تبدیل داده های مغناطیس سنجی پهپادی به داده های زمینی با استفاده از هوش مصنوعی

سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 129

فایل این مقاله در 19 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_MHRE-9-3_003

تاریخ نمایه سازی: 26 شهریور 1403

چکیده مقاله:

اکتشاف مواد معدنی یک کار چند رشته ای است که نیاز به توجه همزمان از مجموعه داده های ژئوفیزیک، زمین شناسی و ژئوشیمیایی متفاوت به انضمام روش های کارآمد و موثر جدید دارد. این مساله به ادغام موثر و تجزیه و تحلیل داده های مختلف جغرافیایی با فرمت ها و ویژگی های مختلف با کمک برنامه های کاربردی جدید نیاز دارد. داده هایی که با استفاده از پهپاد (داده های با تفکیک پذیری پایین) برداشت می شوند، قابلیت تبدیل شدن به داده های زمینی (تفکیک پذیری بالا) با استفاده از روش های جدیدی مانند هوش مصنوعی را دارند. در این مطالعه با استفاده از داده های مغناطیس سنجی برداشت شده به وسیله پهپاد و دستگاه زمینی پروتون در محیط برنامه نویسی پایتون، سه مدل رگرسیون نظارت شده اجرا شده است. این سه مدل، شامل رگرسیون خطی، جنگل تصادفی و گرادیان تقویت شده است که در نهایت گرادیان تقویت شده با توجه به نتایج آماری بهتر شامل میانگین خطای مربع و میانگین خطای مطلق در داده های آموزشی به ترتیب ۰۰۰۴/۰ و ۰۱/۰ و در داده های آزمایشی به ترتیب ۰۰۱/۰ و ۰۲/۰ و در داده های اعتبارسنجی به ترتیب ۰۰۱/۰ و ۰۱/۰ و همچنین به علت پایدار بودن شبکه به عنوان مدل مورد استفاده برای پیش بینی انتخاب شد.

نویسندگان

فرانک کیان پور

کارشناسی ارشد، گروه مهندسی معدن، دانشکده فنی و مهندسی، دانشگاه بین المللی امام خمینی (ره)، قزوین

اندیشه علیمرادی

استادیار، گروه مهندسی معدن، دانشکده فنی و مهندسی، دانشگاه بین المللی امام خمینی (ره)، قزوین

هاشم شاهسونی

دانشیار، گروه مهندسی معدن، دانشکده مهندسی، دانشگاه کردستان، سنندج، کردستان

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 مقاله لینک شده اند :
  • قدیانلو، م.، یوسفی، م.، علیمرادی، ا.؛ ۱۴۰۱؛ "شناسایی نواحی امیدبخش ...
  • Mineral Potential Modeling of Porphyry Copper Deposits using Continuously-Weighted Spatial Evidence Layers and Union Score Integration Method [مقاله ژورنالی]
  • Alimoradi, A., Maleki, B., Karimi, A., Sahafzadeh, M., and Abbasi, ...
  • Nabighian, M. N., Grauch, V. J. S., Hansen, R. O., ...
  • شاهسونی، ه.؛ ۱۴۰۰؛ "مروری بر استفاده از پهپاد در مغناطیس ...
  • Kuhn, S., Cracknell, M. J., and Reading, A. M. (۲۰۱۷). ...
  • Li, J., Liu, Y., Yin, C., Ren, X., and Yang, ...
  • Kayode, J. S., and Yusup, Y. (۲۰۲۰). “A novel fusion ...
  • Brown, M. P., and Poulton, M. M. (۱۹۹۶). “Locating Buried ...
  • Aminzadeh, F., and de Groot, P. (۲۰۰۶). “Neural Networks and ...
  • Alimoradi, A., Hajkarimian, H., Hemati Ahooi, H., and Salsabili, M. ...
  • راسل بیل، تام جکسون؛ ۱۳۹۳؛ "آشنایی با شبکه های عصبی". ...
  • Optimizing Extreme Learning Machine Algorithm using Particle Swarm Optimization to Estimate Iron Ore Grade [مقاله ژورنالی]
  • Bandura, L., Halpert, A. D., and Zhang, Z. (۲۰۱۸). “Machine ...
  • احدی، س.، علیمرادی، ا.، سرخیل، ح.، کلهر محمدی، م.، فتحی، ...
  • Kriesel, D. (۲۰۰۹). “A Brief Introduction to Neural Networks”. dkriesel.com, ...
  • Breiman, L., Friedman, J., Olshen, R., and Stone, C. (۱۹۸۴). ...
  • Breiman, L. (۲۰۰۱). “Random Forests, Machine Learning”. Kluwer Academic Publishers, ...
  • Caruana, R., and Niculescu-Mizil, A. (۲۰۰۶). “An Empirical Comparison of ...
  • Raschka, S., Patterson, J., and Nolet, C. (۲۰۲۰). “Machine Learning ...
  • نمایش کامل مراجع