توصيفگر ها :
حفاري تكميلي , تلفيق , فازي , تركيب خطي , كلاسه بندي , آناليز تمايز , ماشين بردار پشتيبان , كانسار دره زرشك , AHP , Get , ArcGIS
چكيده فارسي :
از ديرباز تا كنون در معدنكاري، عمليات حفاري مخصوصا در اكتشاف مواد معدني نقش بسزايي در تهيه نقاط داده بيشتري اعم از زمينشناسي، كانيسازي و... دارد، كه منجر به اطمينان بيشتر به محتويات مدلهاي بلوك و در نهايت، برنامهريزي با ارزش نهايي بهتر ميشود. اين امر به ويژه براي پروژههاي معدن روباز كه در آن ارزش پروژه به شدت، به مدل بلوك و زمانبندي استخراج مواد وابسته است، مهم است. محدوده مورد مطالعه اين پژوهش كانسار مس پورفيري درهزرشك واقع در استان يزد ميباشد. محدوده كانسار از نظر ساختاري در پهنه ايران مركزي و كمان ماگمايي اروميه-دختر قرار دارد. در ارتباط با زمينشناسي و كانيسازي محدوده هم ميتوان گفت يك توده نيمه عميق گرانوديوريت - مونزوديوريت پورفيري است كه به صورت يك استوك استوانهاي عميق در دماغه جنوب خاوري يك تاقديس با روند شمال باختر - جنوب خاوري است. هسته تاقديس از نهشتههاي آواري سازند سنگستان و يالها از نهشتههاي ستبر لايه آهكي و دولوميتي سازند تفت تشكيل شده و به داخل نهشتههاي كربناته سازند تفت تزريق شده است. اين پژوهش با هدف بررسي روشهاي تلفيق و كلاسهبندي آماري يك سري لايههاي اكتشافي از كانسار مس پورفيري درهزرشك واقع در استان يزد، اعم از زمينشناسي (دگرساني، سنگشناسي و گسلها)، ژئوفيريكي (مغناطيسسنجي، پلاريزاسيون القايي و مقاومت ويژه) و عياري براي ارائه يك سري نقاط حفاري تكميلي بهينه انجام شد. دادههاي خام حفاري كه از لاگ كردن گمانهها به دست آمده بود از شركت ملي مس تهيه شد. دادههاي ژئوفيزيك و سطح توپوگرافي محدوده نيز از برخي كارشناسان تهيه شد. پس از آمادهسازي و صحتسنجي دادهها با استفاده از نرم افزار Surpac، قدم بعدي، پروسه داده محور اين مطالعه بود كه لايههاي اكتشافي با روشهاي تحليل سلسله مراتبي، تركيب خطي وزندار، تابع GET و منطق فازي در محيط نرم افزار ArcGIS تلفيق شدند. همچنين كلاسهبندي آماري نيز كه قسمت دانش محور مطالعه بود با روشهاي فركتال عيار-حجم، رگرسيون غيرخطي، آناليز تمايز و ماشين بردار پشتيبان انجام شد. يافتهها نشان داد در روش تلفيق، تابع GET عملكرد بهتر و در روش كلاسهبندي آماري نيز ماشين بردار پشتيبان با 88.6 درصد بيشترين دقت را داشتند. در پايان نيز با توجه به نتايج تعداد 5 حلقه گمانه تكميلي اولويتبندي شده در خارج از قسمتهايي كه قبلا حفاري شده بود ارائه شد.
چكيده انگليسي :
Drilling is the most detailed and the most important stage of mineral explorations. By providing the most data points, denser drilling leads to more confident results for the block model attributes and ultimately, higher-value planning. This is especially important for open-pit mining projects where the value of the project is highly dependent on the block model and the timing of material extraction. In the present research, Darreh-Zereshk porphyry copper deposit (Yazd Province, Iran) is studied. Structurally, the deposit area is situated within the Central Iranian Zone and the Urumieh-Dokhtar Magmatic Arc. From a geological and mineralization perspective, the deposit comprises a semi-deep granodiorite–monzodiorite porphyry intrusive body, forming a deep cylindrical stock emplaced at the southeastern nose of an anticline trending northwest–southeast. The core of the anticline consists of clastic sediments of the Sangestan Formation, while the limbs are made up of thick-bedded limestone and dolomitic layers of the Taft Formation. The intrusive body has been emplaced into the carbonate sediments of the Taft Formation. This research aimed to investigate statistical integration and classification methods for various exploration layers of the Darreh-Zereshk porphyry copper deposit—including geological (alteration, lithology, and faults), geophysical (magnetometry, induced polarization, and resistivity), and geochemical (grade) data—to propose a series of optimized sites for additional exploration drillings. The raw drilling data, obtained from borehole logging, were provided by the National Iranian Copper Industries Company. Geophysical data and surface topography were also obtained from relevant experts. After data preparation and validation using Surpac software, the data-driven phase of the study began. The exploration layers were integrated using hierarchical analysis, weighted linear combination (WLC), the Grade Estimation Technique (GET) function, and fuzzy logic within the ArcGIS environment. Additionally, the knowledge-driven classification phase was conducted using methods such as concentration-volume fractal modeling, nonlinear regression, discriminant analysis, and Support Vector Machines (SVM). The results indicated that among the integration methods, the GET function demonstrated superior performance, while among the classification techniques, the SVM achieved the highest accuracy, with a rate of 88.6%. Based on the findings, five additional drilling sites located outside previously drilled areas were ultimately proposed.
