شماره راهنما :
2354 دكتري
پديد آورنده :
صباغي، حميد
عنوان :
شناسايي آنومالي هاي ژئوشيميايي چندعنصري با بكارگيري شبكه هاي يادگيري عميق و داده هاي حوزه فركانس فضايي براي پتانسيل يابي كاني سازي
گرايش تحصيلي :
اكتشاف مواد معدني
محل تحصيل :
اصفهان : دانشگاه صنعتي اصفهان
صفحه شمار :
هفت، 98ص. :مصور، جدول، نمودار
توصيفگر ها :
يادگيري عميق , شبكه كانولوشني عميق , شبكه مولد رقابتي , حوزه فركانس فضايي , پتانسيل يابي كاني سازي , آنومالي ژئوشيميايي چند عنصري
تاريخ ورود اطلاعات :
1404/05/08
رشته تحصيلي :
مهندسي معدن
تاريخ ويرايش اطلاعات :
1404/06/12
چكيده فارسي :
الگوريتم¬هاي يادگيري عميق نتايج بسيار مطلوبي را در طبقه¬بندي و خوشه¬بندي اطلاعات در زمينه¬هاي مختلف علمي در سال¬هاي اخير نسبت به الگوريتم¬هاي يادگيري ماشين سنتي به دست آورده¬اند. بر اين اساس رشته¬هاي علوم زمين از جمله اكتشاف مواد معدني از اين امر مستثني نبوده و با بكارگيري الگوريتم¬هاي يادگيري عميق به موفقيت¬هاي چشم¬گيري دست پيدا كرده است. الگوريتم¬هاي يادگيري عميق قدرت بسيار بالايي در استخراج اطلاعات سطح بالا از ورودي¬هاي غيرخطي پيچيده نشان داده¬اند. از طرفي به توزيع داده¬هاي ورودي حساسيتي ندارند. از ويژگي¬هاي الگوريتم¬ يادگيري عميق، به عمق بيشتر شبكه¬¬هاي آن كه به تعداد لايه¬هاي پردازشي به كار گرفته شده در آن¬ها اطلاق مي¬شود و همچنين عمليات كاهش پيوسته مقادير تابع زيان كه تعميم مداوم وزن¬هاي اختصاص داده شده به لايه¬هاي پردازشي در طول فرآيند يادگيري شبكه به شمار مي¬رود؛ مي¬توان اشاره نمود. اخيراً الگوريتم هاي يادگيري عميق به عنوان ابزاري بسيار قدرتمند براي شناسايي و تفكيك نواحي آنومالي ژئوشيميايي به روش¬هاي پرطرفدار در اين زمينه تبديل شده¬اند. اين الگوريتم¬ها زيرمجموعه¬ منحصر به فرد يادگيري ماشين بوده كه مي¬توانند به صورت حرفه¬اي و با بيش¬ترين دقت آنومالي¬هاي ژئوشيميايي مرتبط با كاني¬سازي را شناسايي كنند. داده¬هاي ژئوشيميايي اغلب به دليل وابستگي بالا به ويژگي¬هاي زمين¬شناسي كه خود از پيچيدگي¬هاي خاصي برخودار هستند؛ به داده¬هاي تركيبي غيرخطي شهرت دارند. از آنجا¬كه الگوريتم¬هاي يادگيري عميق توانايي خود را در استخراج ارتباطات سطح بالا از ورودي¬هاي تركيبي پيچيده ثابت كرده¬اند؛ مي¬توانند به عنوان رويه¬اي قابل اعتماد و دقيق براي شناسايي و تفكيك ناهنجاري¬هاي ژئوشيميايي مورد استفاده قرار بگيرند. از طرفي دخالت دادن علم و تجربه به داخل شبكه¬هاي يادگيري عميق اين امكان را فراهم مي¬سازد كه شبكه آموزش ديده صرفاً داده¬محور تام نبوده و ارائه نتايج نزديك¬تر به واقعيت فراهم شود. در واقع، هدف اين مطالعه شناسايي الگوهاي ناهنجاري ژئوشيميايي چندعنصري توسط الگوريتم¬هاي يادگيري عميق كانولوشني و مولد رقابتي مي باشد. در ابتدا عناصر ردياب مؤثر براي كاني¬سازي-هاي مورد مطالعه در محدوده تخت سليمان و محدوده فيض¬آباد توسط الگوريتم كانولوشني رگرسيون تشخيص داده مي¬شوند. محدوده تخت سليمان قسمتي از زون كاني¬سازي تكاب بوده و در شمال غرب ايران واقع شده است. محدوده فيض¬آباد قسمتي از زون كاني¬سازي تربت حيدريه بوده و در شمال شرق ايران مي¬باشد. داده¬هاي ژئوشيميايي چند عنصري پس از نويززدايي و هموارسازي، توسط الگوريتم كانولوشني تك¬بُعدي طبقه¬بندي مي¬شوند. در نهايت، نقشه¬هاي ژئوشيميايي چندعنصري مورد نياز براي رويه پتانسيل¬يابي كاني¬سازي توسط الگوريتم مولد رقابتي كانولوشني ارائه خواهند شد. نمودارهاي ميزان موفقيت رسم¬شده نشان¬ مي¬دهند كه نواحي آنومالي نقشه¬هاي ژئوشيميايي ايجاد شده توانايي رديابي بيش از 80% رخدادهاي كاني¬سازي را در كمتر از 32 % محدوده مورد مطالعه دارند. همچنين، نمودارهاي ميزان موفقيت ثابت مي¬كنند؛ نقشه ژئوشيميايي رسم شده توسط داده¬هاي حوزه فركانس فضايي با مساحت كم¬تر موفق به شناسايي انديس¬هاي كاني¬سازي بيش¬تر شده است. مقايسه نتايج به دست آمده از به كارگيري روش¬هاي جنگل تصادفي، نزديك¬ترين همسايگي k و ماشين بردار پشتيبان نشان مي¬دهد كه قدرت پيش¬گويي رويكرد پيشنهادي از هر سه روش نظارت¬شده بالاتر است.
چكيده انگليسي :
In recent years, deep learning algorithms (DLA) have achieved rather appropriate conclusions than traditional machine
learning algorithms (MLA) in clustering and classification of various scientific data. Accordingly, geosciences
comprising mineral exploration is not only included but also has gained impressive conclusions through employing
the DLAs. The DLAs have demonstrated great capability to extract high-level features of complex nonlinear data.
Furthermore, those are not influenced of input distribution. Rather depth meaning more processing layers and
continuously gradient descent of the loss function meaning continuously optimization of processing layers’ weights
during training procedure are considered as the most significant characteristics of these algorithms. Recently, the
DLAs as capable procedures have popularly regarded to prospect mineral potential zones. Because, the DLA is an
exclusive subset of the MLA which can professionally recognize geochemical anomalies related to mineralization
with great accuracy. Geochemical data are considered as compositional nonlinear data which is extremely influenced
through complex geological features. Whereas, the DLAs have demonstrated their great ability in feature extraction
of compositional input then are reliably employed to recognize geochemical anomalies. Furthermore, imparting the
DLAs of the knowledge and experience assists to be not trained purely data-driven resulting realistic conclusions are
produced. In fact, this study intends to recognize multi-element geochemical anomaly patterns applying deep
convolutional neural network (DCNN) and Generative adversarial network (GAN). Firstly, pathfinder elements related
to the Takht-e Soleyman district located in the Takab mineralization zone of northwestern Iran and Feyzabad district
located in Torbat-e Heidarieh mineralization zone of northeastern Iran, are distinguished applying regression
convolutional algorithm. Classification of multi-element geochemical data through applying one-dimensional
convolutional model is next step from denoising and smoothing stage. In conclusion, multi-element geochemical maps
required of the MPM will be presented applying deep convolutional GAN. The plotted success-rate curves
demonstrate that geochemical anomaly maps have predicted above 80% of mineralization occurrences within less than
32% corresponded area. Also, presented success-rate curves demonstrate that geochemical anomaly map produced of
spatial frequency domain data has catched more mineralization occurrences within less corresponded area. Results of
applying the RF, KNN and SVM methods demonstrate less prediction ability than proposed approach.
استاد راهنما :
حسن طباطبائي
استاد مشاور :
نادر فتحيان پور
استاد داور :
حمزه صادقي سرخني , عباس مقصودي , رسول امير فتاحي ورنوسفادراني
