عنوان

بهینه‌سازی و شدت بخشی آنومالی‌های ژئوشیمیایی با استفاده از مدل‌های مفهومی و هیبریدی در کانسار مس پورفیری – اپی ترمال سوناجیل – شمال غرب ایران

Number

۵۱۰۴پ

.Language of Text, Soundtrack etc

فارسی

Title Proper

بهینه‌سازی و شدت بخشی آنومالی‌های ژئوشیمیایی با استفاده از مدل‌های مفهومی و هیبریدی در کانسار مس پورفیری – اپی ترمال سوناجیل – شمال غرب ایران

General Material Designation

[پایان نامه]

First Statement of Responsibility

مجید محبوبی اقدم

Name of Publisher, Distributor, etc.

صنعتی سهند

Date of Publication, Distribution, etc.

۱۴۰۲

Specific Material Designation and Extent of Item

۱۷۸ص.

Other Physical Details

مصور، جدول، نمودار

Accompanying Material

CD

Dissertation or thesis details and type of degree

دکتری

Discipline of degree

مهندسی معدن- اکتشاف

Date of degree

۱۴۰۲/۰۶/۰۱

Text of Note

با توجه به اینکه امروزه فن‌آوری‌های مدرن ذخیره‌سازی و تجزیه‌وتحلیل داده‌های کلان با استفاده از روش‌های یادگیری ماشین و در رأس آن روش‌های تشخیص الگو انجام می‌شود، روش‌های نوین اکتشافات معدنی نیز از روش‌های تشخیص الگو بهره برده و در تحلیل فیچرهای مختلف اکتشافی از این روش‌‌ها برای تهیه نقشه پتانسیل و پیدا کردن مناطق دارای بالاترين و بيشترين احتمال کانی سازي استفاده می‌کند. در تحقیق حاضر، در ابتدا با نگرش ويژه به اكتشاف ذخاير مس پورفیری، مدل‌سازی توصيفی - مفهومي مناسب کانسار سوناجیل انجام شد و همه مشخصاتی که می‌توانند به‌عنوان معيار اکتشافی مورد استفاده قرار گيرند، شناسايی و در قالب يک مدل هدف جمع‌آوری شدند. بنابراین، از تجزیه‌وتحلیل لایه‌های اطلاعاتی مختلف، نقشه‌های شاهد و پيشگوي اکتشافي تهیه و با استفاده از الگوریتم‌های رایج پتانسیل‌یابی همچون همپوشانی وزن‌دار و فازی، مدل‌سازی توصیفی و مفهومی کانسار سوناجیل به دست آمد. در ادامه کار و پس از به دست آوردن فیچرهای اکتشافی، با استفاده از روش‌های جدید تصمیم‌گیری چند معیاره آراس، واسپاس و مارکوس نیز نقشه پتانسیل تهیه شد. در مرحله نهایی با استفاده از روش‌‌های تشخیص الگو و الگوریتم‌‌های خوشه‌‌بندی و طبقه‌‌بندی، ضمن تلفیق اطلاعات سطحی و عمقی کانسار مس پورفیری سوناجیل در مرحله تهیه داده‌های آموزشی، نقشه پتانسیل معدنی کانسار سوناجیل جهت تفکیک بهینه زون‌های کانی زایی و طراحی عملیات اکتشافی تهیه شد. در این راستا با استفاده از شاخص‌‌های اعتبارسنجی، تعداد خوشه بهینه داده‌‌های آموزشی شناسایی و خوشه‌‌بندی داده‌‌ها به‌وسیله الگوریتم‌‌های خوشه‌‌بندی انجام‌شده است و متعاقباً نقشه پتانسیل با روش‌های هیبریدی بیزین و جنگل تصادفی و ماشین بردار پشتیبان به دست آمد. در این میان از الگوریتم‌های متاهیوریستیک نیز جهت نتیجه‌گیری بهینه استفاده شد. نتایج ضمن تائید روش‌های تصمیم‌گیری چند معیاره، نشان می‌دهد استفاده از روش‌های تشخیص الگو باعث افزایش دقت میانگین می‌شود. در الگوریتم هیبریدی NB-FCM و RF-GK خوشه‌بندی داده‌های آموزشی باعث افزایش دقت میانگین شد. همچنین دقت روش SVM در بهبود به‌وسیله روش‌های متاهیورستیک افزایش دقت قابل قبولی داشت. از بین روش‌‌های مختلف هیبریدی استفاده‌شده، بیشترین دقت مربوط به الگوریتم جنگل تصادفی با دقت طبقه‌‌بندی 97 درصد بود. اعتبارسنجی نتایج به‌وسیله اطلاعات اندیس‌های کانی زایی منطقه و گمانه‌‌‌‌ها، نتایج حاصل را تائید می‌کند.

Text of Note

In today's world, advanced technologies for data storage and the analysis of large datasets, notably through the utilization of machine learning methodologies, and, most importantly, pattern recognition techniques, have become pervasive. Innovative data mining approaches also harness the power of pattern recognition to investigate diverse attributes, thereby aiding in the generation of prospective maps and the identification of regions with the highest probability of mineralization. In this current study, a specialized focus on the exploration of porphyry copper deposits was initially undertaken. This involved developing a suitable descriptive-conceptual model for the Sonajil deposit, where all the characteristics suitable for exploration criteria were identified and consolidated into a target model. Therefore, exploratory and predictive maps were prepared from the analysis of different layers of information. Additionally, through the application of common potential-finding algorithms, such as weighted and fuzzy overlay, a descriptive-conceptual model of the Sonajil deposit was developed. After conducting an initial assessment of exploratory features, potential maps were generated using contemporary multi-criteria decision-making methods, including ARAS, WASPAS, and MARCOS. In the final stage, pattern recognition methods, clustering, and classification algorithms were employed to integrate surface and subsurface information of the Sonajil porphyry copper deposit during the training data preparation stage. This resulted in the creation of the mineral potential map for the Sonajil deposit, enabling optimal separation of mineralization zones and the design of exploration operations. In this regard, validation indices were employed to determine the optimal number of clusters in the training dataset, and data clustering was performed using clustering algorithms. Subsequently, potential maps were generated using hybrid Bayesian, random forest, and support vector machine methods, with the additional utilization of meta-heuristic algorithms to optimize the results and conclusions. The results, following validation of the multi-criteria decision-making methods, reveal that the utilization of pattern recognition methods improves the mean accuracy. Within the hybrid algorithms, namely NB-FCM and RF-GK, clustering of the training data resulted in an increase in mean accuracy. Furthermore, the SVM method exhibited a noteworthy enhancement in accuracy through the application of meta-heuristic methods. Among the diverse hybrid methods utilized, the random forest algorithm achieved the highest classification accuracy at 97%. The validation of results is achieved through the use of geological data from the region's mineral indices and borehole data, confirming the obtained results.

Variant Title

Optimization and Intensification of Geochemical Anomalies Using Hybrid and Conceptual Models in the Sonajil Cu Porphyry-Epithermal Deposit, Northwest Iran

الگوریتم‌‌های تشخیص الگو

تلفیق اطلاعات سطحی و عمقی

نقشه پتانسیل کانی سازی عمقی

سطح فرسایش

Subject Term

الگوریتم‌‌های تشخیص الگو، تلفیق اطلاعات سطحی و عمقی، نقشه پتانسیل کانی سازی عمقی، سطح فرسایش، سوناجیل، آذربایجان شرقی

Subject Term

Pattern Recognition Algorithms, Integration of Surface and Subsurface Data, Depth Potential Mineralization Map, Erosion Surface, Sonajil, East Azerbaijan

محبوبی اقدم، مجید

Entry Element

محمدزاده

Entry Element

جهانگیری

Entry Element

ناصری

Part of Name Other than Entry Element

، محمدجعفر

Part of Name Other than Entry Element

، محرم

Part of Name Other than Entry Element

، آینور

Relator Code

استاد راهنما

Relator Code

استاد مشاور

Relator Code

استاد مشاور

Entry Element

صنعتی سهند

Country

ایران

Agency

دانشگاه صنعتی سهند

Call Number

معدن، ۵۰۳۲۲، ۱۴۰۲

p

TF

92029

a

Y