سامانه اطلاعات مکانی
طلوع سیلاوی؛ معصومه خیرخواه زاده
چکیده
پیشینه و اهداف: سامانه های اطلاعات مکانی، علم و ابزار لازم برای انواع فعل و انفعالات مرتبط با اطلاعات مکانی را فراهم می آورند. چنین قابلیتی، سبب شده است که این سامانه ها در حوزه های متعدد و بسیار متنوعی به کار گرفته شوند. یکی از این حوزه ها، معدنکاوی است که میتوان آن را یکی از حوزه های به شدت وابسته به زمین شناسی به ...
بیشتر
پیشینه و اهداف: سامانه های اطلاعات مکانی، علم و ابزار لازم برای انواع فعل و انفعالات مرتبط با اطلاعات مکانی را فراهم می آورند. چنین قابلیتی، سبب شده است که این سامانه ها در حوزه های متعدد و بسیار متنوعی به کار گرفته شوند. یکی از این حوزه ها، معدنکاوی است که میتوان آن را یکی از حوزه های به شدت وابسته به زمین شناسی به حساب آورد. از سوی دیگر، روش های سنتی معدنکاوی و زمین شناسی جوابگوی نیازهای روزافزون این حوزه ن نمیباشند و به همین دلیل، فنون و علوم جدید، نقشی بی بدیل در کاوشهای معدنی امروزی یافته اند. هوش مصنوعی، یکی از مهمترین علوم جدید است که در حال تحول بخشی به زندگی انسانها میباشد. شبکه های عصبی مصنوعی، به عنوان یکی از روشهای دیرپای هوش مصنوعی، جای پای خود را در زمین شناسی ومعدنکاوی نیز باز و در این مسیر، روش های سنتی را با چالش اساسی مواجه نموده اند. بر این اساس، هدف این تحقیق بر تهیهی نقشهی پتانسیل معدنی با کمک شبکهی عصبی مصنوعی بنا نهاده شده است.روشها: شبکهی عصبی مصنوعی، در واقع یک روش طبقه بندی به شمار میرود. این روش، به صورت یک جعبهی سیاه عمل میکند که ابتدا آموزش می بیند و پس از یادگیری، قادر به طبقه بندی دادههایی است که در مرحلهی آموزش با آنها مواجه نبوده است. در این پژوهش، با استفاده از اطلاعات مطالعات اکتشافی یک کانسار مس پرفیری واقع در استان یزد ایران و به کمک شبکهی عصبی مصنوعی در صدد تولید نقشهی پتانسیل معدنی مس در این منطقه هستیم. نقشهی پتانسیل معدنی برای استخراج معدن مورد استفاده قرار می گیرد. بدین منظور، به دو صورت از شبکهی عصبی مصنوعی استفاده می شود. روش اول به صورت معمول است یعنی شبکهی عصبی مصنوعی با استفاده از اطلاعات چاه های اکتشافی آموزش میبیند و سپس میزان پتانسیل مس را در جایجای منطقه پیشبینی می نماید. روش دوم، به این صورت است که پس از آموزش دیدن شبکهی عصبی مصنوعی، وزن های داخلی شبکه استخراج می شوند. این وزنها در واقع، نشان دهندهی میزان اهمیتی است که نرون های شبکه برای هر یک از معیارهای ورودی در نظر گرفته اند. این وزن ها، وارد رابطهی روش هم پوشانی شاخص می شوند و نقشه های معیار، با استفاده از روش همپوشانی شاخص، ترکیب و نقشهی پتانسیل معدنی حاصل میشود.یافتهها: در این تحقیق، غیر از آزمایش قدرت شبکهی عصبی مصنوعی در تهیهی نقشهی پتانسیل معدنی، میزان دقت وزن های مستخرج از شبکه برای استفاده در یک روش تلفیق دیگر، مد نظر بوده است. در مرحلهی آموزش شبکه، مقادیر نقشه های معیار که اساساً همان نقشه های حاصل از مطالعات اکتشافی هستند در نقاط چاههای اکتشافی، به عنوان ورودی وارد شبکه میشوند و باید عیار مس را به صورت کیفی در آن نقطه، پیشبینی نمایند در حالیکه خروجی صحیح حاصل از چاههای اکتشافی در دست است. پس از آموزش، شبکه مقادیر پتانسیل معدنی را در جایجای کانسار به دست میآورد. نتایج، نشان داد که دقت طبقه بندی شبکهی عصبی مصنوعی پس از کنار گذاشتن یکی از معیارها که غیر مؤثر تشخیص داده شد، میتواند تا 100 درصد برسد و این، در حالی است که دقت حاصل شده از روش هم پوشانی شاخص و با استفاده از وزن های مستخرج از شبکه، تا حدود 70 درصد است.نتیجهگیری: نتایج این تحقیق، یک بار دیگر قدرت شبکه های عصبی مصنوعی را در طبقه بندی و تلفیق اطلاعات مکانی، نشان داد. اما نتیجة منحصر به فرد این تحقیق آن بود که وزن های داخلی شبکهی عصبی مصنوعی بیشترین کارایی را در داخل خود شبکه دارند و استفاده از آنها، برای وزندهی و تلفیق اطلاعات در یک روش دیگر، چندان مفید نخواهد بود. با این وجود، این وزن ها در هر صورت، می توانند نمایشگر ترتیب صحیح اهمیت داده های ورودی باشند.
