از شبکه ی عصبی مصنوعی استفاده می شود. روش اول به صورت معمول است یعنی شبکه ی عصبی مصنوعی با استفاده از اطلاعات چاه های اکتشافی آموزش میبیند و سپس میزان پتانسیل مس را در جایجای منطقه پیشبینی می نماید. روش دوم، به این صورت است که پس از آموزش دیدن شبکه ی عصبی مصنوعی، وزن های داخلی شبکه استخراج می شوند. این وزنها در واقع، نشان دهنده ی میزان اهمیتی است که نرون های شبکه برای هر یک از معیارهای ورودی در نظر گرفته اند. این وزن ها، وارد رابطه ی روش هم پوشانی شاخص می شوند و نقشه های معیار، با استفاده از روش همپوشانی شاخص، ترکیب و نقشه ی پتانسیل معدنی حاصل میشود.یافته ها: در این تحقیق، غیر از آزمایش قدرت شبکه ی عصبی مصنوعی در تهیه ی نقشه ی پتانسیل معدنی، میزان دقت وزن های مستخرج از شبکه برای استفاده در یک روش تلفیق دیگر، مد نظر بوده است. در مرحله ی آموزش شبکه، مقادیر نقشه های معیار که اساسا همان نقشه های حاصل از مطالعات اکتشافی هستند در نقاط چاههای اکتشافی، به عنوان ورودی وارد شبکه میشوند و باید عیار مس را به صورت کیفی در آن نقطه، پیشبینی نمایند در حالی که خروجی صحیح حاصل از چاههای اکتشافی در دست است. پس از آموزش، شبکه مقادیر پتانسیل معدنی را در جایجای کانسار به دست میآورد. نتایج، نشان داد که دقت طبقه بندی شبکه ی عصبی مصنوعی پس از کنار گذاشتن یکی از معیارها که غیر موثر تشخیص داده شد، میتواند تا ۱۰۰ درصد برسد و این، در حالی است که دقت حاصل شده از روش هم پوشانی شاخص و با استفاده از وزن های مستخرج از شبکه، تا حدود ۷۰ درصد است.نتیجه گیری: نتایج این تحقیق، یک بار دیگر قدرت شبکه های عصبی مصنوعی را در طبقه بندی و تلفیق اطلاعات مکانی، نشان داد. اما نتیجه منحصر به فرد این تحقیق آن بود که وزن های داخلی شبکه ی عصبی مصنوعی بیشترین کارایی را در داخل خود شبکه دارند و استفاده از آنها، برای وزن دهی و تلفیق اطلاعات در یک روش دیگر، چندان مفید نخواهد بود. با این وجود، این وزن ها در هر صورت، می توانند نمایش گر ترتیب صحیح اهمیت داده های ورودی باشند.کلیدواژه ها
اکتشاف معدن, کانسار مس, سامانه اطلاعات مکانی, شبکه عصبی مصنوعی, تلفیق اطلاعاتاطلاعات بیشتر در مورد 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.