ارزیابی عملکرد روش های یادگیری عمیق و تصمیم گیری چندمعیاره در شناسایی نواحی امیدبخش معدنی

در دهه اخیر، تکنیک های یادگیری عمیق عملکرد پیشرفته ای جهت نقشه برداری و مدل سازی پتانسیل معدنی (MPM) نشان داده اند. موفقیت این مدل ها برای وظایف MPM به قابلیت های قدرتمند آن ها در یادگیری ویژگی های غیرخطی و مدیریت داده های اکتشافی بزرگ در سیستم های زمین شناسی پیچیده نسبت داده می شود. شبکه باور عمیق (DBN) یک معماری یادگیری عمیق است که برای کشف الگوهای پیچیده در مجموعه های بزرگی از داده های اکتشافی طراحی شده است. تکنیک DBN معمولا از چندین لایه از واحدهای عصبی تصادفی موسوم به ماشین های بولتزمن محدود (RBM) تشکیل شده است. هدف هر لایه در معماری DBN، استخراج ویژگی های غیرخطی مختلف از داده های ورودی است، به طوری که لایه های مقدماتی الگوهای عمومی داده ها را شناسایی می کنند و لایه های بالاتر اطلاعات انتزاعی تر را تشخیص می دهند. در این مطالعه، یک تحلیل مقایسه ای بین تکنیک های DBN (به عنوان یک مدل یادگیری عمیق) و TOPSIS (به عنوان یک روش تصمیم گیری چندمعیاره) برای سنجش عملکرد آن ها در MPM از طریق اعمال به یک مجموعه داده اکتشافی در منطقه فیض آباد (شمال شرق ایران) انجام شده است. منحنی های نرخ موفقیت برای ارزیابی عملکرد مدل ها در جهت گیری به سمت اهداف اکتشافی به کار گرفته شده اند. یافته ها نشان می دهند که تکنیک DBN می تواند عملکردی بهتر از TOPSIS بدون وزن کارشناسی و نیز عملکردی معادل با مدل TOPSIS وزن دار شده با دانش کارشناسی در زمینه هدف گیری اکتشاف مواد معدنی در منطقه مورد مطالعه نشان دهد. نتایج پژوهش همچنین بر این مساله تاکید می کند که عملکرد مدل TOPSIS به طرز معنی داری به نحوه تعریف دانش محور اوزان برای ویژگی های ورودی وابسته است.

کلیدواژه ها:

شناسایی نواحی امیدبخش معدنی ، داده های اکتشافی ، شبکه باور عمیق ، TOPSIS ، منطقه فیض آباد