بخشی از مقاله
چکیده
کانسار چادرملو یک کانسار آهن است که در قلب کویر مرکزی ایران،در دامنه شمالی کوههای چاه محمد در حاشیه جنوبی نمک زار ساغند به فاصله 120کیلومتری شمال شرق شهر یزد و300کیلومتری جنوب طبس قرار گرفته است.برای اکتشافات تفصیلی در این کانسار تعداد54 مورد حفاری مغزه گیری انجام شد.از مجموع حفاری های انجام شده تعداد2231نمونه برداشت شد که برای عناصرآهن،فسفر وگوگرد مورد آنالیز قرار گرفت.برآورد عیار یکی از مهمترین پارامترهای لازم برای طراحی و برنامه ریزی تولید در معدن است و روش های متعددی در این خصوص توسعه یافته است.
در این پژوهش با استفاده از شبکه های عصبی مصنوعی برنامه ای برای تخمین عیار نوشته شده است .شبکه عصبی تعیین شده در ابتدا با %70نمونه آموزش داده شده وسپس با %30نمونه،آزمایش گردیده است.بر اساس نتایج بدست آمده از این کار تخمین های انجام شده برای عیار عناصربا شبکه عصبی تا حدود زیادی به واقعیت نزدیک است و نتایج خوبی را ارایه داده است.
-1مقدمه
کانسارآهن چادرملو یزد دراستان یزد و در مختصات 32درجه و17دقیقه طول جغرافیایی و55درجه و30دقیقه عرض جغرافیایی واقع شده است.این ناحیه در قسمت مرکزی ایران و در 120کیلومتری شمال شرق شهر یزد و 65کیلومتری معدن سنگ آهن چغارت قرار دارد،نزدیکترین آبادی به منطقه روستای ساغند است که در 40 کیلومتری شمال غرب معدن واقع شده است.
شکل:1 موفعیت معدن چادرملو و راه های دسترسی به آن
با مطاله نقشه های زمین شناسی و می توان دریافت که در محدوده چادرملو سنگ های دوران دوم و به ویژه سنگ های دوران سوم گسترش چشمگیری دارند.سنگ های این محدوده را احتمالا"سنگ های ژوراسیک و کرتاسه آغازین که متشکل ازگری واک،فیلیت،میکاشیست وسنگ های آتشفشانی با ترکیب اسیدی تشکیل می دهند
برآورد عیار کانسار فرایندی است که در خلال اکتشافات شروع شده و همراه با اصلاح در طول عمر معدن ادامه می یابد.از نتایج برآورد عیار،داده های اساسی برای انجام مطالعات امکان سنجی هستند و خروجی های مرحله امکان سنجی مشخص می کنند که آیا معدن باید آماده سازی شود و یا متوقف گردد.
البته امروزه از سیستم های کامپیوتری برای ارزیابی و تخمین عیار کانی سازی استفاده می شود که نرم افزار Datamine یکی از این نرم افزارها می باشد که در مورد تخمین عیار کاربرد دارد،که البته برای استفاده از این نرم افزار ابتدا باید مدل بلوکی کانسار را بسازیم سپس عیار متوسط مدل بلوکی را تخمین بزنیم.
در مسایل معدنی همواره الگوی موجود بین داده ها پیچیده و غیر خطی است،لذا شبکه های عصبی مصنوعی می توانند تکنیک موثری برای حل این مساله به شمار آیند.یکی از کاربردهای شبکه عصبی در مسایل علوم زمین،تخمین عیار ماده معدنی می باشدکه در این مساله در حقیقت الگوی بین مختصات - ورودی شبکه - وعیار آن مختصات - خروجی شبکه - توسط شبکه یاد گرفته می شود،سپس به ازای هر مختصات جدید ارایه شده به شبکه عصبی آموزش دیده،خروجی متناظر که عیار تخمینی در آن مختصات باشد،بدست می آید
-2 روش های معمول در تخمین عیار
قبل از گسترش سیستمهای کامپیوتری روش چند ضلعی برای ارزیابی عیار بسیار رایج بود و در این روش نزدیکترین نمونه به نقطه مورد تخمین،وزن یک و بقیه نمونه ها وزن صفر می گرفتند،در روش عکس فاصله،برآورد عیار یک بلوک با بیش از یک نمونه صورت می گیرد و از این نظر بر روش چند ضلعی مزیت دارد.[4] روش زمین آمار در تخمین عیار کانی سازی بسیار کاربرد دارد ودر این روش کریجینگ یکی از پیچیده ترین روش هااز نظر محاسبات ریاضی است.مرحله برازش مدل به واریوگرام تجربی مهمترین بخش این روش است وبه تجربه فرد مدل ساز بستگی زیادی دارد
-3 مرورری بر کارهای قبلی
تلفیق علم تخمین ذخیره و تکنیک شبکه عصبی اولین بار در سال 1993 توسط دانشمندان ژاپنی انجام شد.آن ها برای تخمین ذخیره یک معدن مس از یک شبکه عصبی پرسپترون چند لایه و الگوریتم یادگیری پس از انتشار خطای سریع استفاده کردند،درست یک سال بعد محققان در سال 1994میلادی از این تکنیک برای مشخص کردن ویژگی های سفره آب استفاده کردند.
با افزایش کارهایی که در زمینه تخمین عیار کانسارها با استفاده از شبکه عصبی انجام شد،در طی سال های 1997تا 1999 میلادی طراحی نرم افزاری تحت عنوان GEMNet که عملیات تخمین ذخیره را با روش شبکه عصبی انجام دهد شروع شد.مواردی که تا سال 1996 برای تخمین ذخیره استفاده می شد تاکید بر استفاده از الگوریتم های یادگیری محلی داشتند تا اینکه در سال 1996 از الگوریتم شبیه سازی حرارتی به عنوان الگوریتم یادگیری کلی به همراه ترکیبی از روش های دیگر برای آموزش شبکه استفاده شد
در سال 1999میلادی چند پروژه موفق از استفاده الگوریتم های یادگیری پس از انتشار خطای استاندارد جهت تخمین ذخیره عناصر کمیاب گزارش شد. پس از آن به دلیل نتایج دقیقی که این روش در زمینه تخمین ذخیره داشت دانشمندان ژاپنی به این موضوع علاقه مند شدند و در خلال سال های 2000تا2002 میلادی از شبکه عصبی در بسیاری از کارهای معدنی استفاده کردند که مهمترین آن ها تخمین ناخالصی های یک معدن سنگ آهک یعنی تشخیص مقدار SiO2، Fe2O3 ، MnO وP2O5 و همچنین تخمین مقادیر فلزات اصلی در ناحیه هایی در شمال ژاپن بود.
آقایان سامانتا و گانگاولی از شبکه های عصبی برای تخمین عیار کانسار بوکسبت،آهن و یک نهشته طلا استفاده کردند.در این مطالعات عملکرد الگوریتم های یادگیری شبکه عصبی به طور گسترده بررسی شد.هدف از این مطالعه تعیین نقش الگوریتم های یادگیری مختلف در آموزش شبکه عصبی بود.
دو محقق ذکر شده در سال های 2005تا2006 میلادی شبکه های عصبی را در راستای زمین آمار و برای تخمین عیار در یک کانسار بوکسیت و نهشته طلا به کار بردند. نتایج این تحقیقات نشان داد که روش شبکه عصبی و کریجینگ در بعضی موارد کارکردی معادل هم دارند، اما در بعضی موارد شبکه عصبی بسیار بهتر از زمین آمار عمل می کند.تقریبا" در تمامی تحقیقاتی که تا امروز انجام شده،مختصات نمونه ها به عنوان ورودی یا یخشی از ورودی در نظر گرفته شده و عیار عناصر به عنوان تنها متغیر خروجی استفاده شده است.
-4استفاده از شبکه عصبی در تخمین عیار عناصر کانسار چادرملو
برای اکتشاف تفضیلی کانسار چادرملو در محدوده کانی سازی انجام شده اقدام به حفر 54گمانه اکتشافی شد،که تمامی حفاری های انجام شده از نوع مغزه گیری می باشد.در مجموع در این مقدار حفاری تعداد2231 نمونه برای سه عنصرآهن،فسفر و گوگرد تجزیه شد.
-1-4تقسیم بندی داده ها برای شبکه
هر شبکه عصبی دارای سه لایه ورودی،پنهان و خروجی است.در این پروژه با توجه به اینکه هدف ما بدست آوردن عیار نقاط در بخش های مختلف منطقه مورد مطالعه است،بنابراین واضح است که لایه های ورودی ما همان مختصات نقاط ولایه های خروجی ما عیار نقاط می باشد.با توجه به اینکه ورودی شبکه طول،عرض جغرافیایی و ارتفاع می باشد، بنابراین بعد ورودی ها در این پروژه سه بعد است.از طرف دیگر هدف بدست آوردن سه عیار آهن،فسفر و گوگرد - سه بعد خروجی - است،اما نکته ای که در اینجا وجود دارد این است که برای این تحقیق زمان انجام برنامه مهم نیست بلکه دقت نتایج مهم می باشد،از این رو می توانیم به جای داشتن یک شبکه با سه ورودی و سه خروجی از سه شبکه با سه ورودی و یک خروجی - در هر شبکه عیار یکی از عناصرآهن،فسفر و گوگرد - داشته باشیم و نتایج بهتری را کسب نماییم.
نکته ای که باید به آن توجه نمود این است که از آنجا که توابع تحریک استفاده شده در نرون ها از نوع سیگموئید می باشد،در صورتی که محدوده دادگان در اطراف صفر قرار گیرد شبکه نتایج دقیق تری خواهد داشت.با توجه به اینکه داده های موجود دارای رنج گسترده ای می باشد،باید یکسری تغییرات را در داده های موجود به وجود آورد یا به عبارت بهتر آنها را نرمال نمود.برای رسیدن به این هدف برای داده های ورودی،میانگین و واریانس محاسبه شد و با کسر هر یک از مقادیرمختصات از میانگین مربوط به آن و سپس تقسیم بر واریانس داده های مربوط نرمال کردن داده های ورودی صورت گرفت.
