مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

2,252
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

1,333
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

1

اطلاعات مقاله نشریه

عنوان

مقایسه کارآیی شبکه های عصبی MLP ،RBF ،PNN و GRNN در مطالعات اکتشافی ذخایر مس پورفیری به منظور تعیین نقاط حفاری در GIS

صفحات

 صفحه شروع 15 | صفحه پایان 22

چکیده

 حفاری در اکتشاف معادن, فرایندی پرهزینه و زمان بر بوده و با مشکلات بسیاری همراه است. از این رو تعیین نقاط حفاری در مطالعات تفصیلی اکتشاف ذخایر معدنی اهمیت ویژه ای دارد است. تعیین نقاط بهینه حفاری به منظور کاهش هزینه و ریسک فرایند حفاری از راه در نظر گرفتن کلیه شرایط پیچیده حاکم بر شکل گیری ذخایر معدنی و تلفیق فاکتورهای موثر بر کانی سازی انجام می شود. با توجه به اینکه روش های متداول تلفیق عامل های کانی سازی مانند روش های همپوشانی و همپوشانی شاخص, بر دانش کارشناسی و داده های موجود استوار است, دقت این روش ها با افزایش حجم اطلاعات پردازش شده و وجود نوفه (Noise) در داده ها به نحو قابل توجهی کاهش می یابد. بنابراین برای حل مشکلات موجود, به ابزارهای قوی در پردازش حجم عظیم اطلاعات و با انعطاف پذیری زیاد نیاز است. شبکه های عصبی با ساختار موازی و انعطاف پذیر, توانایی بالایی در مدیریت حجم عظیم اطلاعات و استخراج الگوها از میان داده های نوفه دار دارند. از آنجا که این شبکه ها برحسب نوع توابع عملکرد ساختارهای بسیار متنوعی دارند, لازم است کارآیی هر یک از این ساختارها در تعیین نقاط بهینه حفاری بررسی شود. بنابراین, در این مقاله به بررسی کارآیی چهار نوع شبکه عصبی با ساختار متفاوت شاملMLP , RBF, GRNN و PNN در تعیین نقاط حفاری ذخایر معدنی مس پورفیری در منطقه چاه فیروزه استان کرمان با بهره گیری از روش cross correlation پرداخته شده است. به همین منظور پس از شناسایی فاکتورهای کانی سازی و جمع آوری داده های مورد نیاز, نقشه های عامل در محیط GIS تهیه و بردارهای آموزشی شبکه عصبی استخراج شد و شبکه های عصبی یاد شده توسط داده های آموزشی, آموزش داده و به وسیله نقاط آزمون و بر اساس معیار درجه مطلوبیت گمانه های اکتشافی, ارزیابی شدند. نتایج پیاده سازی این چهار نوع شبکه عصبی, نشان می دهد که در میان چهار ساختار مختلف شبکه عصبی, شبکه های GRNN و RBF از کارآیی بهتر با دقتی در حدود 80 تا 83 درصد برای مدل سازی مکان یابی نقاط بهینه حفاری دارند. با استفاده از شبکه GRNN نقشه میزان مطلوبیت برای حفاری چاه های اکتشافی تولید شده است.

استنادها

ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    فروتن، متین، منصوریان، علی، زارعی نژاد، مژگان، و صاحبی، محمودرضا. (1390). مقایسه کارآیی شبکه های عصبی MLP ,RBF ,PNN و GRNN در مطالعات اکتشافی ذخایر مس پورفیری به منظور تعیین نقاط حفاری در GIS. علوم زمین، 21(81)، 15-22. SID. https://sid.ir/paper/32014/fa

    Vancouver: کپی

    فروتن متین، منصوریان علی، زارعی نژاد مژگان، صاحبی محمودرضا. مقایسه کارآیی شبکه های عصبی MLP ,RBF ,PNN و GRNN در مطالعات اکتشافی ذخایر مس پورفیری به منظور تعیین نقاط حفاری در GIS. علوم زمین[Internet]. 1390؛21(81):15-22. Available from: https://sid.ir/paper/32014/fa

    IEEE: کپی

    متین فروتن، علی منصوریان، مژگان زارعی نژاد، و محمودرضا صاحبی، “مقایسه کارآیی شبکه های عصبی MLP ,RBF ,PNN و GRNN در مطالعات اکتشافی ذخایر مس پورفیری به منظور تعیین نقاط حفاری در GIS،” علوم زمین، vol. 21، no. 81، pp. 15–22، 1390، [Online]. Available: https://sid.ir/paper/32014/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.
  • طرح های مرتبط

  • ثبت نشده است.
  • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button