بخشی از مقاله
چکیده
عیار یکی از مهمترین پارامترهای فنی یک کانسار است. تخمین این پارامتر یکی از مراحل کلیدی در ارزیابی و بررسیهای فنی و اقتصادی یک معدن است. مقادیر عیار تأثیر قابل توجهی بر روی میزان ذخیره قابل استخراج، فروش ماده معدنی، فراوری و ارزیابی اقتصادی یک کانسار دارد. بنابراین بکار بردن روشهایی که این مقادیر را با دقت بالایی تخمین بزند ضروری است. در مقاله حاضر از تکنیک شبکه عصبی برای تخمین عیار یک کانسار واقع در شرق ایران استفاده شده است. برای این منظور از اطلاعات گمانهها که در کانسار حفاری گردیده است استفاده شده است. نمونههای برداشت شده پس از حفاری برای عناصر مختلف مورد آنالیز قرار گرفتند. در این پژوهش برنامهای برای تخمین عیار کانسار بر اساس شبکه عصبی پرسپترون نوشته شده است. نتایج حاصله بیانگر توانایی شبکه عصبی جهت تخمین عیار نقاط است.
مقدمه
شبکههای عصبی مصنوعی از مباحث جدیدی است که دانشمندان علوم کامپیوتر به آن علاقهمند شدهاند و برای پیشرفت هرچه بیشتر این علوم وقت صرف کردهاند. این موضوع با ایده گرفتن از سیستم عصبی بدن انسان و با هدف شبیهسازی هرچه بیشتر کامپیوتر به انسان شکل گرفت و تا به حال به خوبی پیش رفته است. هر شبکهی عصبی شامل سه مرحله آموزش تعمیم واجرا میباشد. یکی از نقاط ضعف شبکههای عصبی این است که نتیجه آموزش یعنی اوزان داخلی، هیچگونه تصویر روشنی از اعتبار جوابهای مشابه بدست نمی دهد. با این وجود جوابهای شبکه در اغلب موارد صحیح است و با شرایط کمی حاکم بر محیط سازگاری دارد. شبکههای عصبی امروزه در بسیاری از مسائلی که حل آنها برای کامپیوترهای متداول و بشر مشکل است شامل تشخیص الگو، شناسایی، طبقهبندی و خوشهبندی مورد استفاده قرار میگیرند. مهمترین ویژگی شبکههای عصبی، غیرخطی بودن و قابلیت حذف نویز میباشد.
شبکههای عصبی نیاز به دستوراتکاملاً صریح و مشخص و مدلهای ریاضی محض ندارند. از آنجا که در مسائل معدنی، همواره الگوی موجود بین دادهها پیچیده و غیر خطی است، لذا شبکههای عصبی و مصنوعی، میتوانند تکنیک مؤثری برای حل این مسأله به شمار آیند یکی از کاربردهای شبکه عصبی در مسائل علوم زمین، تخمین ذخایر معدنی می باشد. در مسأله تخمین ذخیره توسط شبکه عصبی، در حقیقت الگوی بین مختصات - ورودی شبکه - و عیار در آن مختصات - خروجی شبکه - توسط شبکه یادگرفته میشود. سپس به ازای هر مختصات جدید ارائه شده به شبکه عصبی آموزش دیده، خروجی متناظر که عیار تخمینی در آن مختصات می باشد، بدست میآید .
ساختار شبکههای عصبی مصنوعی
ساختار شبکه های عصبی از واحدهای پردازشگر - نرونها - تشکیل شده که وظیفه سازماندهی را به عهده دارند. این نرون ها می تواند با یکدیگر ترکیب شده و تشکیل لایه را دهند. این ورودی ها با یکدیگر ترکیب شده و پس از انجام عملیات پردازش، یک خروجی را ارائه می دهند. اولین لایه، لایه ورودی می باشد که در پردازش هیچ نقشی ایفا نمی کند - البته برخی آن را لایه محسوب کرده و نام لایه ورودی را به آن می دهند ولی برخی متخصصین دیگر آن را به عنوان لایه محسوب نکرده و آن را بردار ورودی اطلاق می کنند وصرفاً ورود یها به این بخش وارد می شوند که از طریق روابط موجود به درون لایه های بعدی فرستاده می شوند تا مورد پردازش قرار گیرند. لایه انتهایی، لایه خروجی شبکه نامیده میشود.
در این لایه نتایج حاصل از شبکه به دست میآید و خروجی مدل را معرفی میکند. تعداد نرون-های موجود در این لایه با توجه به اهداف شبکه تعیین میگردد. لایه ای که بین لایه ورودی وخروجی قرار میگیرد لایه پنهان نامیده میشود این لایه بر خلاف دو لایه دیگر هیچ مفهومی را نشان نمیدهد و صرفا یک نتیجه میانی در فرایند محاسبه ارزش خروجی میباشد. محققین از روابط مختلفی برای تعیین تعداد نرونها استفاده میکنند ولی هیچکدام از روابط برای تمام مسائل کاربرد ندارند وبهترین روش روش سعی و خطا میباشد.
مدل ریاضی سلول عصبی
نرون کوچکترین واحد پردازشگر اطلاعات شبکه میباشد. نرون هر تعداد از ورود یها را دریافت کرده و سینگال خروجی را تولید میکند. نرون شامل یک تابع ورودی یا تابع جمعبندی می باشد که نتیجه حاصل از آن به عنوان منبع تغذیه تابع انتقال یا تابع تحریک به حساب می آید. وظیفه تابع جمع بندی این است که تمامی ورودی ها را با یکدیگر ترکیب کرده و یک عدد تولید کند. این تابع بدین صورت عمل کرده که هر ورودی را در وزن متناظرش ضرب کرده و سپس با یکدیگر جمع میکند. به مجموع حاصل مجموع وزندار گفته می شود که یکی از متداولترین توابع جمع بندی می باشد. عدد حاصل از تابع جمع بندی به تابع تحریک فرستاده میشود که تابع جمعبندی را به خروجی تبدیل میکند .
اگرp به عنوان بردار ورودی و a بردار خروجی در نظرگرفته شوند، میزان تأثیر p روی a بو سیله مقدار اسکالر w - وزن متناظر برای هر ورودی - تعیین می شود. ورودی دیگر که مقدار ثابت یک است در جمله بایاس b ضرب شده و سپس با wb جمع می شود، این حاصل جمع، ورودی خالص n برای تابع تحریک f خواهد بود نقش بایاس افزایش یا کاهش مجموع وزندار است رابطه خروجی -ورودی نرون به صورت زیر بیان می شود: در مقایسه با یک نرون بیولوژیکی، w معادل شدت سیناپس، مجموعه جمع کننده و تابع محرک معادل هسته سلول وa معادل سیگنال گذرنده از اکسون خواهد بود. چنانچه ورودی سلول jام واقع در لایه ورودی xj نامیده شود، این ورودی برای اتصال به سلول kام لایه بعد در وزن wkj ضرب میشود .حرف k در اندیس wkj نشاندهنده شماره سلول در لایه بعد و حرف اندیس دوم - یعنی - jمعرف شماره سلول قبلی است. بایاس bk مربوط به سلول kام است. ورودی خالص از رابطهی زیر به دست میآید:
