کاربرد هوش مصنوعی در پیش بینی عیار متوسط عنصر مس با استفاده از الگوی تجمع و پراکندگی سایر عناصر در محدوده های اکتشافی

میزان ذخیره و عیار ماده معدنی از مهمترین پارامترهای ارزیابی و طراحی چگونگی استخراج و اقتصادی معدن می باشد. دراین مطالعه، از داده های ژئوشیمیایی در یک کانسار مس در کشور آمریکا برای تخمین غلظت مس بر اساس کانی های همراه آناستفاده شده است. با بهره گیری از روشهای یادگیری ماشین، از جمله مدل ExtraTrees که با دقت ۸ / ۷۰ % بهترین عملکرد راداشت، تلاش شد تا غلظت مس در نمونه های رسوبی رودخانه ای پیش بینی شود. داده ها پس از پاکسازی و آماده سازی، به مدل هایمختلفی از جمله RandomForest ، ExtraTrees ، GradientBoosting و XGBoost داده شدند که در این میان مدل ExtraTreesبیشترین دقت را نشان داد. تحلیل ها نشان داد که مدل های یادگیری ماشین، به ویژه ترکیب ۴ مدل اشاره شده، قادر به پیش بینیبا دقت ۶ / ۷۲ % غلظت مس با استفاده از داده های ژئوشیمیایی سایر عناصر موجود در نمونه ها هستند. مسلما میتوان این روش رابرای اغلب معادن مس در کشورایران نیز تعمیم داد. این نتایج نشان میدهد که یادگیری ماشین، به عنوان زیرمجموعه ای از هوشمصنوعی، میتواند ابزار موثری برای اکتشافات معدنی باشد و به کاهش هزینه ها و افزایش دقت در شناسایی منابع مس کمک کند.

کلیدواژه ها:

هوش مصنوعی ، یادگیری ماشین ، معادن ، الگوریتم