بررسي عملكرد روش يادگيري عميق در مقايسه با روش زمين آماري كريجينگ معمولي در تخمين عيار كانسار معدن مس پورفيري سرچشمه

امروزه كاهش خطاي تخمين عيار با استفاده از روشهاي نوين نقش تعيين كننده اي در بهينه سازي عمليات معدنكاري و كاهش ريسك عدم موفقيت اقتصادي پروژه هاي معدني ايفا مي نمايد. هدف از تحقيق حاضر ارائه روشي براي بهبود تخمين سه بعدي عيار مس در گستره كانسار مس سرچشمه با استفاده ازروشهاي هوشمند يادگيري ماشين و مقايسه با نتايج روشهاي مرسوم و متداول زمين آماري مي باشد. كانسار مس سرچشمه يكي از بزرگترين كانسارهاي مس پورفيري و روي كمربند آتشفشاني اروميه-دختر در جنوب استان كرمان در ايران مركزي واقع‌شده است. در اين پژوهش، از 526 گمانه در دسترس كه حاوي 38006 نمونه مغزه عيارسنجي شده براي عيار مس كل مي‌باشند، استفاده شده است. ميانگين عيار مس در نمونه ها برابر با 54/0 و حداكثر مقدار آن 3.43 درصد بدست آمده است. در بانك اطلاعاتي نمونه ها براي هر نمونه هفت ويژگي شامل سه مختصات مكاني موقعيت نمونه ها (طول، عرض، ارتفاع)، عيار مس، عيار موليبدن، نوع آلتراسيون و جنس ليتولوژي سنگ ثبت گرديده است. قبل از انجام تخمين عيار مس، پيش‌پردازش‌هايي شامل اصلاح داده هاي خارج از رديف و هم پايه سازي داده ها (كامپوزيت سازي) روي‌داده‌ها انجام شد و در نهايت بيضوي ناهمسانگردي عيار مس با استفاده از ماتريس كوواريانس به دست آمد. براي تخمين عيار مس، از دو روش شامل الگوريتم يادگيري عميق با معماري هاي ResNet-18 و كريجينگ معمولي استفاده گرديد كه درنهايت و در مرحله بررسي عملكرد روشهاي فوق، مشخص شد كه نتايج اعتبارسنجي الگوريتم شبكه عصبي عميق ResNet-18 با مقدار RMSE برابر 34/0 داراي بهترين عملكرد و روش كريجينگ معمولي با مقدار RMSE برابر 4/0 داراي بيشترين خطا بوده است. در اعتبار سنجي متقابل نيز، روش ResNet-18 با مقدار ضريب تعيين رگرسيون برابر با 86/0 داراي بهترين عملكرد و روش كريجينگ معمولي با ضريب تعيين 77/0 داراي ضعيف‌ترين عملكرد بوده است.