نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده مهندسی معدن، متالورژی و نفت، دانشگاه صنعتی امیرکبیر، تهران، ایران.

2 دانشکده مهندسی معدن، دانشگاه کاشان، کاشان، ایران.

چکیده

جدایش مناطق دگرسانی یکی از مراحل مهم در ارزیابی و شناسایی کارهای معدنی به شمار می‌رود که به داشتن دید بهتری از منطقه و شناخت نواحی کانی‌ساز کمک شایانی می‌کند. بیشتر روش‌های جدایش دگرسانی‌ها بر اساس مشاهدات سنگ‌شناسی است و کمتر،  از روش‌های دیگری استفاده شده است. در این نوشتار، سعی شده است با استفاده از شبکه‌های عصبی نوعRBPNN  (Radial Basis Probabilistic Neural Network) این مناطق را جدا نمود. این شبکه‌ها به علت ساختار منحصر به فرد و طراحی آسان آنها، بیشتر در مسائل طبقه‌بندی مورد استفاده قرار می‌گیرند. داده‌های ورودی مورد استفاده در این مطالعه، تجزیه‌های شیمیایی 12 اکسید و 16 عنصر (28 متغیر) عنصر مربوط به 45 نمونه ژئوشیمیایی بودند که خروجی آن نیز مناطق دگرسانی (پتاسیک، انتقالی و فیلیک) هستند که برای هرکدام از داده‌های ورودی کدگذاری شده‌اند. پس از انتخاب داده‌های آموزشی و تست، شبکه برای آموزش آماده، و داده‌ها همراه با خروجی آنها به شبکه داده شد. بر اساس نتایج به‌دست آمده از این بررسی، شبکه توانست رابطه فضایی پیچیده مابین ورودی‌ها که یک فضای 28 متغیره است  را تشخیص داده و همچنین توانست دگرسانی‌ها را به درستی طبقه‌بندی نماید. به صورتی که مقدار MSE  (میانگین مربعات خطا) 0163/0 به‌دست آمد که خود حاکی از کارکرد مطلوب شبکه در این امر است.
 

کلیدواژه‌ها

References

Arbogast, J. & Franklin, M., 1999- Artificial Neural Networks and high speed resitivity modeling software speed reservoir characterization, Petroleum Engineering International, 75, 2.

Beane, R. E. & Bodnar, R. J., 1995- Hydrothermal fluids and hydrothermal alteration in porphyry copper deposits. In: Wahl, P.W., Bolm, J.G. (Eds.), Porphyry Copper Deposits of the American Cordillera, Tucson, Arizona, Arizona Geological Society, Arizona, pp. 83–93.

Beane, R. E. & Titley, S. R., 1981- Porphyry copper deposits, alteration and mineralization, part II. Economic Geology 75, 235–269.

Benediksson, H., Swain, P. H. & Y Ersoy, O. K.,1990- Neural network approach versus statistical method in classification of multisource remote sensing data. IEEE Transaction on Geoscience and  remote sensing, 28, 540-551.

Burnham, C. W., 1979- Magmas and hydrothermal fluids: in Geochemistry of Hydrothermal ore deposits, H. L. Barnes, Jon Wiley & sons, Inc., p. 71- 136.

Calagari, A. A., 2004- Fluid inclusion studies in quartz veinlets in the porphyry copper deposit at Sungun, East-Azarbaidjan, Iran, Journal of Asian Earth Sciences 23, p. 179–189.

Emami, M. H., Babakhani, A. R., 1991- Studies of geology, petrology, and litho-geochemistry of Sungun Cu–Mo deposit, Iranian Ministry of Mines and Metals, p. 61.

Etminan, H., 1977- The discovery of porphyry copper–molybdenum mineralization adjacent to Sungun village in the northwest of Ahar and a proposed program for its detailed exploration. Confidential Report, Geological Report, Geological Survey of Iran, p. 26.

Guo, J. J., Luh, P. B., 2003- Selecting Input Factors for Clusters of Gaussian Radial Basis Function Networks to Improve Market Clearing Price Prediction, IEEE Trans. On Power systems Part B: Cybernetics, Vol. 18, No. 2, pp. 665-672.

Hezarkhani, A., 2006- petrology of intrusive rocks within the Sungun Porphyry Copper Deposit, Azarbaijan, Iran, Asian Earth Science’ p.p. 329-330.

Hezarkhani, A., Williams-Jones, A. E. & Gammons, C. H., 1999- Factors controlling copper solubility and chalcopyrite deposition in the Sungun porphyry copper deposit, Iran. Mineralium deposita, vol. 34, pp. 770-783.

Hezarkhani, A., Williams-Jones, A. E., 1998- Controls of alteration and mineralization in the Sungun porphyry copper deposit, Iran: Evidence from Fluid Inclusion and Stable Isotopes. Economic Geology, Vol. 93, pp. 651-670.

Ke, J., 2002- Neural network modeling of placer ore grade spatial variability: Unpublished Doctoral Dissertation, University of Alaska Fairbanks, 251 p.

Karayiannis, N. B., Weiqun, M. G., 1997- Growing Radial Basis Neural Networks: Merging Supervised and Unsupervised Learning with Network Growth Techniques IEEE Trans. on Neural Networks, Vol. 8, No. 6, pp. 1492-1506.

Koike, K., Matsuda, S., Suzuki, T. & Ohmi, M., 2002- Neural network-based estimation of principal metal contents in the Hokuroku district, Northern Japan, for exploring Kuroko-type deposits: Nat. Resour. Res., v. 11, no. 2, p. 135–156.

Leszek, R., 2004-Adaptive Probabilistic Neural Networks for pattern Classification in Time-Varying Environment, IEEE RANSACTIONS ON EURAL NETWORKS, VOL. 15, NO.4, pp. 11-827.

Menhaj, M. B., artificial intelligent, 1379- Amirkabir university of technology publication, Tehran, first edition.

Wu, X.  & Zhou, Y., 1993- Reserve estimation using neural network techniques: Comput. Geosci., v. 9, no. 4, p. 567–575.

Asghari, O. & Hezarkhani, A., 2008- The comparison between the alteration zones in the Sungun porphyry copper deposit (based on the Fluid inclusion investigations), Acta Geologica Hungarica. (in press).

Yama, B. R. & Lineberry, G. T., 1999- Artificial neural network application for a predictive task in Mining: Mining Eng., v. 51, no. 2, p. 59–64, .

Yiu, K. K., Mak, M. W. & Li, C. K., 1999-Gaussian mixture models and robabilistic decision-based neural network for pattern classification: A omparative Study”, Neural Computing and Applications 8(3): pp. 235- 45.