توصيفگر ها :
يادگيري نظارت‌شده , ماشين بردار پشتيبان , قدرت توليد خطي , ميدوك , مدل‌سازي , جنگل تصادفي , درخت تصميم , تحليل فاكتوري مقاوم
چكيده فارسي :
در حال حاضر يكي از چالش‌هاي پيش‌روي مهندسين، اكتشاف ذخاير پنهان، پيچيده و بدون رخنمون مي‌باشد. استفاده از روش‌هاي سنتي با در نظر گرفتن ارتباط داده‌هاي سطحي و عمقي جهت اكتشاف اين قبيل نهشته‌ها امكان‌پذير نبوده و تعيين مناطق كاني‌سازي را با عدم قطعيت بالايي مواجه كرده است. روش‌هاي مبتني بر هوش مصنوعي از جمله يادگيري ماشين به‌منظور پوشش محدوديت‌هاي روش‌هاي آماري و كاهش عدم قطعيت در ساليان اخير در بين دانشمندان علوم زمين بكار گرفته شده‌اند. اولويت‌بندي و انتخاب بهترين منطقه براي تمركز و ادامه عمليات اكتشافي، به‌گونه‌اي كه نتيجه به‌دست‌آمده قابل‌اطمينان و با خطرپذيري كمتر باشد، يكي از مهم‌ترين چالش‌ها در اكتشاف مواد معدني است. بدين منظور سعي مي‌شود از روش‌هاي اكتشافي هوشمند و كارآمدتر براي شناسايي مناطق مستعد كاني‌سازي استفاده شود. بخش اصلي هزينه‌بر در اكتشاف، حفاري گمانه‌هاي اكتشافي است كه جانمايي آن‌ها تصميم حساسي براي مكتشفين است استفاده از تكنيك‌هاي به‌روز در همه مراحل پروژه‌هاي اكتشافي به‌خصوص پردازش و تحليل داده‌ها مي‌تواند به نتايج بهينه، كاهش ريسك و به‌تبع آن كاهش هزينه را منجر شود.در اين پايان‌نامه از روش‌هاي يادگيري نظارت‌شده جهت مدل‌سازي كانسار مس پورفيري ميدوك استفاده شده است. سنگ ميزبان كانسار يك پلوتون نيمه عميق پورفيري با سن ميوسن و كانه‌زايي در ميدوك بيشتر مرتبط با توده نفوذي پورفيري است. حضور زون‌هاي دگرساني پتاسيك، پروپيليتيك، آرژيليك و فيليك در كانسار ميدوك تأييد مي‌شود. كانسار رگه‌اي چندفلزي چاه مسي را مي‌توان به‌عنوان يك ذخيره پلي‌متال در نظر گرفت سنگ‌هاي ميزبان شامل سنگ‌هاي آتشفشاني و آذرآواري است كه عوامل ساختاري در اين كانسار نقش كنترل‌كننده كاني‌سازي را داشته‌اند. با استفاده از نتايج آناليز 54 عنصري به روش ICP-MS تعداد 70 نمونه سنگي برداشت‌شده از محدوده ميدوك، مورد تحليل آماري تركيبي قرار گرفتند. در تحليل تك‌متغيره داده‌ها با تبديل نسبت لگاريتمي ميان مركز (clr) باز شدند و سپس با استفاده از روش عكس مجذور فاصله نقشه توزيع تك عنصري مس و موليبدن تهيه گرديد. سپس تحليل فاكتوري مقاوم بر روي داده‌ها صورت گرفت كه فاكتور اول با 34% تغيير‌پذيري قرارگيري عنصر مس و فاكتور دوم با 19% تغيير‌پذيري، موليبدن به‌عنوان عنصر همراه فاكتور مرتبط با كاني‌زايي ارائه شد. مدل‌سازي در بخش كيفي جهت ارتباط داده‌هاي سطحي و زيرسطحي اين كانسار انجام شده است. در اين بخش جهت تفكيك مناطق آنومال و زمينه از يكديگر بر اساس قدرت توليد خطي، روش‌هاي ماشين بردار پشتيبان، جنگل‌هاي تصادفي و درخت تصميم استفاده شد. ترتيب دقت در تفكيك اين جوامع به صورت جنگل تصادفي، ماشين بردار پشتيبان و درخت تصميم است. در اين ميان جنگل تصادفي نتايج بهتري بادقت 77.5% در كلاسه‌بندي ارائه مي‌دهد. براي اعتبارسنجي مدل ساخته‌شده، از كانسار چاه مسي استفاده شد كه باتوجه به متفاوت بودن تيپ دو كانسار با استفاده از نتايج مثلث رده‌بندي كانسار‌هاي مس پورفيري و نتايج حاصل از آناليز فاكتوري مقاوم بر روي داده‌هاي دو كانسار، مدل ساخته شده داراي دقت كمتري است.
چكيده انگليسي :
One of the challenges facing engineers right now is exploring hidden, complex, and undisclosed reserves. The use of traditional methods by considering the relationship between surface and depth data to explore such deposits has not been possible and the determination of mineralization areas has faced high uncertainty. Artificial intelligence-based methods, including machine learning, have been used by geoscientists in recent years to cover the limitations of statistical methods and reduce uncertainty. Prioritizing and selecting the best area to focus and continue exploration operations, so that the results obtained are reliable and less risky, is one of the most important challenges in mineral exploration. For this purpose, more intelligent and efficient exploration methods are used to identify areas prone to mineralization. The main costly part of exploration is the drilling of exploratory boreholes, the location of which is a crucial decision for explorers. The use of up-to-date techniques at all stages of exploration projects, especially data processing and analysis, can lead to optimal results, risk reduction and consequently cost reduction. Thesis: Supervised learning methods have been used to model the Meduk porphyry copper deposit. The host rock of a semi-deep porphyry Pluto with Miocene age and mineralization in Midok is mostly associated with the porphyry intrusive mass. The presence of potassic, propylitic, argillic and phyllite alteration zones in the Miduk deposit is confirmed. Copper well's Copper well's multi-metallic vein deposit can be considered as an epithermal reserve. The host rocks include volcanic and pyroclastic rocks in which structural factors have played a role in controlling mineralization. Using the results of 54-element analysis by ICP-MS method, 70 rock samples taken from Midok area were analyzed by combined statistics. In univariate analysis, the data were opened by converting the logarithmic ratio between the center (clr) and then a one-element distribution map of copper and molybdenum was prepared using the inverse squares method. Then resistant factor analysis was performed on the data. The first factor with 34% variability of copper element placement and the second factor with 19% variability, molybdenum was presented as the element associated with the mineralization-related factor. Modeling has been done in the qualitative part to connect the surface and subsurface data of this deposit. In this section, to separate anomalous areas and fields from each other based on linear production power, support vector machine methods, random forests and decision tree were used. The order of accuracy in dividing these communities is random forest, support vector machine and decision tree. Stochastic forest, meanwhile, offers better results with an accuracy of 77.5% in classification. To validate the constructed model, copper well deposit was used, which due to the different types of two deposits using the results of the triangulation classification of porphyry copper deposits and the results of factor analysis resistant to the data of the two deposits, the model is less accurate.
