ارائه روشی برای بهینه‌سازی شبکه عصبی برای برآورد عیار با استفاده از اطلاعات سیستم مس پورفیری سوناجیل- اهر

نوع مقاله : مقاله پژوهشی

نویسندگان

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

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 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.

کلیدواژه‌ها


References
Andrew, F. W., Anthony, J. H. & AndrewWare, J., 2007- Two Supervised Neural Networks for Classification of Sedimentary Organic Matter Images from Palynological Preparations, Math Geol, 39: 657–671.
Cybenko, G., 1989- Approximation by superpositions of a sigmoidal function. Mathematics of Control, Signals, and Systems, 2(4), 303.
Exploration of Sonajil copper deposit, Iranian company of copper, northwestern report exploration, 1380-1382.
Funahashi,  K. I., 1989- On the approximate realization of continuous mappings by neural networks. Neural Networks, 2(3), 193.
Gallagher, M. R., 1999-  Multi-layer perceptron error surfaces: Visualization, structure and modeling: Unpublished PhD dissertation, University of Queensland, 225 p.
Hartman, E. J., Keeler, J. D. & Kowalski, J. M., 1990- Layered neural networks with Gaussian hidden units as universal approximations. Neural Computation, 2(2), 210.
Hassanipak, A. A. & Sharafeddin, M., 2005- Exploration data analysis, Tehran university press, p303.
Hezarkhani, A. & Ghayouri, K., 2007- Ore Forming Fluid geochemistry Investigations on Sonajil Porphyry Stock, Azarbaijan-Iran, Based on Fluid Inclusion Microthermometry. Amirkabir Journal of Science and Technology.
Hezarkhani, A., 2003- Exploration of Sonajil copper deposit, Iranian company of copper, northwestern report exploration.
Hezarkhani, A., 2007- Hydrothermal Evolution in Sonajil Porphyry Copper System (East Azarbaijan Province, Iran): The History of an Uneconomic Deposit. Journal of IGR, Stanford-USA.
Hornik, K., Stinchcombe, M. & White, H., 1989- Multilayer feedforward networks are universal approximators. Neural Networks, 2(5), 359.
Koike, K. & Matsuda, S., 2003- Characterizing content distributions of impurities in A limestone mine using a feed forward neural network: Nat. Resour. Res., 12, 3: 209–223.
Koike, K., Matsuda, S. & Gu, B., 2001- Evaluation of interpolation accuracy of neural kriging with application to temperature-distribution analysis: Math. Geol., 33, 4: 421–448.
Krose, B. & Smagt, P.,1996- An introduction to neural networks, eighth edition, November, Amsterdam.
Lacassie, J. P., Roser, B. P., Ruiz-del-Solar, J. & Herv´e, F., 2004- Visualization of geochemical datasets by using neural networks: a novel perspective for sedimentary provenance analysis: Sedimentary Geol., 165, 1: 175–191.
Lacassie, J. P., Solar, J. R., Roser, B. & Herve, F., 2006- Visualization of Volcanic Rock Geochemical Data and Classification with Artificial Neural Networks, Mathematical Geology, 38, 6.
Matıas, J. M., Vaamonde, A., Taboada, J. & Gonz´alez-Manteiga, W., 2004- Comparison of Kriging and Neural Networks With Application to the Exploitation of a Slate Mine, Mathematical Geology, 36, 4.
Rizzo, D. M. & Dougherty, D. E., 1994- Characterization of aquifer properties using artificial neural networks: Neural kriging: Water Resour. Res., 30, 2: 483–497.
Samanta, B., Bandopadhyay, S. &  Ganguli, R., 2004- Data segmentation and genetic algorithms for sparse data division in Nome placer gold grade estimation using neural network and geostatistics: Mining Exploration Geol., 11, 1–4: 69–76.
Samanta, B., Ganguli, R. & Bandopadhyay, S., 2005- Comparing the predictive performance of neural networks with ordinary kriging in a bauxite deposit: Transactions of Institute of Mining and Metallury, 114:129–139
Shang, Yi. &  Wah, B. W., 1996- Global optimization for neural network training: IEEE Comput., 29, 3:45–54.
Singer, D. A., &  Kouda, R., 1996- Application of a feed forward neural network in the search for Kuroko deposits in the Hokuroku district, Japan: Math. Geol., 28, 8:1017–1023.
Singer, D. A., 2006- Typing mineral deposits using their associated rocks and grades and tonnages in a probabilistic neural network. Math Geol 38(4):465–475.
Weller, A. F., Corcoran, J., Harris, A. J. & Ware, J. A., 2005- The semi-automated classification of sedimentary organic matter in palynological preparations. Comput Geosci 31(10):1213–1223.
Weller, A. F., Harris, A. J., Ware, J. A. & Jarvis, P. S., 2006-  Determining the saliency of feature measurements obtained from images of sedimentary organic matter for use in its classification. Comput Geosci 32(9):1357–1367.
Wu, X. & Zhou, Y., 1993- Reserve estimation using neural network techniques: Comput. Geosci., 19, 4:567–575.
Yama, B. R. & Lineberry, G. T., 1999- Artificial neural network application for a predictive task in Mining: Mining Eng., 51, 2:59–64.