تخمين توزيع عيار با استفاده از الگوريتم تركيبي PSO-SVR مطالعه موردي: زون سوپرژن كانسار مس سونگون

Estimating distribution of ore grade using hybrid PSO-SVR algorithm, case study: supergene zone of Sungun copper deposit

تخمين عيار يكي از مراحل كليدي و پيچيده در طراحي و ارزيابي اقتصادي معادن است. از اينرو در سال هاي اخير پژوهش هاي گسترده اي در اين زمينه انجام و روش هاي متعددي براي تخمين عيار پيشنهاد داده اند كه در اين بين، روش هاي غيرخطي مبتني بر هوش مصنوعي از مؤثرترين و دقيق ترين روش هاي معرفي شده به شمار مي آيند. در مقاله ي حاضر، يك روش تركيبي شامل الگوريتم تخمين گر رگرسيون بردار پشتيبان (SVR) و الگوريتم بهينه سازي ازدحام ذرات (PSO) معرفي و جهات تخمين عيار مس در زون سوپرژن كانسار مس پورفيري سونگون بكار گرفته شد. براساس شاخص هاي آماري سنج خطاي تخمين اين روش عملكرد مناسبي را در تخمين عيار مس ارائه نمود. همچنين مقايسه نتايج حاصله از اين روش تركيبي با نتايج حاصل از ديگر تخمين گرهاي هوشمند نظير شبكه عصبي پرسپترون چند لايه و سيستم استنتاج فازي- عصبي تطبيقي، بيانگر قابليت تعميم دهي و كارايي محاسباتي بالاتر اين روش نسبت به دو روش هاي مذكور بود. لذا به كارگيري اين روش به عنوان يك روش سريع و دقيق جهت تخمين توزيع عيار در موارد مشابه پيشنهاد مي شود.

Ore grade estimation is one of the key and complicated stages in design and economic evaluation of mines. Therefore, in recent years extensive researches have been performed in this field and several methods have been developed for grade estimation of deposit. In the meantime, nonlinear methods based on artificial intelligence are the effective and accurate introduced techniques. In this article, a hybrid method including support vector regression estimator (SVR) and particle swarm optimization (PSO) algorithm were introduced and used for copper grade estimation in supergene zone of sungun porphyry copper deposit. According to indicators of measurement error estimation this method has been revealed good performance for copper grade estimation. Also, comparison of obtained results from this hybrid mothod with other obtained results from intelligent estimators such as multilayer perceptron neural network and adaptive neuro-fuzzy inference system delineated this method have higher generalization capability and computational efficiency than other two said methods. Therefore suggested to be applied this method as rapid and accurate approaches for grade estimation in same problems.