توصيفگر ها :
يادگيري عميق , مدلسازي عيار , شبكه عصبي , كانسار مس سرچشمه , كريجينگ , رزنت
چكيده فارسي :
اين پژوهش بر مبناي ضرورت كاهش ريسك عمليات معدنكاري ناشي از فرآيند تخمين عيار و با هدف ارائه يك روش مناسب و با خطاي كم براي تخمين عيار مس بر روي معدن مس سرچشمه انجام شده است. كانسار مس سرچشمه در استان كرمان و در فاصله 50 كيلومتري جنوب شهر رفسنجان واقع شده است. از ديدگاه زمين شناسي ايران اين كانسار در حد فاصل بين پهنه سنندج - سيرجان و ايران مركزي و روي كمربند آتشفشاني اروميه - دختر واقع شده است. عامل اصلي كاني زايي در اين معدن با نام استوك سرچشمه پورفيري شناخته مي شود. دايك هاي ثانويه موجود در اين معدن عاري از كاني زايي هستند و داراي روند شمال و شمال غرب به سمت جنوب و جنوب شرق هستند. مجموعه داده هاي مورد استفاده در اين پژوهش شامل 526 گمانه هستند كه مجموع طول حفاري آنها برابر با 36/113970متراست و ميانگين شيب حفاري در اين داده ها برابر با 3/76 درجه است. تعداد كل نمونه هاي عيار مس مورد استفاده در اين پژوهش برابر با 38006 نمونه هستند كه همگي داراي آناليز مي باشند. حداقل عيار مس در بين نمونه ها برابر با 0 و حداكثر آن برابر با 4394/3 مي باشد و داراي ميانگين 54/0 هستند. هر نمونه توسط هفت پارامتر مشخص مي شود كه سه مورد آن مربوط به موقعيت (طول، عرض، ارتفاع)، دو مورد مربوط به اطلاعات عيار مس و موليبدن و دو مورد ديگر هم مربوط به اطلاعات آلتراسيون و نوع سنگ هستند. قبل از انجام فرآيند تخمين عيار مس توسط روش هاي مختلف، پيش پردازش هايي شامل حذف گمانه هاي افقي، كامپوزيت كردن، اصلاح داده هاي خارج از رديف، شناسايي بيضوي ناهمسانگردي عيار مس و تعيين حدود آستانه براي تخمين كريجينگ شاخص صورت گرفت. به منظور تخمين عيار مس از هفت روش استفاده گرديد كه اين هفت روش عبارتند از: روش وزندهي عكس فاصله بعنوان نماينده روش هاي هندسي، روش هاي كريجينگ معمولي و كريجينگ شاخص بعنوان نماينده روش هاي زمين آماري تك متغييره، روش كوكريجينگ بعنوان نماينده زمين آمار دو متغييره، روش شبكه عصبي پرسپترون چند لايه بعنوان نماينده شبكه عصبي معمولي و دو روش ResNet-18 و ResNet-50 بعنوان نماينده شبكه هاي عصبي كانولوشني. به منظور مقايسه عملكرد روش هاي مورد استفاده در تخمين، در فرآيند آموزش و آزمون، بر روي هر دوگروه داده مربوط به هر فرآيند بررسي هايي در مقياس محلي صورت گرفت. با بررسي هاي صورت گرفته مشخص شد كه در مرحله آموزش، روش ResNet-18 با مقدار RMSE برابر با 22/0 داراي بهترين عملكرد و روش وزندهي عكس فاصله يا مقدار RMSE برابر با 57/0 داراي ضعيف ترين عملكرد بوده است. مجددا بر روي داده هاي آزمون، روش ResNet-18 با RMSE برابر با 34/0 داراي بهترين عملكرد و روش كوكريجينك با مقدار RMSE برابر با 74/0 ضعيف ترين عملكرد را از خودشان نشان دادند. در ادامه و به منظور بررسي هاي بيشتر در خصوص عملكرد هر روش در فرآيند تخمين، از اعتبار سنجي متقابل نيز استفاده شد. دو پارامتر جذر ضريب تشخيص رگرسيون و مقدار RMSE نيز بعنوان معيار بررسي عملكرد هر روش در اعتبار سنجي متقابل، مورد ارزيابي قرار گرفتند . بر مبناي جذر ضريب تشخيص رگرسيون، روش ResNet-18 با مقدار 86/0 داراي بهترين عملكرد و روش وزندهي عكس فاصله با مقدار 48/0 داراي ضعيف ترين عملكرد بوده اند. بر مبناي ميزان RMSE نيز روش ResNet-18 با ميزان RMSE برابر با 31/0 داراي بهترين عملكرد و روش وزندهي عكس فاصله با مقدار RMSE برابر با 55/0 داراي ضعيف ترين عملكرد بوده است. در ادامه كار و با هدف مقايسه بهتر عملكرد نتايج مربوط به هر روش در تخمين عيار مس، اطلاعات آماري خطاي باقي مانده هركدام از روش ها مورد بررسي و ارزيابي قرار گرفت كه در نهايت مشخص شد روش ResNet-18 با مقدار چولگي 8/0- داراي متقارن ترين نوع توزيع و با مقدار كشيدگي 2/9 داراي كشيده ترين حالت توزيع است. اين روش با مقدار انحراف از معيار 31/0 داراي كمترين مقدار انحراف معيار نيز بوده است و لذا از اين ديدگاه نيز روش ResNet-18 داراي عملكرد بهتري نسبت به ساير روش ها بوده است. به منظور بررسي توانايي هر روش در تخمين، نقشه تغييرات عيار مس براي همه روش ها ترسيم شد و سپس با نقشه زمين شناسي معدن مس سرچشمه مورد بررسي هاي كيفي قرار گرفت. بر طبق اين بررسي هاي كيفي مي توان گفت كه روش ResNet-18 در به نقشه در آوردن اين تغييرات عملكرد بهتري از ساير روش ها داشته است. و روش كوكريجينگ نيز عملكرد ضعيفي را از خودش ارائه داده است. بعنوان نتيجه نهايي با بررسي و مقايسه مقادير ذكر شده براي هر روش و مقايسه آنها با همديگر اينگونه مي توان گفت كه روش ResNet-18 داراي بهترين عملكرد و روش وزندهي عكس فاصله داراي ضعيف ترين عملكرد بوده است.
كلمات كليدي: يادگيري عميق، مدلسازي عيار،شبكه عصبي، كانسار مس سرچشمه، كريجينگ، ResNet-18، ResNet-50
چكيده انگليسي :
This research is based on the need to reduce the risk of mining operations due to the grade estimation process and with the aim of providing a suitable method with low error for copper grade estimation on Sarcheshmeh copper mine. from Iranʹs geological point of view, this deposit is located between Sanandaj-Sirjan and Central Iran and on the Urmia-Dokhtar volcanic belt. the main mineralizing agent in this mine is known as Sarcheshmeh porphyry. the data set used in this research includes 526 boreholes. the total number of grade copper samples used in this study is equal to 38,006 samples, all of which have analysis. the minimum grade of copper among the samples is equal to 0 and the maximum is equal to 3/4394 and they have an average of 0.54. each sample is characterized by seven parameters, three of which are related to position (length, width, height), two are related to copper and molybdenum grade information, and the other two are related to alteration and rock type information. before performing the copper grade estimation process by various methods. in order to estimate the copper grade, seven methods were used, which are: inverse distance weighing method as a representative of geometric methods, ordinary kriging methods and indikator kriging as a representative of univariate geostatistical methods, cokriging method as a representative of two geostatistical methods variable, multilayer perceptron neural network method as a representative of neural network and ResNet-18 and ResNet-50 methods as representative of convolutional neural networks. in order to compare the performance of the methods used in estimation, in the training and testing process, studies on a local scale were performed on both groups of data related to each process. the studies showed that in the training phase, the ResNet-18 method with an RMSE value of 0.22 had the best performance and the inverse distance weighting method or an RMSE value of 0.57 had the weakest performance. again on the test data, the ResNet-18 method with RMSE of 0.34 showed the best performance and the Co_krig method with RMSE of 0.74 showed the weakest performance. in order to further investigate the performance of each method in the estimation process, cross-validation was used. the two parameters of trough regression detection coefficient and RMSE value were also evaluated as criteria for evaluating the performance of each method in cross-validation. based on the root of the regression detection coefficient, the ResNet-18 method with a value of 0.86 had the best performance and the inverse weighting method with a value of 0.84 had the weakest performance. based on the RMSE value, the ResNet-18 method with the RMSE value equal to 0.31 had the best performance and the inverse weighting method with the RMSE value equal to 0.55 had the weakest performance. in order to better compare the performance of the results of each method in estimating the copper grade, the statistical information of the residual error of each method was evaluated and evaluated. the most distributed type with a stretch value of 9/2 has the most elongated distribution mode. this method with the standard deviation of 0.31 had the lowest standard deviation and therefore from this point of view, ResNet-18 method had better performance than other methods. in order to evaluate the ability of each method in estimating, a map of copper grade changes was drawn for all methods and then a qualitative study was performed with the geological map of Sarcheshmeh copper mine. based on these qualitative studies, it can be said that the ResNet-18 method has performed better than other methods in mapping these changes. and the Co_kriging method has also performed poorly. As a final result, by reviewing and comparing the mentioned values for each method and comparing them with each other, it can be said that the ResNet-18 method has the best performance and the distance weighting method has the weakest performance.
