مدلسازی و تخمین میزان عنصر آهن در Center PARS Geological Res مختلف با استفاده از شبکه عصبی تمام متصل و ماشین

مدلسازی و تخمین میزان عناصر معدنی به ویژه آهن در عمقهای مختلف از مسائل کلیدی در اکتشافات معدنی و بهینه سازی بهره برداری از معادن است. روش های سنتی نظیر حفاری اکتشافی، علی رغم دقت بالا به دلیل هزینه های سنگین اثرات مخرب زیست محیطی و زمان بر بودن با محدودیت های جدی مواجه هستند. در این پژوهش با بهره گیری از دو روش پیشرفته یادگیری ماشین، یعنی شبکه عصبی تمام متصل (FCNN) و ماشین بردار پشتیبان (SVM) مدلسازی و تخمین میزان عنصر آهن در عمق های مختلف انجام شده است. مدل FCNN با توانایی استخراج الگوهای غیرخطی و پیچیده از داده ها و مدل SVM با قدرت تعمیم دهی بالا به طور جامع در این مطالعه بررسی و مقایسه شده اند. نتایج حاصل از ارزیابی مدل ها نشان داد که مدل FCNN به دلیل ساختار پیچیده خود، در تخمین دقیق میزان آهن عملکرد بهتری داشت در حالی که SVM در داده های کم حجم توانست دقت قابل قبولی ارائه دهد. با تحلیل نتایج گرافیکی و آماری ارائه شده در این پژوهش مشخص شد که FCNN با کاهش خطای پیش بینی و افزایش ضریب همبستگی گزینه ای مناسب تر برای داده های پیچیده و چندبعدی است. در مقابل SVM به دلیل ساختار ساده تر کارایی بیشتری در شرایطی با پیچیدگی کمتر نشان داد. این پژوهش نه تنها توانست به مدلسازی دقیق تر و بهینه تر میزان عنصر آهن در عمق های مختلف کمک کند، بلکه پتانسیل کاربردی این روش ها را در کاهش هزینه های اکتشاف، بهینه سازی فرآیندهای حفاری، کاهش اثرات زیست محیطی عملیات معدنی نشان داد. نوآوری اصلی این مطالعه در استفاده از دو روش پیشرفته و تمرکز بر داده های عمقی با چالش های زمین شناسی است که می تواند به بهبود فناوری های اکتشاف معدنی کمک کند.

کلیدواژه ها:

مدلسازی یادگیری ، ماشین شبکه عصبی تمام متصل ، ماشن بردار پشتیبان ، تخمین عنصر آهن ، تحلیل داده های عمقی معدن