برآورد ذخیره کانسار فسفات اسفوردی با استفاده از روش‌های زمین‌آماری و شبکه عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

گروه مهندسی معدن، دانشگاه تربیت مدرس، تهران، ایران

چکیده

ارزیابی ذخیره کانسارها یکی از مهم‌ترین پارامترهای لازم برای طراحی معدن بوده و روش‌های متعددی در این خصوص توسعه یافته است. علاوه بر روش‌های تحلیلی زمین‌آماری، روش‌های هوش مصنوعی مانند شبکه‌های عصبی برای برآورد ذخیره بسیار مناسب تشخیص داده شده‌اند. در این تحقیق مدل هندسی و بلوکی کانسار فسفات اسفوردی تهیه و میزان ذخیره برآورد شده است. مدل بلوکی محتوی حدود 100 هزار بلوک با ابعاد 5 × 25 × 25 است. برای برآورد عیار هر بلوک، از روش تحلیل زمین‌آماری و شبکه‌های عصبی استفاده شد. به منظور برآورد زمین‌آماری، روش کریجینگ معمولی مورد استفاده قرار گرفت. در روش شبکه عصبی یک شبکه چند لایه پرسپترون به‌کار گرفته شده و برای آموزش شبکه از روش آموزش  LMاستفاده شد. میزان ذخیره برای دامنه مناسبی از عیار حد برآورد شده است. با در نظرگرفتن عیار حد 6 درصد، میزان ذخیره 5/16 میلیون تن با عیار میانگین 44/11 درصد و 5/17 میلیون تن با عیار میانگین 83/11 درصد به ترتیب به کمک روش زمین‌آماری و روش شبکه‌های عصبی محاسبه شد. نتایج مشابه بوده و اختلافی کمتر از 6% دارند. مدل‌سازی و برآورد انجام شده، مبنای لازم را برای اصلاح طرح استخراجی فعلی معدن فسفات اسفوردی با هدف استخراج انتخابی تا تراز 1720 فراهم می‌نماید.

کلیدواژه‌ها


حسنی پاک، ع.ا ،1380- تحلیل داده‌های اکتشافی، انتشارات دانشگاه تهرن.
 حسنی پاک، ع.ا ،1377- زمین آمار(ژئواستاتیستیک)، انتشارات دانشگاه تهران.
 منهاج، م.ب ،1381- مبانی شبکه‌های عصبی(هوش محاسباتی- جلد اول)، انتشارات دانشگاه امیرکبیر.
هارتمن، هوارد ال ، 1381- اصول مهندسی معدن، ترجمه مهدی یاوری، امنتشارات دانشگاه صنایع و معادن.
 
 
 
References
Coombes, J., 2002- Handy hints for variography, Snowden Associates Ltd.
David, M., 1982- Geostatistical ore reserve estimation, Elsevier Scientific Publishing Co.
Katsuaki Koike et al., 2001-Neural network-Based estimation of principal metal contents in the Hokuroku District, Northern Japan , Natural Resources Research, Vol. 11, No. 2.
Matias, J. M. et al., 2004-Comparison of Kriging and Neural networks with application to the exploitation of a Slate mine, Mathematical Geology, Vol. 36, No. 4.
Samanta, B. et al., 2005- An application of Neural networks to gold grade estimation in Nome Placer Deposit,”Journal of South African Inst. Mine, Metal, Vol. 105, pp. 237-246