تعيين مناطق بهينه حفاري در اكتشاف تفصيلي منابع معدني با استفاده از شبكه هاي عصبي RBF و GRNN در محيط GIS

حفاري در اكتشاف معادن،پروسه اي پر هزينه و زمان بر بوده و با مشكلات بسياري همراه است.از اين رو تعيين نقاط حفاري در مطالعات تفصيلي اكتشاف ذخاير معدني، كه از طريق در نظر گرفتن كليه شرايط پيچيده حاكم بر شكل- گيري ذخاير معدني و تلفيق فاكتورهاي موثر بر كاني سازي انجام مي شود، از اهميت ويژه اي برخوردار است .با توجه به اينكه روش هاي متداول تلفيق فاكتورهاي كاني سازي مانند روش هاي همپوشاني ،بر دانش كارشناسي استوار است، دقت اين روش ها با افزايش حجم اطلاعات پردازش شده و وجود نويز در داده ها به نحو قابل توجهي كاهش مييابد. لذا براي حل مشكلات موجود به ابزارهاي قوي در پردازش حجم عظيم اطلاعات و با انعطاف پذيري زياد نياز است. شبكه هاي عصبي با ساختار موازي و انعطاف پذير، از توانايي بالايي در مديريت جحم عظيم اطلاعات و استخراج الگوها از ميان داده هاي نويزدار برخوردارند. لذا شبكه هاي عصبي مي توانند جهت شناسايي نقاط مناسب براي حفاري مورد استفاده قرار گيرند. بنابراين در اين مقاله به تهيه نقشه هاي نقاط بهينه حفاري ذخاير مسپورفيري بهوسيله دو نوع شبكه عصبيGRNN و RBF بابهره گيري از روش cross correlation و ارزيابي اين نقشه ها بر اساس گمانه هاي اكتشافي حفرشده در منطقه نوچون استان كرمان پرداخته شده است. نتايج ارزيابي نقشه هاي تهيه شده توسط اين دو نوع شبكه عصبي، نشان مي دهد كه شبكه عصبيGRNNاز كارآيي بهتر با دقتي در حدود 71 درصد براي مدل سازي مكان يابي نقاط بهينه حفاري برخوردار است. مكان يابي نقاط بهينه حفاري برخوردار است.