روش های شناسایی الگو توانایی کشف روابط پنهان موجود در بین داده های اکتشافی را دارند و با بهره-گیری از این روش ها، الگوی پراکندگی ژئوشیمیایی حاکم بر عناصر در محدوده مورد مطالعه قابل شناسایی و تعمیم است. یکی از روش های شناسایی الگو، شبکه عصبی چند لایه است که در تخمین غل چکیده کامل
روش های شناسایی الگو توانایی کشف روابط پنهان موجود در بین داده های اکتشافی را دارند و با بهره-گیری از این روش ها، الگوی پراکندگی ژئوشیمیایی حاکم بر عناصر در محدوده مورد مطالعه قابل شناسایی و تعمیم است. یکی از روش های شناسایی الگو، شبکه عصبی چند لایه است که در تخمین غلظت عناصر ژئوشیمیایی در مطالعات معدنی استفاده می شود و دقت قابل قبولی ارائه می نماید. در این مطالعه، روش شبکه عصبی چند لایه بهعنوان تخمینگر انتخاب شده و با 1755 نمونه سنگی آنالیز شده با روش ICP، طراحی تخمینگر انجام پذیرفته است. در تحلیل ها برای بالا بردن دقت تخمین شبکه عصبی از الگوریتم خوشه بندی FCM استفاده شده است. پس از شناسایی تعداد خوشه بهینه موجود در داده های ژئوشیمیایی، اقدام به خوشه بندی شده و مجموعه داده برای طراحی تخمینگر ها از داده های خوشه بندی شده انتخاب شد. نتایج بهدستآمده نشان داد که استفاده از داده های خوشه بندی شده، دقت تخمین را 13 درصد افزایش داده و میانگین دقت تخمینگرهای عناصر ژئوشیمیایی که در حالت استفاده از کل داده ها برابر 75 درصد بود به 88 درصد افزایش یافته است. عناصری با دقت های پایین در حالت استفاده از کل داده ها، در حالت استفاده از داده های خوشه بندی شده افزایش قابل ملاحظه ای از خود نشان داده و خطای تخمین (MSE) در حالت استفاده از داده های خوشه بندی به میزان قابل توجهی کاهش پیدا کرده است و میانگین خطا از مقدار 079/0 با کاهشی 3 برابری به 025/0 رسیده است.
پرونده مقاله
امروزه استفاده از روشهای یادگیری ماشین در تخمین دادههای پتروفیزیکی کاربرد فراوانی دارد. در این مطالعه سعی شده لاگ صوتی برشی از دیگر دادههای پتروفیزیکی با روشهای یادگیری ماشین محاسبه و با دادههای صوتی حاصل از مغزه مقایسه شوند. برای این منظور در ابتدا برای نرم چکیده کامل
امروزه استفاده از روشهای یادگیری ماشین در تخمین دادههای پتروفیزیکی کاربرد فراوانی دارد. در این مطالعه سعی شده لاگ صوتی برشی از دیگر دادههای پتروفیزیکی با روشهای یادگیری ماشین محاسبه و با دادههای صوتی حاصل از مغزه مقایسه شوند. برای این منظور در ابتدا برای نرمالسازی دادهها روشهای محاسباتی انحراف معیار، جنگل انزوا، حداقل کوواریانس و فاکتور پرتی استفاده و مورد مقایسه قرار گرفتند. با توجه به مقدار دادههای حذفی و نمودارهای جعبهای رسم شده، روش انحراف معیار برای نرمالسازی انتخاب شد. روشهای یادگیری ماشین استفاده شده شامل جنگل تصادفی، رگرسیون چندگانه، رگرسیون تقویت شده، رگرسیون بردار پشتیبان، K نزدیکترین همسایه و پرسپترون چندلایه میباشند. رگرسیون چندگانه پایینترین اندیس ارزیابی (94/0 = R2) را داشت درحالیکه رگرسیون جنگل تصمیمگیری با اندیس ارزیابی برابر 98/0، بالاترین همبستگی بین لاگهای صوتی برشی تخمین زده شده و لاگ صوتی اصلی را داشتند. بنابراین برای تخمین نهایی از رگرسیون جنگل تصادفی استفاده شد و برای جلوگیری از کلیت بخشی یا بیش برازش دادهها، از تابع GridSearchCV هایپرپارامترهای بهینه محاسبه و تخمین نهایی انجام شد. لاگ صوتی برشی تخمینی، با دادههای صوتی حاصل از مغزه قرابت بسیار بالایی را نشان دادند.
پرونده مقاله
<p>در پژوهش حاضر به منظور اکتشاف ذخایر گچ در ناحیه شمال¬غرب تفرش، فرآیند اکتشافات سیستماتیک از مراحل پی¬جویی تا تخمین ذخیره صورت گرفته است. در این راستا برای شناسایی و تعیین پتانسیل¬های معدنی، ابتدا محدوده وسیعی به مساحت 4500 کیلومتر مربع با عملیات دورسنجی ب چکیده کامل
<p>در پژوهش حاضر به منظور اکتشاف ذخایر گچ در ناحیه شمال¬غرب تفرش، فرآیند اکتشافات سیستماتیک از مراحل پی¬جویی تا تخمین ذخیره صورت گرفته است. در این راستا برای شناسایی و تعیین پتانسیل¬های معدنی، ابتدا محدوده وسیعی به مساحت 4500 کیلومتر مربع با عملیات دورسنجی به کمک تصویربردار عملیاتی زمین (OLI) ماهواره‌ لندست 8 مورد بررسی قرار گرفت. با استفاده از تکنیک‌های پیش¬پردازش و پردازش مناسب همانند تحلیل مولفه¬های اصلی، ترکیب رنگی کاذب، کمترین مربعات رگرسیون¬شده و نگاشت زاویه طیفی بر روی تصاویر، تعداد 17 محدوده امیدبخش به¬صورت پراکنده در سطح ناحیه شناسایی شد. بر پایه بررسی¬ها و مطالعات میدانی دقیق¬تر مناطق امیدبخش، تمرکز ویژه بر روی کانسار گچ دربر واقع در مجاورت روستای دربر صورت گرفت. بنابراین، فعالیت¬های اکتشافی متنوعی شامل احداث شش رشته ترانشه اکتشافی با حجم کلی 61/135 مترمکعب، ایجاد سینه¬کار اکتشافی، تهیه نقشه 1:1000 توپوگرافی- زمین¬شناسی، تجزیه شیمیایی تعداد 9 نمونه و حفر یک حلقه گمانه اکتشافی با عمق حدود 40 متر انجام شد. نتایج تجزیه شیمیایی نمونه¬ها نشان می¬دهد که مجموع درصد ترکیبات SO3 و CaO برای تمام نمونه¬های آزمایش شده، بیش از 76 درصد است. همچنین نتیجه آزمون بازاریابی و کاربردی از طریق انجام آزمایش¬های تعیین ویژگی¬های کیفی سنگ و قابلیت پخت در مقیاس صنعتی توسط کارخانه سیمان نیزار قم، مطلوب ارزیابی شد. مدل¬سازی و تخمین ذخیره گچ این کانسار نیز با روش کلاسیک خطوط تراز و به کمک نرم¬افزار Surfer انجام شد. براساس محاسبات صورت گرفته، میزان ذخیره برجای کانسار گچ دربر حدود 5982610 تن برآورد گردید که میزان ذخیره قابل توجهی می¬باشد.</p>
پرونده مقاله