بخشی از مقاله
چکیده
استفاده از دادههای سیالات درگیر، یکی از شیوههای مرسوم در مطالعه کانسارها است.این روش پیش از اینغالباً در مطالعات زمینشناسی اقتصادی مورد توجه بوده است. در سالهای اخیر استفاده کاربردی از دادههای سیالات درگیر توجه بسیاری از محققین را به خود جلب کرده است. در این مقاله تلاش شده است تا با استفاده از تهیه مدل سهبعدی دادههای سیالات درگیر و بر اساس شرایط ترمودینامکی مساعد برای نهشت کالکوپیریت، مدل پیش گویانه کانیزایی تهیه شود.
به منظور بررسی کارایی روش پشنهادی، مطالعه موردی در کانسار مس پورفیری سونگون صورت پذیرفته است. مدل سهبعدی دادههای سیالات درگیر به روش رگرسیون بردار پیشتیبان که از جمله روشهای الگوریتم یادگیری ماشین در فرآیند تخمین است، تهیه شد. دقت مدلسازی صورت گرفته برای تخمین دادههای سیالات درگیر شامل دمای همگنی، دمای یوتکتیک و شوری سیال درگیر به ترتیب برابر 76، 71 و 93 درصد میباشد.
بر اساس شرایط ترمودینامکی مستعد نهشت کالکوپیریت در این کانسار - بازه دمایی 300 تا 400 درجه سانتیگراد و شوری متوسط تا بالا - مدل پیشگویانه تهیه شد. مقایسه مدل پیشگویانه و مدل عیار مس در کانسار مس پورفیری سونگون نشانگر تطابق بالای این دو مدل بوده و کارایی مدلسازی صورت گرفته را نشان میدهد. کلیدواژهها: سیالات درگیر، کانسار مس پورفیری سونگون، روش الگوریتم یادگیری ماشین، مدل پیشگویانه، رگرسیون بردار
مقدمه
تاکنون کاربردهای مختلفی برای مطالعات سیالات درگیر در شاخههای مختلف علمی ارائه شده است. در این میان استفاده از دادههای سیالات درگیر در اکتشاف کانسارهاجایگاه ویژهای دارد. مطالعات سیالات درگیر در سیستمهای هیدروترمال واپیترمال در خصوص منشاء سیالات و ارتباط آنها با آبهای ماگمائی و آبهای جوی نتایج با ارزشی را در مورد مکان تشکیل زونهای دگرسانی، محل کانیزایی و خصوصیات شیمی- فیزیکی محیط تشکیل کانسار ارائه کرده است. از این رو مطالعات سیالات درگیر در این سیستمها از اهمیت بالائی برخوردار است.
مطالعات انجام شده در زمینه مدلسازی دادههای سیالات درگیر را میتوان در سه دسته اصلی تقسیم بندی نمود:
- 1 مدلسازی شیمی- فیزیکی دادههای سیالات درگیر،
- 2 مدلسازی زونهای دگرسانی بر اساس دادههای سیالات درگیر و
- 3 مدلسازی سهبعدی دادههای سیالات درگیر.
عمده مطالعات صورت گرفته در زمینه مدلسازی دادههای سیالات درگیر را میتوان مربوط به دسته اول دانست زیرا :
- 1 دامنه مطالعات صورت گرفته در این زمینه بسیار گسترده بوده و شروع این مطالعات را میتوان به پیش از سال 1900 میلادی مربوط دانست
- 2 به دلیل شرایط مختلف سیستمهای ترمودینامیکی مرتبط با سیالات درگیر، این نوع مدلسازی بر روی گونههای مختلف کانیسازی همچون کانسارهای مس پورفیری - - Rusk et al., 2004 ; Hezarkhani , 2009، اپی ترمال - Canet et al., 2011 - ، پلیمتالیکی - Zhang et al., 2007 - و ذخایر هیدروکربنی - Thiery, 2006 - صورت گرفته است.
اصلیترین روش تشخیص و مدل-سازی دگرسانیها، مطالعات پتروگرافی و مینرالوگرافی است و به عبارت دیگر از روی شواهد مستقیم و بر اساس شناسایی کانیهای شاخص، اقدام به تشخیص و تفکیک دگرسانیها می شود. تاکنون مطالعات محدودی در زمینه مدلسازی غیرمستقیم زونهای دگرسانی صورت گرفته است.
در این مطالعات بر اساس شواهد غیرمستقیم - پارامترهای به دست آمده از مطالعات سیالات درگیر و یا ژئوشیمی سنگ و با استفاده از روشهای مدلسازی عددی - همچون روش شبکه عصبی ، ماشینهای بردار پشتیبان ، آنالیز مؤلفههای اصلی و آنالیز تفکیکی اقدام به تفکیک و جداسازی زونهای دگرسانی شده است. از آنجا که شناسایی زونهای دگرسانی به عنوان یکی از پارمترهای کنترل کننده عیار، فرآیندی کلیدی در اکتشافات مقدماتی و تفصیلی کانسارهای پورفیری محسوب میشود
امروزه با توجه به توسعه صورت گرفته در علوم کامپیوتر، روشهای نوینی برای تخمین ارائه شده است که از این بین میتوان به الگوریتمهای یادگیری ماشین اشاره نمود. این الگوریتمهای یادگیری، رابطهای را که به طور ذاتی در بین دادهها وجود دارد از روی نمونههایی که در دسترس الگوریتم قرار داده میشود، یاد میگیرند. از جمله روشهایی که در زمینه یادگیری ماشین به نحو مطلوبی بکار گرفته میشود، روش ماشین بردار پشتیبان است.
در این مقاله، از روش ماشین بردار پشتیبان به عنوان یکی از روشهای مبتنی بر الگوریتمهای یادگیری ماشین برای مدل سازی سه بعدی و تخمین پارامترهای سیالات درگیر همچون دمای همگنی، دمای یوتکتیک و شوری استفاده شده است. بر اساس مدلهای سه بعدی حاصله برای دادههای سیالات درگیر و همچنین در نظر گرفتن شرایط ترمودینامیکی مناسب برای نهشت کلاکوپیریت، اقدام به تهیه مدلهای پیشگویانه شده است. از مقایسه مدلهای پیشگویانه با مدل سهبعدی عیار مس که بر اساس دادههای برداشت شده از گمانههای تکمیلی به دست آمده است، مشخص گردید که در مراحل اولیه اکتشاف میتوان از مدل پیشگویانه برای هدایت فرآیند اکتشاف استفاده نمود.
منطقه مورد مطالعه
کانسار مس پورفیری سونگون در کمربند آذرین سنوزوئیک سهند - بزمان که بخشی از نوار پورفیری مسدار شرقی جهان محسوب می شود، قرار گرفته است - . - Lescuyer et al., 1978 این کانسار به لحاظ ابعاد و بزرگی با ذخیرهای بیش از 500 میلیون تن کانسنگ با عیار حد 0/25 درصد به عنوان یک کانسار در مقیاس جهانی شناخته می شود
سیالات درگیر در کانسار مس پورفیری سونگون را میتوان بر اساس تعداد، ماهیت، و سهم فازهای موجود در دمای اتاق به سه دسته اصلی LV - 1 - حاوی مایع + بخار ± فازهای جامد - ، VL - 2 دارای بخار + مایع ± فازهای جامد و - LVHS - 3 که چند فازی بوده و دارای مایع + بخار + هالیت + سایر جامدات هستند - دسته بندی میشوند. البته سیالات درگیر LVHS بر اساس تعداد و نوع جامدات به سه زیر گروه - S1,S2,S3 - تقسیم میشوند
همچنین سیالات درگیر را می توان بر اساس منشاء تشکیل و نیز ارتباط با زون های دگرسانی و کانی سازی به سه جامعه اصلی سیالات درگیر I - سیالات درگیرLVHS1 و LVHS2 و - VL، II - سیالات درگیر LVHS3 و - VL و III - سیالات درگیر نوع - LV طبقه بندی کرد
مواد و روشها
روش رگرسیون بردار پشتیبان روش رگرسیون بردار پشتیبان که بر مبنای تئوری یادگیری آماری و مینیمم کردن ریسک ساختاری استوار است
نخستین بار توسط وپنیک در دهه 90 میلادی معرفی شد - . - Zhen-yuan et al., 2011 در واقع رگرسیون بردار پشتیبان نوعی از ماشینهای بردار پشتیبان است و به منظور تخمین در مسائل مختلف کاربرد دارد. این روش شامل الگوریتمهای آموزشی بوده و بر مبنای روش ماشینهای بردار پشتیبان طبقهبندی کننده ایجاد شده و نسبت به این روش کاملتر است. در یک مدل رگرسیونی لازم است وابستگی تابعی متغیر وابسته y از روی مجموعهای از متغیرهای مستقل x تخمین زده شود
بر اساس این روش برای مجموعه آموزش تابع غیر خطی را خواهیم داشت که در واقع نگاشت مجموعه دادهها از فضای ورودی به فضای ویژگی با ابعاد بیشتر - حتی نامتناهی - را میسر میسازد. بنابراین تابع رگرسیون در فضای ویژگی را میتوان به شکل زیر تعریف کرد :
که در آن w بردار وزن و b مقدار بایاس میباشد. همچنین در این گونه مسائل به دنبال تابع زیان هستیم. این تابع میبایست نسبت به تغییرات کوچک در مدل حساس نباشد و مدل رگرسیونی را به خوبی توسعه دهد. تابع مورد نظر تحت عنوان تابع زیان -غیرحساس - -insensitive Loss Function - شناخته میشود. بنابراین حل تابع f میتواند به شکل مسئله درجه دوم زیر بیان شود
با معرفی ضرایب لاگرانژ و استفاده از تابع کرنل بجای ضرب داخلی عملگرها در فضای ویژگی، مسئله بهینهسازی در رابطه فوق را میتوان به شکل مسئله دوگان زیر نوشت
