پژمان طهماسبی؛ اردشیر هزارخانی
چکیده
در این پژوهش، برآورد الگوریتم‌های یادگیری مختلف در شبکه عصبی برای برآورد عیار در سامانه مس پورفیری سوناجیل مقایسه شده است. هدف این پژوهش، بهینه کردن ساختار شبکه مورد استفاده و ارائه روند بهینه‌سازی ساختاری آن برای برآورد عیار مس برای شناسایی بهتر منطقه است. بر این اساس، دوازده الگوریتم یادگیری پس انتشار خطا برای این هدف بررسی ...
بیشتر
در این پژوهش، برآورد الگوریتم‌های یادگیری مختلف در شبکه عصبی برای برآورد عیار در سامانه مس پورفیری سوناجیل مقایسه شده است. هدف این پژوهش، بهینه کردن ساختار شبکه مورد استفاده و ارائه روند بهینه‌سازی ساختاری آن برای برآورد عیار مس برای شناسایی بهتر منطقه است. بر این اساس، دوازده الگوریتم یادگیری پس انتشار خطا برای این هدف بررسی شدند. نتایج مطالعه بیانگر آن است که در الگوریتم‌های مورد استفاده دو الگوریتم LM و BFG بهترین کارایی را دارند. دلایل برای نشان دادن کارایی تقریباً مساوی الگوریتم‌های یادگیری دیگر به‌صورت کمی بیان شده است. متغیرهای ورودی شبکه، موقعیت طول و عرض جغرافیایی و خروجی آن، عیار کانسار در آن مختصات است. همچنین برای به‌دست آوردن ساختار بهینه شبکه مورد نظر از شبکه‌های با تعداد لایه‌های مختلف استفاده شد که در پایان شبکه با تعداد دوازده نرون مورد استفاده قرار گرفت. برای بررسی تأثیر شکل عادی کردن داده‌ها از شکل‌های مختلف داده‌ها استفاده شد که داده‌های عادی شده در بازه ]1 0 [ نتایج بهتری داشتند. در پایان برای بهینه‌تر شدن شبکه همچنین از توابع مختلف انتقال در این شبکه استفاده شد که تابع انتقال تانژانت سیگموییدی با کمترین خطای ممکن همراه بود و این تابع به‌عنوان تابع بهینه برگزیده شد. با در نظر گرفتن شرایط بهینه مقدار R2 برای شبکه 946/0 به‌دست آمد که نویدگر استفاده از شبکه‌های عصبی با ساختار بهینه برای بهبود شرایط برآورد است.
اردشیر هزارخانی؛ پژمان طهماسبی؛ امید اصغری
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 ...
بیشتر
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.
