آمار

تعداد نشریات39
تعداد شماره‌ها1,115
تعداد مقالات8,109
تعداد مشاهده مقاله5,999,905
تعداد دریافت فایل اصل مقاله3,265,272
قزلباش, رضا, اسمعیل زاده, مسعود. (1399). الگوریتم‌های یادگیری ماشین برای تولید مدل‌های پیشگو جهت مشخص نمودن اهداف اکتشافی کانی‌سازی طلا در منطقه تخت سلیمان. پدافند الکترونیکی و سایبری, 1(4), 53-64.
رضا قزلباش; مسعود اسمعیل زاده. "الگوریتم‌های یادگیری ماشین برای تولید مدل‌های پیشگو جهت مشخص نمودن اهداف اکتشافی کانی‌سازی طلا در منطقه تخت سلیمان". پدافند الکترونیکی و سایبری, 1, 4, 1399, 53-64.
قزلباش, رضا, اسمعیل زاده, مسعود. (1399). 'الگوریتم‌های یادگیری ماشین برای تولید مدل‌های پیشگو جهت مشخص نمودن اهداف اکتشافی کانی‌سازی طلا در منطقه تخت سلیمان', پدافند الکترونیکی و سایبری, 1(4), pp. 53-64.
قزلباش, رضا, اسمعیل زاده, مسعود. الگوریتم‌های یادگیری ماشین برای تولید مدل‌های پیشگو جهت مشخص نمودن اهداف اکتشافی کانی‌سازی طلا در منطقه تخت سلیمان. پدافند الکترونیکی و سایبری, 1399; 1(4): 53-64.

الگوریتم‌های یادگیری ماشین برای تولید مدل‌های پیشگو جهت مشخص نمودن اهداف اکتشافی کانی‌سازی طلا در منطقه تخت سلیمان

علوم و فنون سازندگی
مقاله 5، دوره 1، شماره 4 - شماره پیاپی 2، اسفند 1399، صفحه 53-64    اصل مقاله (1.15 M)
نوع مقاله: مقاله پژوهشی
نویسندگان
رضا قزلباش* 1؛ مسعود اسمعیل زاده2
1کارشناس ارشد اکتشاف، موسسه امین ارومیه، هلدینگ تخصصی صنعت و معدن قرارگاه سازندگی خاتم الانبیا(ص)
2مدیر پروژه، موسسه امین ارومیه
تاریخ دریافت: 22 شهریور 1399،  تاریخ پذیرش: 23 اسفند 1399 
چکیده
تعیین فرآیندهای موثر در تشکیل کانسارهای فلزی که به عنوان کنترل کننده‌های کانی‌زایی در نظر گرفته می‌شوند، یک گام اساسی در مدل‌سازی پتانسیل معدنی می‌باشد. در این پژوهش، 5 معیار اکتشافی حاصل از داده‌های ژئوشیمیایی، ژئوفیزیکی، زمین‌شناسی، ساختاری و ماهواره‌ای مرتبط با کانی‌زایی طلای نوع اپی‌ترمال و کارلین در منطقه تخت سلیمان با هم ترکیب شدند. برای تولید نقشه ژئوشیمیایی چند عنصری، روش تحلیل مولفه های اصلی بر روی 8 عنصر انتخاب شده مرتبط با کانی‌زایی اعمال گردید و مشخص شد که عنصر طلا با عناصر ردیاب خود یعنی آرسنیک و آنتیموان ارتباط مکانی و ژنتیکی بالایی در مولفه دوم (PC2) نشان می‌دهد. سپس 10 لایه اکتشافی موثر با مقادیر پیوسته فازی بر اساس مقادیر مساحت زیر منحنی (AUC) منحنی‌های نرخ موفقیت برای تولید مدل‌های پیشگوی نواحی مستعد کانی‌زایی طلا انتخاب گردیدند. برای نیل به این هدف، دو روش نظارتی یادگیری ماشین شامل شبکه عصبی MLP و ماشین های بردار پشتیبان (SVM) با کرنل RBF بر اساس فرآیند آموزش و یادگیری مورد استفاده قرار گرفتند. نتایج نهایی بر اساس مقادیر AUC هر یک از منحنی‌های نرخ موفقیت مدل های مذکور، نشان داد که روش SVM-RBF از دقت بالاتر و عملکرد بهتر نسبت به روش شبکه عصبی MLP برخوردار می‌باشد که برای استفاده در مراحل اکتشاف تفضیلی جهت یافتن کانسارهای جدید طلا مناسب‌تر است.
کلیدواژه‌ها
مدل‌سازی پتانسیل معدنی؛ الگوریتم‌های یادگیری ماشین؛ شبکه‌های عصبی مصنوعی؛ ماشین‌های بردار پشتیبان
مراجع
] 1[ باباخانی، ع.، قلمقاش، ج.، 1380 ، برگه شماره 5394
تخت سلیمان، از سری نقشه های زمین شناسی 1:100000
ایران، انتشارات سازمان زمین شناسی و اکتشافات معدنی
کشور، تهران.##
] 2[ حسین زاده، ر.، ابراهیمی، ن.، همتیان، ح.، براتی، ب.،
1395 ، گزارش اکتشافات ژئوشیمیایی در ورقه 1:100000
تخت سلیمان، سازمان زمین شناسی و اکتشافات معدنی
کشور، تهران.##
[3] Abedi, M., Torabi, S. A., & Norouzi, G. H.
(2013). Application of fuzzy-AHP method to
integrate geophysical data in a prospect scale,
a case study: seridune copper deposit. Boll
Geofis Teor Appl, 54(2), 145-164.##
[4] Alavi, M. (1994). Tectonics of the Zagros
orogenic belt of Iran: new data and interpretations.
Tectonophysics, 229(3), 211-238.##
[5] Asadi, H. H., & Hale, M. (2001). A predictive
GIS model for mapping potential gold and
base metal mineralization in Takab area, Iran.
Computers & Geosciences, 27(8), 901-912.##
[6] Bonham-Carter, G. F. (1994). Geographic
Information Systems for geoscientists-modeling
with GIS. Computer methods in the geoscientists,
13, 398.##
[7] Bonham‐Carter, G. F., Agterberg, F. P., &
Wright, D. F. (1988). Integration of geological
datasets for gold exploration in Nova Scotia.
Digital Geologic and Geographic Information
Systems, 15-23.##
[8] Carranza, E. J. M. (2008). Geochemical
anomaly and mineral prospectivity mapping in
GIS (Vol. 11). Elsevier.##
[9] Carranza, E. J. M., & Laborte, A. G. (2015).
Random forest predictive modeling of mineral
prospectivity with small number of prospects
and data with missing values in Abra (Philippines).
Computers & Geosciences, 74, 60-70.##
[10] Chung, C. F., & Agterberg, F. P. (1980).
Regression models for estimating mineral resources
from geological map data. Mathematical
Geology, 12(5), 473-488.##
[11] Ghezelbash, R., & Maghsoudi, A. (2018b).
A hybrid AHP-VIKOR approach for prospectivity
modeling of porphyry Cu deposits in the
Varzaghan District, NW Iran. Arabian Journal
of Geosciences, 11(11), 275.##
[12] Ghezelbash, R., Maghsoudi, A., & Carranza,
E. J. M. (2019). Performance evaluation
of RBF-and SVM-based machine learning algorithms
for predictive mineral prospectivity
modeling: integration of SA multifractal model
and mineralization controls. Earth Science Informatics,
12(3), 277-293.##
[13] Ghezelbash, R., Maghsoudi, A., & Carranza,
E. J. M. (2020). Sensitivity analysis of prospectivity
modeling to evidence maps: Enhancing
success of targeting for epithermal gold,
Takab district, NW Iran. Ore Geology Reviews,
120, 103394.##
[14] Ghorbani, M. (2013). The economic geology
of Iran: mineral deposits and natural resources.
Springer Science & Business Media.##
[15] Harris, D., & Pan, G. (1999). Mineral
favorability mapping: a comparison of artificial
neural networks, logistic regression, and
discriminant analysis. Natural Resources Research,
8(2), 93-109.##
[16] Hassoun, M. H. (1995). Fundamentals of
artificial neural networks. MIT press.##
[17] Kavzoglu, T., & Colkesen, I. (2009). A
kernel functions analysis for support vector
machines for land cover classification. International
Journal of Applied Earth Observation
and Geoinformation, 11(5), 352-359.##
[18] Maghsoudi, A., Rahmani, M., & Rashidi,
B. (2005). Gold deposits and indications of
Iran.##
[19] Najafi, A., Karimpour, M. H., & Ghaderi,
M. (2014). Application of fuzzy AHP method
to IOCG prospectivity mapping: A case study
in Taherabad prospecting area, eastern Iran. International
journal of applied earth observation
and geoinformation, 33, 142-154.##
[20] Porwal, A., Carranza, E. J. M., & Hale,
M. (2003). Knowledge-driven and data-driven
fuzzy models for predictive mineral potential
mapping. Natural Resources Research, 12(1),
1-25.##
[21] Reddy, R. K. T., & Bonham-Carter, G. F.
(1991). A decision-tree approach to mineral potential
mapping in Snow Lake area, Manitoba.
Canadian Journal of Remote Sensing, 17(2),
191-200.##
[22] Rodriguez-Galiano, V., Sanchez-Castillo,
M., Chica-Olmo, M., & Chica-Rivas, M. J. O.
G. R. (2015). Machine learning predictive models
for mineral prospectivity: An evaluation
of neural networks, random forest, regression
trees and support vector machines. Ore Geology
Reviews, 71, 804-818.##
[23] Sibson, R. H. (1996). Structural permeability
of fluid-driven fault-fracture meshes. Journal
of Structural Geology, 18(8), 1031-1042.##
[24] Simpson, M. P., Mauk, J. L., & Simmons,
S. F. (2001). Hydrothermal alteration and hydrologic
evolution of the Golden Cross epithermal
Au-Ag deposit, New Zealand. Economic
Geology, 96(4), 773-796.##
[25] Sun, T., Chen, F., Zhong, L., Liu, W., &
Wang, Y. (2019). GIS-based mineral prospectivity
mapping using machine learning methods:
A case study from Tongling ore district,
eastern China. Ore Geology Reviews, 109, 26-
49.##
[26] Yousefi, M., & Carranza, E. J. M. (2015).
Fuzzification of continuous-value spatial evidence
for mineral prospectivity mapping. Computers
& Geosciences, 74, 97-109.##
[27] Zuo, R., & Carranza, E. J. M. (2011). Support
vector machine: a tool for mapping mineral
prospectivity. Computers & Geosciences,
37(12), 1967-1975.##
آمار
تعداد مشاهده مقاله: 331
تعداد دریافت فایل اصل مقاله: 389