متین فروتن؛ علی منصوریان؛ مژگان زارعی نژاد؛ محمودرضا صاحبی
چکیده
حفاری در اکتشاف معادن، فرایندی پرهزینه و زمان‌بر و با مشکلات بسیاری همراه است. از این رو تعیین نقاط حفاری در مطالعات تفصیلی اکتشاف ذخایر معدنی اهمیت ویژهای دارد است.تعیین نقاط بهینه حفاری بهمنظور کاهش هزینه و ریسک فرایند حفاری از راه در نظر گرفتن کلیه شرایط پیچیده حاکم بر شکلگیری ذخایر معدنی و تلفیق عاملهای مؤثر بر کانیسازی ...
بیشتر
حفاری در اکتشاف معادن، فرایندی پرهزینه و زمان‌بر و با مشکلات بسیاری همراه است. از این رو تعیین نقاط حفاری در مطالعات تفصیلی اکتشاف ذخایر معدنی اهمیت ویژهای دارد است.تعیین نقاط بهینه حفاری بهمنظور کاهش هزینه و ریسک فرایند حفاری از راه در نظر گرفتن کلیه شرایط پیچیده حاکم بر شکلگیری ذخایر معدنی و تلفیق عاملهای مؤثر بر کانیسازی انجام میشود.با توجه به اینکه روشهای متداول تلفیق عاملهای کانیسازی مانند روشهای همپوشانی و همپوشانی شاخص، بر دانش کارشناسی و دادههای موجود استوار است، دقت این روشها با افزایش حجم اطلاعات پردازش شده و وجود نوفه (Noise) در دادهها به نحو قابل توجهی کاهش مییابد. بنابراین برای حل مشکلات موجود، به ابزارهای قوی در پردازش حجم عظیم اطلاعات و با انعطافپذیری زیاد نیاز است. شبکههای عصبی با ساختار موازی و انعطافپذیر، توانایی بالایی در مدیریت حجم عظیم اطلاعات و استخراج الگوها از میان دادههای نوفهدار دارند. از آنجا که این شبکهها برحسب نوع توابع عملکرد ساختارهای بسیار متنوعی دارند، لازم است کارآیی هریک از این ساختارها در تعیین نقاط بهینه حفاری بررسی شود. بنابراین، در این مقاله به بررسی کارآیی چهار نوع شبکه عصبی با ساختار متفاوت شامل MLP، RBF، GRNN و PNN در تعیین نقاطحفاری ذخایر معدنی مس پورفیری در منطقه چاه فیروزه استان کرمان با بهرهگیری از روش cross correlation پرداخته شده است. به همین منظور پس از شناسایی عاملهای کانیسازی و جمعآوری دادههای مورد نیاز، نقشههای عامل در محیط GIS تهیه و بردارهای آموزشی شبکهعصبی استخراج شد و شبکههای عصبی یاد شده توسط دادههای آموزشی، آموزش داده و به وسیله نقاط آزمون و بر اساس معیار درجه مطلوبیت گمانههای اکتشافی، ارزیابی شدند. نتایج پیادهسازی این چهار نوع شبکه عصبی، نشان میدهد که در میان چهار ساختار مختلف شبکه عصبی، شبکههای GRNN و RBF از کارآیی بهتر با دقتی در حدود 80 تا 83 درصد برای مدل‌سازی مکان‌یابی نقاط بهینه حفاری دارند. با استفاده از شبکه GRNN نقشه میزان مطلوبیت برای حفاری چاههای اکتشافی تولید شده است.
