کاربرد یادگیری ماشین در ارتقای بهره وری اکتشافات معدنی: مطالعه موردی جدایش ناهنجاری های ژئوشیمیایی در محدوده مراکی هرمزگان

افزایش هزینه ها و عدم قطعیت در مراحل اولیه اکتشاف معدنی، ضرورت استفاده از روش های تحلیلی پیشرفته برای بهبود کارایی فرآیندهای اکتشافی را برجسته کرده است. در این پژوهش، کاربرد الگوریتم های یادگیری ماشین در ارتقای بهره وری اکتشافات معدنی از طریق جدایش ناهنجاری های ژئوشیمیایی مورد بررسی قرار گرفته است. محدوده مراکی در استان هرمزگان به عنوان مطالعه موردی انتخاب شد و داده های ژئوشیمیایی منطقه با بهره گیری از ترکیبی از روش های آماری و مدل یادگیری ماشین تحلیل گردید. در مرحله نخست، تحلیل های آماری توصیفی و همبستگی برای بررسی ویژگی های داده ها و شناسایی روابط میان عناصر ژئوشیمیایی انجام شد. سپس به منظور تفکیک مقادیر زمینه و ناهنجاری، از روش های آماری کلاسیک شامل انحراف معیار و انحراف از میانه استفاده شد. در ادامه، الگوریتم جنگل تصادفی به عنوان یکی از روش های کارآمد یادگیری ماشین برای شناسایی الگوهای پیچیده و روابط غیرخطی میان عناصر ژئوشیمیایی به کار گرفته شد. نتایج نشان داد که مدل جنگل تصادفی در مقایسه با روش های آماری سنتی توانایی بالاتری در شناسایی نواحی مستعد کانی سازی دارد و نقشه های حاصل از این مدل هم خوانی مناسبی با روندهای زمین شناسی و ساختاری منطقه نشان می دهند. یافته های پژوهش بیانگر آن است که استفاده از رویکردهای مبتنی بر یادگیری ماشین می تواند به بهبود دقت تحلیل داده های اکتشافی، کاهش عدم قطعیت در مراحل اولیه اکتشاف و ارتقای بهره وری اقتصادی فعالیت های معدنی کمک کند. این نتایج می تواند در طراحی راهبردهای نوین اکتشاف معدنی و توسعه رویکردهای داده محور در بخش معدن مورد استفاده قرار گیرد.