پديد آورنده :
اعتدالي، عليرضا
عنوان :
مقايسه روش هاي نظارت شده (آناليز رگرسيون) و نظارت نشده (خوشهبندي) جهت تعيين آنومالي هاي واقعي ژئوشيميايي در كانسار مس موليبدن پورفيري سونگون
مقطع تحصيلي :
كارشناسي ارشد
محل تحصيل :
اصفهان: دانشگاه صنعتي اصفهان، دانشكده معدن
صفحه شمار :
[دوازده]، 107ص.: مصور، جدول، نمودار
يادداشت :
ص.ع. به فارسي و انگليسي
استاد راهنما :
حسن طباطبايي، هوشنگ اسدي هاروني
توصيفگر ها :
نظارت شده , نظارت نشده , سونگون , مس پورفيري , خوشهبندي , طبقهبندي , رگرسيون , ماشين بردار پشتيبان , رگرسيون بردار پشتيبان
استاد داور :
داور داخلي: محمدرضا ايران نژادي; داور خارجي: ابراهيم قاسمي
تاريخ ورود اطلاعات :
1396/07/17
چكيده فارسي :
چكيده روشهاي اكتشافي جديد در صنعت معدنكاري به علت در حال اتمام بودن نهشتههاي سطحي و نرخ پايين اكتشاف نهشتههاي عمقي نسبت به تقاضاي جهاني يك الزام است اكتشاف داراي ريسك و هزينههاي زيادي است كه در صورت عدم هدايت صحيح ميتواند منجر به ضرر و زيان شديدي شود بخش اصلي هزينهبر در اكتشاف حفاري گمانههاي اكتشافي است كه جانمايي آنها تصميم حساسي براي مكتشفين است استفاده از آناليز نمونههاي سطحي ژئوشيميايي داراي ريسك زيادي بوده و در حال حاظر از روشهاي هوشمند بجاي آن استفاده ميشود مس بسيار مورد تقاضا بوده و در صنايع زيادي از جمله الكتريك الكترونيك و نظامي استفاده ميشود معمولترين تيپ نهشتههاي مس نوع پورفيري است كه بيشترين ميزان مس از آن استحصال ميشود نهشته مس پورفيري سونگون دومين نهشته با كالس جهاني پس از نهشته سرچشمه است كه در شمال غرب ايران داخل كمربند كوهزايي اروميه دختر قرار دارد در اين پايان نامه خوشهبنديهاي مختلف به عنوان روش نظارت نشده براي نمونههاي خاك مورد استفاده قرار گرفت براي مقايسه نتايج هفت مدل خوشهبندي مختلف شامل K Means و FCM به عنوان خوشهبندي كالسيك و كلوني زنبور عسل مصنوعي تكامل تفاضلي بهينه سازي ازدحام ذرات جستجوي هارموني و الگوريتم ژنتيك به عنوان روشهاي فرا اكتشافي مورد آزمايش قرار گرفت الگوريتم K Means و تكامل تفاضلي بهترين نتايج را از نظر سازگاري با نتايج نقشههاي تك عنصري كنتوري نشان دادند درحاليكه FCM الگوريتم ژنتيك و بهينه سازي ازدحام ذرات با دادههاي عمقي تصوير شده بر سطح سازگارتر هستند روشهاي كالسه بندي و رگرسيون روشهاي نظارت شده ناميده ميشوند روش اول براي مدل سازي كيفي و روش دوم جهت مدل سازي كمي استفاده ميشود در دسته كالسه بندي هر دو مدل ماشين بردار پشتيبان c و nu همراه با شبكه عصبي مصنوعي استفاده شد كه بهرين نتيجه متعلق به ماشين بردار پشتيبان nu با 59 دقت براي دادههاي آموزشي و 57 دقت براي دادههاي آزمايشي بود دقت روش ماشين بردار پشتيبان c به ترتيب برابر 39 و 57 براي دادههاي آموزشي و آزمايشي بود بهترين جوابهاي شبكه عصبي مصنوعي مربوط به 2 41 7 MLP بود كه دقت دادههاي آموزشي 37 و دادههاي آزمايشي 57 بود در حالت رگرسيون هر دو مدل رگرسيون بردار پشتيبان nu و و رگرسيون شبكه عصبي مصنوعي و رگرسيون چندگانه شامل رگرسيونهاي چندگانه چند جملهاي فاكتوري و سطح جواب انجام شد بهترين روش رگرسيون بردار پشتيبان nu براي شاخص توليد خطي با 58 دقت براي دادههاي آموزشي و 55 دقت براي دادههاي آزمايشي بود پس از آن بردار پشتيبان براي ميانگين بلوكها 28 و 55 دقت به ترتيب براي دادههاي آموزشي و آزمايشي نشان داد نتايج اين روش براي ميانگين بلوكها 48 و 25 براي رگرسيون بردار پشتيبان 84 nu و 25 و براي مدل 81 و 05 بود رگرسيون شبكه عصبي 1 61 7 MLP براي ميانگين بلوكها و 1 71 7 RBF براي شاخص توليد بهترين جواب را به ميزان 75 و 04 براي روش اول و 05 و 15 براي روش دوم داشت نتايج رگرسيون چندگانه به دليل فاصله زياد از يك قابل قبول ارزيابي نشد واژگان كليدي نظارت شده نظارت نشده سونگون مس پورفيري خوشهبندي طبقهبندي رگرسيون ماشين بردار پشتيبان رگرسيون بردار پشتيبان
استاد راهنما :
حسن طباطبايي، هوشنگ اسدي هاروني
استاد داور :
داور داخلي: محمدرضا ايران نژادي; داور خارجي: ابراهيم قاسمي