مدلسازی پتانسیل معدنی با به کارگیری شبکه خودرمزنگار عمیق در پهنه اکتشافی دهسلم، شرق ایران
شناسایی نواحی مستعد مرتبط با کانیسازی و تلفیق مجموعه دادههای چندمنبعی اکتشافی در مدلسازی پتانسیل معدنی ضروری است. در این پژوهش، از روش تحلیل دادههای حجیم و یک الگوریتم یادگیری عمیق بدون ناظر، جهت شناسایی اهداف اکتشافی مرتبط با کانیسازی مس- طلای پورفیری در پهنه اکتشافی دهسلم، شرق ایران استفاده شد...
Saved in:
| Published in: | Ravishʹhā-yi taḥlīlī va ʻadadī dar muhandisī-i maʻdin (Journal of analytical and numerical methods in mining engineering) Vol. 10; no. 22; pp. 77 - 94 |
|---|---|
| Main Authors: | , , , |
| Format: | Journal Article |
| Language: | English |
| Published: |
Yazd University
01-05-2020
|
| Subjects: | |
| Online Access: | Get full text |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | شناسایی نواحی مستعد مرتبط با کانیسازی و تلفیق مجموعه دادههای چندمنبعی اکتشافی در مدلسازی پتانسیل معدنی ضروری است. در این پژوهش، از روش تحلیل دادههای حجیم و یک الگوریتم یادگیری عمیق بدون ناظر، جهت شناسایی اهداف اکتشافی مرتبط با کانیسازی مس- طلای پورفیری در پهنه اکتشافی دهسلم، شرق ایران استفاده شده است. بر اساس شرایط زمینشناسی و تشکیل این تیپ کانیسازی، در این پژوهش 32 متغیر ورودی، شامل دادههای زمینشناسی (لیتولوژی و ساختاری)، سنجش از دور (دگرسانیهای آرژیلیک و اکسید آهن)، آنالیز 27 عنصر ژئوشیمی رسوبات آبراههای و نقشه برگردان به قطب مغناطیس هوابرد جهت مدلسازی اکتشافی مس و طلای پورفیری با به کارگیری الگوریتم شبکه خودرمزنگار عمیق، استفاده و نتایج حاصل با خروجی مدل میانگین هندسی مقایسه گردید. ارزیابی عملکرد مدلهای پتانسیل معدنی تولیدشده با استفاده از نمودار آهنگ پیشبینی- مساحت بهبودیافته بررسی شد. نتایج حاصل از این پژوهش نشان دهنده عملکرد مناسب مدل تولیدشده به روش خودرمزنگار عمیق، در شناسایی اهداف اکتشاف جهت برنامهریزی فعالیت‌های اکتشافی تفصیلی است. خروجی مدل تولید شده منجر به شناسایی اهداف اکتشافی جدیدی در قسمتهای شرق، شمال، غرب و جنوب غرب منطقه مورد مطالعه شده است. نتیجه این پژوهش، نشان دهنده پتانسیل روشهای مبتنی برتحلیل دادههای حجیم و یادگیری عمیق در مدلسازی پتانسیل معدنی است. |
|---|---|
| ISSN: | 2251-6565 2251-6565 |
| DOI: | 10.29252/anm.2020.12606.1412 |