روش تحلیلی هوشمند برای مدلسازی تلفیقی اکتشاف ذخایر اقتصادی مس ارائه شد

به گزارش گروه گروه دانشگاه خبرگزاری دانشجو، عارف شیرازی دانش‌آموخته دانشگاه صنعتی امیرکبیر و مجری طرح «تلفیق روش‏های تحلیلی هوشمند به منظور مدل‏ سازی ژئوشیمیایی و شناسایی کلید‌های اکتشافی» گفت: شناسایی مناطق پر پتانسیل معدنی از نظر کانی زایی، اولین مرحله از چرخه عمر معدن به شمار می ‏آید؛ بنابراین به طور مستقیم و یا غیرمستقیم، مراحل بعدی را تحت تأثیر نتایج خود قرار می‌‏دهد.

وی ادامه داد: ارائه یک مدل یکپارچه از ویژگی‌های مختلف مربوط به کانی ‏زایی به منظور اکتشاف ذخایر اقتصادی مس به وسیله روش‌های مبتنی بر هوش مصنوعی هدف این پروژه بوده است.

شیرازی با بیان اینکه مدل یکپارچه پتانسیل معدنی مس از اعتبار بالایی برخوردار است به طوری که بر اساس روش ماتریکس در‏هم ریختگی، صحت میانگین بیش از هشتاد درصد محاسبه شده است، گفت: به عبارت ساده‌تر مدل ارائه شده مبتنی بر هوش مصنوعی توانسته است با اعتبار بالایی پتانسیل‌های کانی زایی مس را بارزسازی کند.

وی خاطر نشان کرد: نتایج حاصل از این پژوهش، گامی بزرگ در جهت صرفه‌جویی در منابع مدیریتی در بخش اکتشافات مواد معدنی بوده است.

محقق دانشگاه صنعتی امیرکبیر خاطر نشان کرد: بر اساس بررسی‌‏های صورت گرفته روی داده‌‏ها، کلید‌های اکتشافی مربوط به کانی ‏زایی مس ‏سولفید‏ توده‌‏ای در قالب پنج لایه ‏اطلاعاتی آماده شد؛ این لایه‏های اطلاعاتی عبارتند از ‏زمین‏ شناسی ساختاری، دگرسانی، ‏لیتولوژی، ژئوشیمی و زمین‏گاه ‏شناسی که در روند مطالعاتی هریک، از روش‌های تحلیلی و مبتنی بر هوش مصنوعی استفاده شده است.
وی گفت: از جمله روش‏های به‏کارگرفته شده در تحلیل لایه‏‌های اطلاعاتی می‏ توان به آمار کلاسیک، زمین آمار، هندسه فرکتالی، شبکه عصبی مصنوعی، یادگیری ماشین و خوشه ‏بندی اشاره ‏کرد. نهایتاً به منظور شناسایی نواحی پرپتانسیل کانی ‏زایی مس، لایه‌های اکتشافی مطالعه شده، به روش ابداعی فرآیند تحلیل سلسله مراتبی - عصبی فازی (NFAHP) یکپارچه شد.

وی خاطر نشان کرد: صحت‏سنجی مدل پتانسیل معدنی مس‏سولفید‏توده‏ای در ناحیه سهل‌آباد، با رویکرد ماتریکس درهم ‏ریختگی و ضریب توافق کاپا ارزیابی شد؛ میزان صحت کلی برای کلاس‏های پتانسیل بالا، متوسط و پایین به ترتیب ۸۰، ۸۳ و ۸۳ درصد و ضریب توافق کاپا ۶۵/۰ محاسبه شد. این نتیجه تاییدی است بر اعتبار مدل پتانسیل کانی‏زایی مس در ناحیه سهل آباد است.

وی خاطر نشان کرد: سیستم مدیریت اکتشافات معدنی کشور، دیر یا زود باید خود را با روش ‏های روز دنیا از جمله روش‌های مبتنی بر هوش مصنوعی همراه کند. مدل‏های تلفیقی بهینه سازی شده بر مبنای هوش مصنوعی، می ‏تواند تا حد زیادی در صرفه جویی در منابع مالی و زمانی موثر باشد. این مهم به عنوان گام نخست در شناسایی ذخایر معدنی، به طور کلی تاثیر به سزایی بر روند رشد صنایع کشور خواهد داشت.

وی گفت: پژوهش حاضر از جنس روش شناسی و ارائه الگوی بهینه در اکتشاف مواد معدنی است، لذا پیشینه مطالعاتی دانشمندان چراغ راه مسیر مطالعاتی پژوهش بوده و نتایج این پژوهش در نوع خود به روزترین نمونه بهینه شده بر مبنای هوش مصنوعی و مدل‌های تصمیم گیری است.

وی گفت: از کاربرد‌های این طرح می‌توان به افزایش صحت مناطق مستعد کانی زایی شناسایی شده، استفاده هم‏ زمان از روش‌های داده محور و دانش محور، ارائه رویکردی جدید از کاربرد روش خوشه بندی کا-میانگین در تفکیک جوامع آماری و جدایش آنومالی از زمینه، ارائه روش ابداعی فرآیند تحلیل سلسله مراتبی فازی عصبی (Neuro-Fuzzy- Analytic Hierarchy Process) که اختصاراً NFAHP خوانده می‌شود به عنوان روشی جدید در یکپارچه سازی لایه‌های اطلاعاتی اشاره کرد؛ گفتنی است که این روش به طور کلی قابلیت تلفیق و یکپارچه‌سازی هرگونه لایه اطلاعاتی را دارد که در طرح حاضر به صورت کاربردی در اکتشاف معدن استفاده شده است.

شایان ذکر است استاد راهنمای این پروژه پروفسور اردشیر هزارخانی عضو هیئت علمی دانشگاه صنعتی امیرکبیر بوده است.