بخشی از مقاله
چکیده:
حفاری در اکتشاف معادن،پروسهای پرهزینه و زمانبر بوده و با مشکلات بسیاری همراه است.از اینرو تعیین نقاط حفاری در مطالعات تفصیلی اکتشاف ذخایر معدنی، که از طریق در نظر گرفتن کلیه شرایط پیچیده حاکم بر شکل-گیری ذخایر معدنی و تلفیق فاکتورهای موثر بر کانیسازی انجام میشود، از اهمیت ویژهای برخوردار است .با توجه به اینکه روشهای متداول تلفیق فاکتورهای کانیسازی مانند روش های همپوشانی ،بر دانش کارشناسی استوار است، دقت این روش ها با افزایش حجم اطلاعات پردازش شده و وجود نویز در دادهها به نحو قابل توجهی کاهش مییابد.
لذا برای حل مشکلات موجودبه ابزارهای قوی در پردازش حجم عظیم اطلاعات و باانعطاف پذیری زیاد نیاز است. شبکه-های عصبی با ساختار موازی و انعطافپذیر، از توانایی بالایی در مدیریت جحم عظیم اطلاعات واستخراج الگوها از میان دادههای نویزدار برخوردارند. لذا شبکههای عصبی میتوانند جهت شناسایی نقاط مناسب برای حفاری مورد استفاده قرار گیرند. بنابراین در این مقاله به تهیه نقشه های نقاط بهینه حفاری ذخایر مسپورفیری به وسیله دو نوع شبکه عصبی RBF و GRNN بابهره گیری از روش cross correlation و ارزیابی این نقشهها بر اساس گمانه های اکتشافی حفرشده در منطقه نوچون استان کرمان پرداخته شده است . نتایج ارزیابی نقشههای تهیه شده توسط این دو نوع شبکه عصبی، نشان میدهد که شبکه عصبی GRNN از کارآیی بهتر با دقتی در حدود ۱۷ درصد برای مدلسازی مکانیابی نقاط بهینه حفاری برخوردار است.
۱- مقدمه
یکی از نیازهای اساسی مطالعات تفصیلی مواد معدنی، وجود مدلی برای تعیین نقاط بهینه حفاری است؛ که نه تنها میتواند منجر به کاهش هزینه ها گردد، بلکه مدلسازی شکل و موقعیت توده های معدنی را نیز تسهیل مینماید. تعیین نقاط بهینه حفاری دربردارنده تلفیق فاکتورهای موثر بر کانیسازی و استخراج الگوهای صحیح نحوه شکلگیری ذخایر معدنی از میان اطلاعات زمینشناسی، ﮊئوفیزیک و ﮊئوشیمی میباشد. ارتباط میان این اطلاعات و شکلگیری ذخایر آنقدر پیچیده است که امکان دستیابی به آن از طریق تقریبزنهای خطی وجود ندارد. از طرف دیگر وجود اطلاعات جامع زمینی،حجم عظیمی از دادهها را به وجود میآورند که بدون در اختیار داشتن ابزارهای مناسب پردازش و مدیریت دادهها نمیتوان به نتایج مناسبی برای تعیین مکانهای بهینه نقاط حفاری دست یافت.
شبکه های عصبی از توانایی بالایی در استخراج الگوها از میان دادهها و همچنین حل مسائل پیچیده با ماهیت طبیعی برخوردار هستند. این شبکه ها قادرند با مدیریت حجم عظیم داده های ورودی و پردازش آنها، تحلیل درستی از ارتباط میان آنها و شواهد زمینی را استخراج نموده و الگوها را تشخیص دهند.[3] بنابراین شبکه های عصبی با قابلیتهای فوق، میتوانند به عنوان روشی قابل اعتماد درتعیین نقاط بهینه حفاری مورد استفاده قرار گیرند.
در زمینه استفاده از شبکه های عصبی در مطالعات معدنی تاکنون تحقیقات مختلفی صورت پذیرفته است. سینگر و همکاران در سال ۶۹۹۱ از شبکه های عصبی برای تخمین فاصله از رگه های معدنی استفاده نمودند. این محققان همچنین به استفاده از شبکه های عصبی احتمالاتی، جهت کلاسه بندی رگه های معدنی پرداختند.[8] آنها همچنین در سال ۹۹۹۱ به مقایسه نقشه پتانسیل معدنی تهیه شده توسط شبکههای عصبی و وزنهای نشانگر پرداختند. نتایج این تحقیق نشان میداد که میزان خطا - با مقدار ۲% - در کلاسهبندی رگههای معدنی در نقشه تهیه شده به روش شبکه عصبی برای هر دو سری نقاط تست و آموزش ، به مراتب کمتر ازمیزان خطا - با مقدار ۳۲% - در کلاسهبندی رگه های معدنی در نقشه تهیه شده به روش وزن های نشانگر است.
[9] براون در سال ۰۰۰۲ تلفیق GIS و شبکه های عصبی را در تهیه نقشه پتانسیل معدنی در مقیاس ۰۰۰۰۰۱:۱ در منطقه تنترفیلد مدنظر قرار داد. وی برای تهیه نقشههای پتانسیل معدنی از شبکه پرسپترون چند لایه استفاده کرد و دقت نقشه تهیه شده ۸۶% ارزیابی شد.[4] حسینعلی و همکاران در سال ۸۰۰۲ به وزنده ی لایه های اطلاعاتی در کانسار مس علیآباد توسط شبکه پرسپترون چند لایه و تهیه نقشه های پتانسیل معدنی در این کانسار پرداختند.
کمترین میزانخطابرای نقاط تست برابر ۸۲% و مربوط به یک شبکه پرسپترون سهلایه با ۸ نورون در لایه پنهان اول و ۳ نورون در لایه پنهان دوم ارزیابی شد.[7] هریس و پن از شبکههای عصبی احتمالاتی و روشهای رگرسیونی در پیشبینی رگه های معدنی استفاده کردند که در ارزیابی و مقایسه این روشها، بهترین دقت مربوط به روش شبکه عصبی احتمالاتی بود[6] با مروری بر تحقیقات مرتبط میتوان دریافت که اکثر این تحقیقات براستفاده از شبکه های عصبی در تهیه نقشه پتانسیل معدنی در مطالعات پیجویی محدود بوده و تاکنون مطالعات جامعی درزمینه اکتشاف تفصیلی و هدایت حفاری انجام نگرفت هاست. با توجه به مطالب فوق، هدف از این تحقیق تهیه نقشه های نقاط بهینه حفاری به منظور اکتشاف مس پرفیری بهوسیله دو نوع شبکه عصبی RBFو GRNN و ارزیابی این نقشه ها با انطباق گمانه های حفرشده میباشد.
۲- شبکه های عصبی
شبکه های عصبی مصنوعی، یک پردازشگر تشکیل شده از واحدهای کوچکی است که به طور موازی ساختار یافتهاند. این پردازشگرکه نورون نامیده میشود با استفاده از دانش تجربی آموزش داده می شوند و سپس با تعمیم دانش بدست آمده درک بهتری از محیط بدست میآورند. منظور از تعمیم ارائه خروجی قابل قبول برای ورودی هایی است که قبلاً وارد سیستم نشدهاند. شکل شماره۱ ساختار یک نورون مصنوعی را نمایش میدهد که شامل سه بخش وزنهای ورودی، اضافه کننده۱ و تابع محرک۲ است.[5]
۲-۱-شبکه های عصبی شعاع مبنا۳
شبکه های عصبی شعاع مبنا بر اساس یادگیری باسرپرست میباشند. تابع عملکرد که در شبکهعصبی شعاعمبنا که بر مبنای توزیع گوسین میباشد، فاصله اقلیدسی بین بردار ورودی و مرکز نورون متناظر را مورد پردازش قرار میدهد و در ضمن بهطور توانی با استفاده از کاهش پارامترهای غیرخطی محلی، نگاشت ورودی-خروجی غیرخطی را بهطور محلی تخمین میزند. نورون لایهمخفی شبکههایعصبی شعاعمبنا فقط برای آن ورودیهایی که نزدیک به مرکز هستند، موثر است؛ بههمین دلیل بهتعداد زیادی از نورونهای مخفی برای پوشش کل فضای- ورودی نیاز داریم.[2] شکل شماره۲ یک شبکه شعاع مبنا را نشان میدهد که در آن لایه شعاعمبنا با نماد dist نمایش داده شده است.
۲-۲-شبکه های عصبی تعمیم یرگرسیونی۴
شبکه های تعمیمی رگرسیونی، شبکه هایی حافظهمبنا و با الگوی یادگیری باسرپرست میباشند که از لحاظ معماری در گروه شبکههای پیشخور دستهبندی میشوند .مبنای این شبکه ها تخمین توابع نگاشت ورودی/هدف بر اساس تئوری رگرسیون غیرخطی است. ساختار این شبکه در شکل شماره۳ نشان داده شده است.همانطور که ملاحظه میشود شبکه های تعمیم یرگرسیونی دارای ساختاری سه لایه است که ساختار و عملکرد لایه اول دقیقا مشابه شبکه های شعاع مبنا است.
