آمار
| تعداد نشریات | 36 |
| تعداد شماره‌ها | 1,192 |
| تعداد مقالات | 8,579 |
| تعداد مشاهده مقاله | 6,988,717 |
| تعداد دریافت فایل اصل مقاله | 4,032,573 |
مدل سازی توزیع کانه زایی در عمق کانسار با استفاده از داده های سطحی در نواحی فاقد حفاری در محدوده اکتشافی کال کافی، استان اصفهان | ||
| علوم و فنون سازندگی | ||
| دوره 4، شماره 2 - شماره پیاپی 12، تیر 1402 | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| سعید اسماعیل اوغلی* 1؛ بهنام تقوی2 | ||
| 1صنعتی اصفهان | ||
| 2دانشجوی دکتری، گروه معدن، دانشکده فنی و مهندسی، دانشگاه ارومیه، ارومیه، ایران | ||
| تاریخ دریافت: 09 مهر 1402، تاریخ بازنگری: 14 آبان 1402، تاریخ پذیرش: 23 خرداد 1403 | ||
| چکیده | ||
| پیش‌بینی نواحی امیدبخش کانه‌زایی زیرسطحی و تعیین اولویت‌های عملیاتی جهت مطالعات تفصیلی، اهدافی کلیدی در مهندسی اکتشاف مواد معدنی هستند. سیستم متالوژنیک کال‌کافی در شمال‌شرق استان اصفهان و در محدوده شرقی بخش انارک، از توابع شهرستان نائین واقع شده است. در این محدوده، فرآیندهای هیدروترمال کانه‌ساز منجر به پیدایش کانه‌زایی طلای پلی‌متال در تیپ‌های رگه‌ای شده است. علی‌رغم این که بخش‌هایی از منطقه مطالعاتی تحت حفاری قرار گرفته‌اند، اما سایر نواحی همچنان نیازمند مطالعات تفصیلی جهت طراحی اکتشافات عمیق هستند. لذا این پژوهش با هدف استفاده از داده‌های اکتشافی سطح زمین برای مدل‌سازی الگوی کانه‌زایی زیرسطحی در نواحی فاقد حفاری اجرا شده است. راهکار پیشنهاد شده برای حل این مسئله، استفاده از تکنولوژی‌های نوین پردازش داده برای آموزش شبکه‌های یادگیری ماشین به منظور بازشناسی الگوی کانه‌زایی زیرسطحی است. در این رویکرد، با تولید داده‌های آموزشی در نقاط حفاری و با استفاده از مدل‌های یادگیری ماشین، ارتباطات آماری خطی یا غیرخطی میان داده‌های عمق (عیارهای طلای ثبت شده در حفاری‌ها) و سطح زمین (اطلاعات اکتشافی پیشگوی کانه‌زایی) استخراج شده و توابع طبقه‌بندی حاصل به داده‌های اکتشافی در مناطق فاقد حفاری اعمال می‌شوند تا الگوهای کانه‌زایی طلا در نواحی عمیق محدوده مطالعاتی حاصل شوند. نقشه‌های پتانسیل کانه‌زایی حاصل از مدل‌های یادگیری مختلف با یکدیگر تلفیق شده و الگوی اکتشافی نهایی را جهت تعریف اهداف اکتشافی جدید تولید می‌کنند. مدل‌سازی توزیع فضایی احتمالات کانه‌زایی و عدم قطعیت‌های وابسته به آن توانسته است بینش کاربردی کارآمدی جهت مدیریت و طراحی بهینه اکتشافات آتی در محدوده کال‌کافی به ارمغان آورد. | ||
| کلیدواژه‌ها | ||
| اکتشاف معدن؛ کانه زایی؛ هوش مصنوعی؛ حفاری؛ کال کافی | ||
| عنوان مقاله [English] | ||
| Modeling deep mineralization using surface exploration data of undrilled regions in Kal-e-Kafi prospect area, Isfahan Province | ||
| نویسندگان [English] | ||
| Saeed Esmaeel Ogli1؛ Behnam Taghavi2 | ||
| 1Isfahan University of Technology | ||
| 2PhD. Student, Mining Engineering dep. Urmia University, Urmia. Iran | ||
| چکیده [English] | ||
| Prediction of prospective subsurface mineralization areas and determining operational priorities for detailed studies are key goals in mineral exploration engineering. Kal-e-Kafi metallogenic system is located in the north-east of Isfahan province and in the eastern border of Anark district, Naein city. In this region, hydrothermal ore-forming processes have led to the emergence of polymetallic gold mineralization in vein types. Although parts of the study area have been drilled, other areas still need detailed studies to design deep explorations. Therefore, this research has been carried out with the aim of using exploration data of the earth's surface to model the pattern of subsurface mineralization in areas without drilling. The proposed solution to solve this is to use new data processing technologies to train machine learning networks in order to recognize subsurface mineralization patterns. In this approach, by producing training data in drilling points and using machine learning models, linear or non-linear statistical relationships between depth data (gold grades recorded in drilling) and surface data (predictive exploration information) are extracted and classification functions are applied to exploration data in undrilled areas in order to obtain patterns of gold mineralization in the deep areas of the study area. Mineralization potential maps from different learning models are combined with each other and produce the final exploration model to define new exploration targets. Spatial distribution modeling of mineralization probabilities and uncertainties related to it has been able to bring efficient practical insight for the management and optimal design of future discoveries within the Kal-e-Kafi area. | ||
| کلیدواژه‌ها [English] | ||
| Mineral exploration, Mineralization, Artificial intelligence, Drilling, Kal-e-Kafi | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 27 |
||