نوع مقاله : مقاله پژوهشی
نویسندگان
1 گروه سیستم‌های اطلاعات مکانی، دانشکده مهندسی نقشه‌برداری، دانشگاه صنعتی خواجه‌نصیرالدین طوسی
2 گروه علوم کامپیوتر، دانشکده علوم ریاضی و کامپیوتر، دانشگاه شهید چمران اهواز، اهواز، ایران
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 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.
کلیدواژه‌ها
موضوعات
عنوان مقاله [English]
Using Artificial Neural Networks and Geospatial Information Systems in Mine Exploration for Producing Mineral Potential Map
نویسندگان [English]
- T. Silavi 1
- M. kheirkhah zadeh 2
1 Department of Geospatial Information Systems, Faculty of Geodesy and Geomatics, K.N.Toosi University of Technology, Tehran, Iran
2 Department of Computer Science, Faculty of Mathematics and Computer Science, Shahid Chamran University of Ahvaz, Ahvaz, Iran
چکیده [English]
Background and Objectives: Geospatial Information Systems provide required science and tools for various transactions related to spatial data. Such an ability caused use of Geospatial Information Systems in several fields. One of these fields is mine exploration which can be known as highly dependent field to the geology. On the other hand, the traditional methods are not suitable for requirements of mine exploration. Thus, the new methods are utilized more and more for mining as well as mine exploration. Artificial intelligence is one of the new sciences transforming human life. Artificial Neural Networks as a long-standing method of artificial intelligence have found many applications in mine exploration. The goal of this research is producing mineral potential map using artificial neural networks.
Methods: Artificial neural network is a classifier method in essence. This method acts like a black box which is trained at first, then it is capable of classifying the new data. In this research the data captured from exploration studies of porphyry copper deposit located in Yazd, Iran is used for producing mineral potential map. The mineral potential map is essential and very important for mining activities. The data is entered to a feedforward back propagation artificial neural network. The artificial neural network is used in two manners. The first manner is the usual one: The artificial neural network is trained by the aid of boreholes data and then it is used to forecast the potential of copper at every cell of the study area. In the second manner after training the network, its inner weights are extracted. These weights show the amount of importance that the neurons of the network have been considered for the input criteria. These weights are entered into the index overlay method. Afterwards, the criteria maps are combined by index overlay method and the mineral potential map is produced.
Findings: In this research more than testing the power of artificial neural networks in producing mineral potential map, testing the accuracy of its inner weights to be used in another method is aimed. At the training phase the values of criteria maps (essentially produced by exploration studies) at the positions of boreholes are entered into the artificial neural network and the network should forecast the potential of copper at that position qualitatively, while the true values are known from the data of boreholes. Then, the trained network forecast the potential of copper at every position of the deposit. The results revealed that the accuracy of artificial neural network when ignoring one of the non-efficient criteria can be reached up to 100 percent. However, the accuracy of index overlay method using the weights extracted from the artificial neural network is about 70 percent at maximum.
Conclusion: The results of this study revealed again the power of artificial neural networks in classification and combination of spatial data. Despite, the unique result of this research is that the inner weights of artificial neural network have the maximum performance in their network and using them for weighting and combining data by another method would not be useful. However, these weights can illustrate the order of importance of data.
کلیدواژه‌ها [English]
- Mine Exploration
- Copper Deposit
- Geospatial Information System
- Artificial Neural Network
- Data Combination
COPYRIGHTS
© 2023 The Author(s). This is an open-access article distributed under the terms and conditions of the Creative Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) (https://creativecommons.org/licenses/by-nc/4.0/)
)