بررسی چگونگی رفتار عنصر مس نسبت به عناصر مولیبدن، سرب و روی در کانسار مس پورفیری پرکام در استان کرمان، با استفاده از روش K-Means

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 که خود شامل روش ها و تکنیک های مهمی همچون روش سلسله مراتبی، روش میانگین K، روش های بر مبنای چگالی، روش کوهونن، و غیره در ادبیات موضوع است و تاکنون توسط پژوهشگران مختلف به کار گرفته شده است. یکی از معروف ترین الگوریتم های خوشه بندی، الگوریتم K میانگین (K-Means) است. این الگوریتم تلاش می کند که بر اساس یک معیار فاصله، داده ها را به K خوشه تقسیم کند. در مقاله پیش رو با بکارگیری روش K-Means برای کلاس بندی گمانه های حفاری شده در کانسار پرکام، تحت چهار مقدار عیار عناصر مس، مولیبدن، سرب و روی، مقدار بهینه K در هر مورد محاسبه شده و سپس به کلاس بندی داده های مذکور، و تجزیه و تحلیل رفتار آنها نسبت به یکدیگر پرداخته شده است. در این پژوهش به منظور مشخص نمودن مقدار مناسب K جهت تعیین تعداد کلاس ها، از معیار مناسبی استفاده گردیده که با توجه به آن تعداد کلاس ها از 3=K الی10=K تغییر داده می شوند و سپس به کمک معیار مذکور گروه بندی های حاصل شده مورد تحلیل قرار می گیرند تا K بهینه انتخاب شود. به استناد نتایج حاصل شده، خوشه بندی با تعداد 3=K در مورد مس و مولیبدن، 4=K در مورد مس و سرب و همچنین خوشه بندی با مقدار 3=K در مورد مس و روی، نسبت به تعداد کلاس های دیگر در هر مورد، مناسب تر بوده و با توجه به کلاس بندی صورت گرفته با موارد فوق الذکر، مشاهده گردیده است که با افزایش عیار عنصر مس، عیار عنصر مولیبدن با شدت بیشتری افزایش می یابد، عیار عنصر سرب تا 16/0 کاهش شدید و سپس افزایش یافته و عیار عنصر روی نیز مانند سرب ابتدا کاهش و سپس افزایش می یابد. بنابراین می توان با استفاده از روش پیشنهادی فوق به بررسی میزان تغییرات عنصر مس با دیگر عناصر موجود در آنالیز های انجام شده پرداخت که خود می تواند دیدگاه بسیار مناسبی را پیش روی تصمیم گیران این صنعت ایجاد نماید. بنابر این علاوه بر کاربرد وسیع در اکتشاف معادن مس، می تواند امکان پیش بینی رفتار کانه های فلزی در حین فرآیندهای فرآوری مانند تعیین درجه آزادی و پیش بینی بهترین سایز را نیز فراهم می نماید.