ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

تحلیل متالوژنیک پتانسیل آانی سازی مس درمنطقه طارم با سه روش Weight of Evidence Artificial Neural Networks و ( CA) Characteristic Analysis،( WOE)

تعداد صفحات: 10 | تعداد نمایش خلاصه: 2415 | نظرات: 0
سال انتشار: 1385
محل انتشار: همایش ژئوماتیک 85
کد COI مقاله: GEO85_13
زبان مقاله: انگلیسی
(فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.

برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید.در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.

لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.

برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 10 صفحه است به صورت فایل PDF در اختیار داشته باشید.

قیمت این مقاله : 0 تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله تحلیل متالوژنیک پتانسیل آانی سازی مس درمنطقه طارم با سه روش Weight of Evidence Artificial Neural Networks و ( CA) Characteristic Analysis،( WOE)

جلال کرمی - دانشجوی دکترای GIS دانشگاه صنعتی خواجه نصیرالدین طوسی

چکیده مقاله:

تحلیل متالوژنیک کانی زایی مهمترین مرحله از یک پروسه اکتشافی بحساب می آید. در این میان GIS بعنوان یک تکنولوژی مهم در اکتشافات معدنی، ابزاریست که در مراحل مختلف فرایند اکتشافی مانند مدیریت پایگاه داده ها، ترکیب، نمایش و نهایتا تحلیل داده های مذکور مورد استفاده قرار می گیرد. متاسفانه تحقیقات نسبتا کمی در روش شناسی تحلیلهای متالوژنیک و یا چگونگی استفاده از GIS در تحلیل روند کانیزایی برای فعالتیهای اکتشافی صورت گرفته است. روشهای موجود ترکیب داده ها از برخی محدودیت های قابل توجه برخوردارند. روشهای آماری مانند WOE و CA برای نواحی که بخوبی شناخته شده نیستند و یا اطلاعات اندکی از آنها در دست می باشد، نتایج قابل اطمینانی را ارائه نمی دهند. مدلهای مفهومی و دانش پایه نیز علی رغم اینکه نیازمند دانش اولیه کمی از منطقه می باشند، با این وجود وابسته به نظرات کارشناسی می باشند. شبکه های عصبی مصنوعی به عنوان یک روش غیر خطی و غیر پارامتریک بواسطه قابلیتهای منحصر به فردی از قبیل قابلیت آموزش، پردازش موازی و قابلیت درونیابی بالا و بدون نیاز به دانش اولیه از داده ها، بشکل مناسبتری روابط پیچیده و غیر خطی فرایندکانی زایی را مدل می نمایند. در این مقاله بمنظور تحلیل مدل کانی زایی مس (Cu ) برای برگه 100000/1 طارم، ابتدا اطلاعات مورد نیاز از داده های سنجش از دور، ژئوفیزیک هوایی و زمین شناسی استخراج و سپس فرایند مدلسازی باسه الگوریتم Characteristic Analysis ، Weight of Evidence و Artificial Neural Networks انجام شد. از 26 اندیس معدنی Cu برای آموزش و تست سه روش مذکور استفاده شد. نتایج حاصل از سه روش ANN , CA, WOE مورد تجزیه و تحلیل قرار گرفت. نتایج حاصله حاکی از بهبود قابل ملاحظه روش ANN نسبت به دو روش دیگر است.

کلیدواژه ها:

سيستم اطلاعات جغرافيايي ، شبكه هاي عصبي مصنوعي ، الگوريتمهاي داده پايه ، تحليلهاي متالوژنيك ، نقشه پتانسل معدني

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/5643/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
کرمی, جلال,1385,تحلیل متالوژنیک پتانسیل آانی سازی مس درمنطقه طارم با سه روش Weight of Evidence Artificial Neural Networks و ( CA) Characteristic Analysis،( WOE),همایش ژئوماتیک 85,تهران,,,https://civilica.com/doc/5643

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1385, کرمی, جلال؛ )
برای بار دوم به بعد: (1385, کرمی؛ )
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 ممقالهقاله لینک شده اند :

  • حسنی پاک علی اصغر، تحلیل داده های اکتشافی، دانشگاه تهران، ...
  • کرمی جلال، طبقه بندی شیء گرای تصاویر لندست ETM+ منطقه ...
  • منهاج محمد باقر، مبانی شبکه های عصبی مصنوعی، دانشگاه صنعتی ...
  • B.Carter, Geographic information system for G eoscientists _ modeling with ...
  • D. DRUMM, M .PURVIS and Q.ZHOU , Spatial ecology and ...
  • G.PAN & P.HARRIS, Information Synthesis for Mineral Exploration, OXFORD UN ...
  • Gonzalez Rafael .C and WOODS RICHARD.E, Digital Image Processing, Add ...
  • P.M .ATKINSON and A. R. L.TANALL, Introduction, Neural Networks in ...
  • Richards John. A, Remote Sensing Digital Image Analysis, Springer, 1998 ...
  • Warick. BROWN, Application of Artificial Neural Networks to Mineral Prospectively ...
  • مدیریت اطلاعات پژوهشی

    صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: 9,448
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

    پشتیبانی