کاربرد مدل سازی فرکتالی عیار- مساحت و شبکه عصبی مصنوعی برای شناسایی ناهنجاری های زمین شیمیایی Cu، Zn±Pb در منطقه هشتجین، شمال غرب ایران

شناسایی ناهنجاری های زمین شیمیایی نقش مهمی را در اکتشافات معدنی ایفا می کند. پژوهش های اخیر نشان داده است که الگوریتم یادگیری ماشین می تواند ناهنجاری های زمین شیمیایی مرتبط با کانی سازی را که اهدافی برای اکتشاف مواد معدنی هستند، شناسایی کند. الگوریتم های یادگیری ماشین به دلیل قابلیت قوی در استخراج و نمایش ویژگی های سطح بالای نمونه های آموزشی، به طور گسترده در زمینه های مختلف استفاده می شوند. شبکه های رمزگذار خودکار توانایی بالایی در شناسایی ناهنجاری های زمین شیمیایی نشان می دهند. در این پژوهش، از روش ترکیبی شبکه خودکار رمزگذار با روش فرکتالی عیار- مساحت برای شناسایی ناهنجاری های زمین شیمیایی استفاده شد. نخست، با استفاده از آنالیز چند متغیره فاکتوری عناصر باریم، سرب، روی، مس، طلا، آهن، طلا و آرسنیک به عنوان شاخص انتخاب شدند. سپس نقشه های زمین شیمیایی تک عنصری این عناصر تهیه شد و به منظور یکسان سازی نقشه های به دست آمده از لحاظ مقادیر کمینه و بیشینه، تمام نقشه ها به صورت فازی درآمدند. با استفاده از عملگر گامای فازی نقشه های زمین شیمیایی تک عنصری با هم تلفیق شدند. سپس نقشه حاصل از روش رمزگذار خودکار عمیق با هشت لایه رمزگذار و رمزگشا بازسازی شد. سرانجام، با استفاده از روش فرکتال عیار- مساحت نقشه پتانسیل معدنی برای این منطقه تهیه شد. مدل ترکیبی پیشنهادی در این پژوهش، منطقه ای با پتانسیل کانی زایی بالا در شمال شرق محدوده مورد بررسی را معرفی می کند.

کلیدواژه ها:

ناهنجاری زمین شیمیایی ، یادگیری ماشین ، مدل سازی فرکتالی ، نقشه پتانسیل معدنی ، هشتجین