مقایسه شبکه های عصبی با روش های داده کاوی به منظور شبیه سازی عنصر مس؛ مطالعه موردی: پرکام کرمان

تجزیه و تحلیل داده ها به ما کمک می کند تا بدانیم چگونه می بایست به نتایج مورد انتظار دست یابیم، بنابراین برای دستیابی به پردازش هایی دقیق تر، لازم است تا از بین تمام روش های تحلیل اطلاعات، هر یک که برای موضوع تحت بررسی مان مناسب تر است را انتخاب نماییم. بدین منظور جهت آنالیز نمونه های حاصله از عملیات نمونه برداری سطحی سیستم مس پورفیری پرکام واقع در استان کرمان، تحت چهار مقدار طول و عرض نقاط نمونه برداری، عیار عناصر مس و مولیبدن، از سه روش پرکاربرد K-نزدیکترین همسایه (KNN) ، K میانگین (K-Means) و شبکه های عصبی بهره خواهیم گرفت. یکی از دیدگاه های مهم در علم داده کاوی برای تحلیل و بررسی روی حجم زیادی از داده ها و نمونه ها با مشخصه های گوناگون، دیدگاه خوشه بندی می باشد. از معروف ترین الگوریتم های خوشه بندی، الگوریتم KNN و K-Means می باشد که الگوریتم KNN بر اساس تخمین پیش می رود و روشی غیر پارامتری جهت کلاسه بندی و رگرسیون گیری و به دست آوردن روابط چندین متغیر می باشد در حالی که K-Means بر اساس یک معیار فاصله، داده ها را به K خوشه تقسیم می کند و پس از کلاسه بندی داده ها، رفتار آنها نسبت به یکدیگر را مورد تحلیل قرار می دهد. شبکه های عصبی در تشخیص الگو ها و نیز زمانی که اطلاعات در دسترس برای تفسیر کافی نیستند، می توانند ابزاری سودمند باشند. به منظور شبیه سازی و تخمین عیار مس، الگوریتم های یاد شده با یکدیگر مورد مقایسه واقع شده و در نهایت نتایج ارائه شده اند. در مقاله پیش رو، هدف مقایسه نتایج این سه روش به منظور تعمیم آن برای سایر پژوهش ها در مواجهه با تعداد داده های محدود و هموار ساختن مسیر برای محققین می باشد. نتایج حاصله نشان می دهد که روش KNN با ضریب همبستگی مناسب تر نسبت به شبکه های عصبی و K-Means برای تخمین عیار عنصر مس، موثر واقع شده است. امتیاز استفاده از روش KNN نسبت به دیگر روش های تخمینی در مقاله پیش رو، ارائه گر الگویی مشخص و دقیق به منظور تخمین عیار در مواجهه با تعداد داده های محدود به تصمیم گیران این صنعت می باشد.