بخشی از مقاله
چکیده
هدف از تحقیق حاضر، بکارگیری علوم و فنون نوین و روشهای کارآمد جهت تقویت حوزه اکتشاف صنعت معدن میباشد. در پژوهش حاضر سعی بر آن شده است تا ضمن معرفی یک روش تلفیقی شبکه مصنوعی عصبی و تصمیمگیری چندمعیاره، با یک مطالعه موردی بر روی منطقه کوه یخاب واقع در غرب و شمال غرب کاشان به وسعت 2450 کیلومتر مربع، نواحی امیدبخش معدنی شناسایی گردند.
بر اساس این روش و با تکیه بر دادههای آنالیز شیمیایی عناصر موجود در 532 نمونه از خاک منطقه، ابتدا با تعریف معیارهایی برای رتبهبندی عناصر شیمیایی و با استفاده از تکنیک تصمیمگیری چندمعیاره واسپاس، عناصر موجود در خاک منطقه رتبه بندی شده و با توجه عیار آن عناصر در نقاط مختلف نمونهبرداری شده و ضریب اولویت هر عنصر شیمیایی، امتیاز وزنی به هر نقطه تخصیص داده شد وسپس با استفاده از یک شبکه مصنوعی عصبی پرسپترون که توسط الگوریتم تبرید شبیهسازی شده بهینه گردیده، الگوی پتانسیل معدنی منطقه مورد مطالعه ترسیم گردید و نواحی امیدبخش معدنی معرفی شدند.
-1مقدمه
امروزه، ورود به عرصه سرمایهگذاری در صنعت معدن به دلیل هزینههای سنگین اکتشافات معدنی و مدت زمان طولانی بازگشت سرمایه و عدم اطلاع از اولویتهای مواد معدنی، از ریسک بالایی برخوردار میباشد. استفاده از روشهای نوین و علوم کامپیوتر و ریاضیات در پردازش دادهها، باعث افزایش دقت اکتشافات و در پی آن کاهش هزینه و ریسک میگردد. با این توصیف، علوم نوینی همچون شبکههای عصبی مصنوعی با الهام از شیوه کارکرد سیستم عصبی زیستی، ایده خوبی برای بهبود و سرعت بخشیدن به عمل پردازش دادهها میباشند.
اگر جامعه مورد بررسی را کل فرض نماییم، نمونههای برداشت شده از آن جامعه جزء تلقی میشوند و در نتیجه بر پایه شبکههای مصنوعی عصبی میتوان پارامترهای اندازهگیری شده آن خاصیت در اجزاء برداشت شده را در کل جامعه تخمین زد. مهمترین ویژگی شبکههای مصنوعی عصبی، غیرخطی بودن و قابلیت حذف نویز میباشد. شبکههای مصنوعی عصبی در برابر مجموعه داده های غیر خطی و پیچیده بهتر از روشهای رگرسیون کلاسیک و دیگر روش های آماری عمل میکند - تاتار و کمری-. - 1393
روشهای مرسوم اکتشافات معدنی برای تحقق تحقق اهداف اکتشافات معدنی، دارای کمبودهایی است. به همین علت، در سالهای اخیر روشهای پیشرفته هوش محاسباتی همگام با علوم دیگر برای مدلسازی در بسیاری از علوم مرتبط به زمین از جمله علوم مربوط به اکتشافات منابع معدنی استفاده شده است - بازدار و همکاران-. - 1396 از جمله تحقیقاتی که بر پایه شبکههای عصبی مصنوعی در زمینه تخمین و تعیین الگوی پتانسیل موادمعدنی انجام شده است میتوان به پژوهشی توسط لیت و دسوزا فیلهو 1در سال 2009 میلادی با هدف تهیه نقشه پتانسیل مس- طلا، او و لی2در سال 2010 میلادی برای تعیین پتانسیل معدنی طلا، فردوسی در سال 1393 شمسی با هدف بررسی پتانسیل کانی سازی طلا، بازدار و همکاران در سال 2015 میلادی با هدف پیشبینی عیار طلا و نقره، اشاره کرد.
در دهههای اخیر، مدلهای تصمیمگیری چندمعیاره جایگاه مناسبی میان استراتژیهای تصمیمگیری برای خود باز کردهاند. به دلیل هزینه بسیار سنگین خطا در برخی از تصمیمگیریها، مسئله بررسی و ارزیابی معیارها و گزینه های موجود به یکی از چالشهای دانش نوین مبدل شده است. برای برخورد با چنین مسائلی، آنالیز و حل مسئله توسط روشهای تصمیمگیری چندمعیاره بهترین راه برای رسیدن به یک اولویتدهی صحیح و منطقی به گزینهها میباشد - فتحااللهزاده-. - 1392 مدلها و روشهای بسیاری برای رتبهبندی عضوهای یک مجموعه در علوم مختلف وجود دارند که در این میان میتوان به روش واسپاس 3 اشاره نمود.
از تحقیقات انجام گرفته بر روی رتبهبندی مواد معدنی، میتوان به پژوهشی در خصوص رتبه بندی جامع 33 ماده معدنی کشور با استفاده از تحلیل سلسله مراتبی - شکورشهابی و همکاران- - 1389 و پژوهش دیگری با هدف رتبهبندی اقتصادی-استراتژیک مواد معدنی معادن در حال بهرهبرداری ایران با استفاده از روش تاکسونومی - بصیری و نبییان جوردی- - 1384 اشاره نمود.
انتخاب بهترین منطقه برای تمرکز و ادامه عملیات اکتشافی، بهگونهای که نتیجه به دست آمده قابل اطمینان باشد، یکی از مهمترین چالشها در اکتشاف مواد معدنی است. از اینرو، تلفیق شبکههای مصنوعی عصبی و مدلهای تصمیمگیری چند معیاره میتواند راه حل مناسبی برای چالش پیشرو باشد. در این تحقیق، درصدد تعیین الگوی پتانسیل معدنی و شناسایی نواحی مستعد معدنی منطقهای به مساحت حدود 2450 کیلومتر مربع بین طولهای جغرافیایی 52 تا 52,5 درجه شرقی و عرضهای جغرافیایی 34 تا 34,5 درجه شمالی واقع درکوه یخاب کاشان با استفاده از یک روش تلفیقی شبکه عصبی مصنوعی و تکنیک تصمیمگیری چندمعیاره واسپاس میباشیم و نمونهها شامل آنالیز ژئوشیمیایی 532 نمونه خاک جمع آوری شده از منطقه مذکور میباشد.
-2بحث و بررسی
-2-1تکنیک تصمیمگیری واسپاس
تکنیک واسپاس یکی از روشهای نوین تصمیمگیری چندمعیاره است که در سال 2012 میلادی توسط زاوادسکاس و همکاران4معرفی شده است. این تکنیک، یک روش منحصر بفرد ترکیبی از دو روش مدل جمع وزندار و مدل ضرب وزندار میباشد. وزن معیارها در این روش را میتوان از روشهایی نظیر سلسله مراتبی یا انتروپی محاسبه نمود. پرسشنامه روش واسپاس نیز دقیقاً همانند پرسشنامه روشهای تاپسیس و یا ویکور است.
-2-2شبکههای عصبی مصنوعی
نورون کوچکترین واحد پردازشگر اطلاعات و سلول اساسی شبکه است. نورون هر تعداد از ورودیها را دریافت کرده و سیگنال خروجی را تولید میکند. نورون شامل یک تابع ورودی یا تابع جمعبندی5 است که نتیجه حاصل از آن بعنوان منبع تغذیه تابع انتقال6 یا تابع تحریک7به حساب میآید - دوود و ساراک-.8 - 1994 تابع جمعبندی به این صورت عمل میکند که هر ورودی را در وزن متناظرش ضرب کرده و سپس با یکدیگر جمع میکند. به این مجموع، حاصل مجموع وزندار9گفته میشود که یکی از متداولترین توابع جمعبندی میباشد. عدد حاصل از تابع جمعبندی به تابع تحریک فرستاده میشود که تابع جمعبندی را به خروجی تبدیل میکند.
ایده اصلی که شبکههای عصبی مصنوعی بر آن استوارند این است که برخی پارامترها میتوانند تنظیم شوند تا شبکه رفتار مطلوب و مورد نظر را بدست دهد - هایکین-. - 1999 یادگیری بدین معنی است که b و w طوری تنظیم میشوند که رابطه خروجی و ورودی نورون با هدف خاصی مطابقت نماید - منهاج-. - 1381 بایاس بعنوان یک جبران کننده عمل میکند و به شبکه کمک میکند تا الگوهای موجود را بهتر بشناسد - هایکین-. - 1999 در شکل - 1 - ، مدل ریاضی یک سلول عصبی مصنوعی بصورت شماتیک نشان داده شده است.
-2-3آماده سازی دادههای خام
دادههای خام این تحقیق شامل مقادیر آنالیز 532 نقطه نمونه برداری شده برای 33 عنصر شیمیایی. ابتدا نسبت به اصلاح دادههای حساس اقدام گردید. دادههای حساس، معرف عدم تشخیص دستگاهها و به عبارت دیگر، حساسیت دستگاه مورد استفاده هستند. از آنجایی که اینگونه مقادیر بصورت کیفی بوده و در دادهپردازی معنیدار نیستند، بنابراین باید مقادیر عددی مطلوب را جایگزین دادههای حساس نمود.
در مورد تخمین دادههای حساس، روشهای گوناگونی بهکار گرفته میشود. در این پژوهش، به منظور اصلاح مقادیر حساس از روش جایگزینی نصف حد قابل تشخیص به جای مقادیر حساس حد پایین و 1,5 برابر مقدار حساس برای دادههای حد بالا استفاده شده است. با توجه به ماهیت تحقیق حاضر، دادههای ناهنجار در پردازش دادهها دارای اهمیت میباشند، و همچنین باتوجه به اینکه شبکههای عصبی در مقابل اطلاعات اشتباه و خطا مقاوم هستند - پترسون-14 - 1996و نیز به دلیل تحمل پذیری بالای شبکههای مصنوعی عصبی در برخورد با داده های پرت و نویز - مهدویخو- - 1392، لزومی به هرگونه اصلاح در دادهها وجود ندارد.
-2-4رتبه بندی مواد معدنی به روش واسپاس
به منظور دستیابی به اهداف پژوهش حاضر، نیاز به رتبه بندی عناصر شیمیایی موجود در خاک منطقه مورد مطالعه براساس یک روش علمی مشخص میباشد.
