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.
