19304

16714

كارشناسي ارشد

اكتشاف معدن

اصفهان : دانشگاه صنعتي اصفهان

1402

دوازده، 67 ص. : مصور، جدول، نمودار،

1402/12/13

كتابنامه

مهندسي معدن

مهندسي معدن

1402/12/21

23019748

الگوريتم يادگيري عميق در زمينههاي مختلف كاربرد داشته و توجه بسياري را به خود جلب كرده است . در زمينه علوم زمين، يادگيري عميق به‌عنوان يك ابزاري كارآمد براي استخراج دادههاي پيچيده، ابعاد بالا و غيرخطي زمين‌شناسي و استخراج الگوهاي ناشناخته قبلي مرتبط با فرايندهاي زمين‌شناسي نشان‌داده‌شده است. در اين مطالعه، از يك شبكه رمزگذار خودكار عميق براي استخراج ويژگي‌هاي مربوط به كاني‌سازي استفاده شد. سپس اين ويژگي‌ها به‌عنوان يك نقشه اكتشافي جهت اكتشاف مواد معدني بر اساس داده‌هاي اكتشاف ژئوشيميايي كه شامل مس، سرب، روي، طلا و ... است، ادغام شدند. آزمايش‌هاي زيادي جهت تعيين پارامترهاي بهينه شبكه رمزگذار خودكار عميق انجام شد. ساختار شبكه رمزگذار خودكار عميق كه در آن عمق شبكه و تعداد واحدهاي پنهان 16-8-4-8-16 انتخاب شد، براي تشخيص ناهنجاريهاي ژئوشيميايي مربوط به كانيسازي چندفلزي مس در شمال و شمالغرب بردسكن ساخته شد. ناهنجاريهاي ژئوشيميايي شناسايي شده توسط شبكه رمزگذار خودكار عميق يك همبستگي فضايي نزديك با رسوبات چندفلزي شناخته شده منطقه را نشان مي‌دهد. نتايج بهدست آمده از شبكه رمزگذار خودكار عميق با نتايج حاصل از بررسي چند متغيره آناليز فاكتوري مقايسه گرديد و مشخص گرديد هر دو روش در تشخيص دادههاي آنومال خوب عمل كرده و شبكه رمزگذار خودكار عميق به نسبت بهتر از روش آناليز فاكتوري عمل كرده است و درنتيجه استنباط شد كه ميتوان از شبكه خودكار عميق در جهت تشخيص دادههاي آنومال از بين دادههاي تركيبي و چندمتغيره ژئوشيميايي و تشخيص محدودهي آنومال استفاده كرد و همچنين مشخص گرديد كه روش آماري چند متغيره آناليز فاكتوري تا حد نسبتا بالايي به نوع كانيسازي منطقه وابسته است، اما شبكه رمزگذار خودكار عميق به نوع كانيسازي منطقه وابسته نبوده و تمامي تيپهاي كانيسازي را درمنطقه ياد گرفته و بررسيهاي لازم را در كل محدوده و براي تمامي تيپهاي كانيسازي و تمامي عناصر انجام ميدهد و درنتيجه ميتواند در منطقه بهتر عمل كرده و حدود آنومالي و زمينه را بهتر مشخص كند.

The deep learning algorithm has been used in various fields and has attracted a lot of attention. In the field of geosciences, the deep learning has been shown to be an efficient tool for mining complex, high-level, and non-linear geological data and extracting previously unknown patterns related to geological processes. In this study, a deep autoencoder network was used to extract mineralization-related features. Then these features were integrated as an exploration map for mineral exploration based on geochemical exploration data that includes copper, lead, zinc, gold, etc. Many experiments were conducted to determine the optimal parameters of the deep automatic encoder network. The deep automatic encoder network structure, in which the network depth and the number of hidden units were chosen as 16-8-4-8-16, was built to detect geochemical anomalies related to copper polymetallic mineralization in the north and northwest of Bardskan. The geochemical anomalies identified by the deep autoencoder network show a close spatial correlation with the known polymetallic deposits of the region. The results obtained from the deep autoencoder network were compared with the results obtained from multivariate factor analysis and it was found that both methods performed well in detecting anomalous data and the deep automatic encoder network performed relatively better than the factor analysis method. and as a result, it was concluded that deep automatic network can be used to detect anomalous data from combined and multivariate geochemical data and to detect anomalous range.

حسن طباطبايي

نادر فتحيان پور , مهيار يوسفي