%0 Journal Article %T مرزبندی زون‌های دگرسانی پتاسیک و فیلیک بر اساس نتایج حاصل از مدل سازی سه‌بعدی داده های سیالات درگیر به روش شبکه‌های عصبی مصنوعی %J فصلنامه علمی علوم زمین %I سازمان زمین شناسی و اکتشافات معدنی کشور %Z 1023-7429 %A عباس زاده, ملیحه %A هزارخانی, اردشیر %A سلطانی محمدی, سعید %D 2019 %\ 11/22/2019 %V 29 %N 113 %P 115-122 %! مرزبندی زون‌های دگرسانی پتاسیک و فیلیک بر اساس نتایج حاصل از مدل سازی سه‌بعدی داده های سیالات درگیر به روش شبکه‌های عصبی مصنوعی %K میانبارهای سیال %K الگوریتم یادگیری ماشین %K روش شبکه های عصبی مصنوعی %K زون های دگرسانی %K کانسار مس پورفیری سونگون %R 10.22071/gsj.2018.104239.1301 %X امروزه یکی از روش‌های متداول در اکتشاف کانسارها، مطالعات زمین­شناسی اقتصادی است. مدل‌سازی داده­های میانبارهای سیال یکی از روش­های متداول در مطالعات زمین­شناسی اقتصادی به شمار می­رود. در این مطالعه از روش شبکه‌های عصبی مصنوعی به عنوان یکی از روش‌های الگوریتم یادگیری ماشین به منظور مدل‌سازی سه‌بعدی داده‌های میانبارهای سیال در کانسار مس پورفیری سونگون و کاربردی کردن نتایج حاصل از آنالیز میانبارهای سیال استفاده شده است. به این منظور داده‌های حاصل از مطالعات میانبارهای سیال مستقیماً جهت تفکیک زون‌های دگرسانی مرتبط با کانی‌زایی (پتاسیک، فیلیک و پتاسیک- فیلیک) در منطقه مورد مطالعه استفاده شده است. با توجه به ارتباطی که بین زون‌های دگرسانی و نیز مناطق مستعد کانی‌سازی در کانسارهای پورفیری وجود دارد، بر اساس 173 داده میانبارهای سیال موجود، تفکیک زون‌های دگرسانی در محدوده کانسار مس پورفیری سونگون بر اساس مدل سه‌بعدی حاصل از مطالعات میانبارهای سیال با استفاده از روش شبکه‎های عصبی مصنوعی صورت گرفت. بر اساس دقت نتایج حاصل از آزمایش مدل، می‌توان نتیجه گرفت که دقت مدل شبکه عصبی به کار گرفته شده در تفکیک زون‌های دگرسانی پتاسیک، فیلیک و پتاسیک- فیلیک در حدود 83 درصد بوده و مدل به کار گرفته شده به نحو مناسبی توانایی تفکیک زون‌های دگرسانی مرتبط با کانی­سازی را در محدوده کانسار مس پورفیری سونگون داشته است. امروزه یکی از روش‌های متداول در اکتشاف کانسارها، مطالعات زمین­شناسی اقتصادی است. مدل‌سازی داده­های میانبارهای سیال یکی از روش­های متداول در مطالعات زمین­شناسی اقتصادی به شمار می­رود. در این مطالعه از روش شبکه‌های عصبی مصنوعی به عنوان یکی از روش‌های الگوریتم یادگیری ماشین به منظور مدل‌سازی سه‌بعدی داده‌های میانبارهای سیال در کانسار مس پورفیری سونگون و کاربردی کردن نتایج حاصل از آنالیز میانبارهای سیال استفاده شده است. به این منظور داده‌های حاصل از مطالعات میانبارهای سیال مستقیماً جهت تفکیک زون‌های دگرسانی مرتبط با کانی‌زایی (پتاسیک، فیلیک و پتاسیک- فیلیک) در منطقه مورد مطالعه استفاده شده است. با توجه به ارتباطی که بین زون‌های دگرسانی و نیز مناطق مستعد کانی‌سازی در کانسارهای پورفیری وجود دارد، بر اساس 173 داده میانبارهای سیال موجود، تفکیک زون‌های دگرسانی در محدوده کانسار مس پورفیری سونگون بر اساس مدل سه‌بعدی حاصل از مطالعات میانبارهای سیال با استفاده از روش شبکه‎های عصبی مصنوعی صورت گرفت. بر اساس دقت نتایج حاصل از آزمایش مدل، می‌توان نتیجه گرفت که دقت مدل شبکه عصبی به کار گرفته شده در تفکیک زون‌های دگرسانی پتاسیک، فیلیک و پتاسیک- فیلیک در حدود 83 درصد بوده و مدل به کار گرفته شده به نحو مناسبی توانایی تفکیک زون‌های دگرسانی مرتبط با کانی­سازی را در محدوده کانسار مس پورفیری سونگون داشته است. %U http://www.gsjournal.ir/article_96780_342918013251356d803e33bd63d84abd.pdf