تخمین ذخیره کانسار سنگ آهن لکه سیاه با روش های زمین آماری و شبکه مصنوعی

سرمایه گذاری ها و پیشرفت پروژه های معدنی بستگی به کمیت و کیفیت منابع و ذخایر معدنی دارد، بنابراین اطلاع از اعتبار تخمین ذخیره معدنی بر اساس روش های گوناگون اهمیت فراوانی دارد. این پژوهش به بررسی نقش زمین آمار و شبکه عصبی مصنوعی در مدل سازی، تخمین عیار بلوک های اکتشافی و تخمین ذخیره کانسار پرداخته است. مدل سازی توزیع فضایی مقادیر آهن با استفاده از سه روش کریجینگ معمولی، شبیه سازی متوالی گاوسی و شبکه عصبی مصنوعی انجام شده است. برای ساخت مدل بلوکی کانسار، از 29 گمانه اکتشافی با میانگین عمق 75/142 متر و مجموع طول 9/4139 متر استفاده شد. تحلیل‏های آماری بر روی 1247 داده کامپوزیت‏ شده 2 متری انجام شد. پس از بررسی های آماری، واریوگرافی سه بعدی برای شناخت ناهمسانگردی منطقه و انتخاب بهترین واریوگرام و بیضوی جستجو برای متغیر آهن، انجام و مدل سه بعدی کانسار برای تخمین عیار به روش های کریجینگ معمولی و شبیه سازی متوالی گاوسی به دست آمد. همچنین مدل سازی و تخمین عیار به روش شبکه عصبی مصنوعی انجام گرفت. اعتبارسنجی نتایج به دست آمده از روش شبکه عصبی مصنوعی نشان داد که این تخمین اعتبار بسیار خوبی دارد و به علت سادگی استفاده و عدم نیاز به محاسبات سنگین واریوگرافی جایگزین مناسبی برای روش‏های زمین‏آماری کریجینگ و شبیه‏سازی متوالی گاوسی است. در ادامه نیز بر اساس عیار حدهای مختلف، میزان تناژ و عیار متوسط محاسبه و نمودار عیار-تناژ رسم شد. نتایج نشان می دهد که این کانسار به ازای عیار حد 20 درصد، 439 میلیون تن ماده معدنی با عیار متوسط 42 درصد دارد.