تفکیک دگرسانی های کانسار مس سونگون با استفاده از شبکه های عصبی مصنوعی

جدایش مناطق دگرسانی یکی از مراحل مهم در ارزیابی و شناسایی کارهای معدنی به شمار می رود که به داشتن دید بهتری از منطقه و شناخت نواحی کانی ساز کمک شایانی می کند. بیشتر روش های جدایش دگرسانی ها بر اساس مشاهدات سنگ شناسی است و کمتر، از روش های دیگری استفاده شده است. در این نوشتار، سعی شده است با استفاده از شبکه های عصبی نوعRBPNN (Radial Basis Probabilistic Neural Network) این مناطق را جدا نمود. این شبکه ها به علت ساختار منحصر به فرد و طراحی آسان آنها، بیشتر در مسائل طبقه بندی مورد استفاده قرار می گیرند. داده های ورودی مورد استفاده در این مطالعه، تجزیه های شیمیایی 12 اکسید و 16 عنصر (28 متغیر) عنصر مربوط به 45 نمونه ژئوشیمیایی بودند که خروجی آن نیز مناطق دگرسانی (پتاسیک، انتقالی و فیلیک) هستند که برای هرکدام از داده های ورودی کدگذاری شده اند. پس از انتخاب داده های آموزشی و تست، شبکه برای آموزش آماده، و داده ها همراه با خروجی آنها به شبکه داده شد. بر اساس نتایج به دست آمده از این بررسی، شبکه توانست رابطه فضایی پیچیده مابین ورودی ها که یک فضای 28 متغیره است را تشخیص داده و همچنین توانست دگرسانی ها را به درستی طبقه بندی نماید. به صورتی که مقدار MSE (میانگین مربعات خطا) 0163/0 به دست آمد که خود حاکی از کارکرد مطلوب شبکه در این امر است.