تركيب الگوريتم خوشه¬بندي Fuzzy c-means با شبكه عصبي پرسپترون چند لايه براي افزايش دقت تخمين غلظت عناصر ژئوشيميايي، مثال موردي – محدوده شرقي كانسار مس پورفيري سوناجيل

Hybrid fuzzy c-means clustering algorithm and multilayer perceptron for increasing the estimate accuracy of the geochemical element concentration case study: eastern zone of porphyry copper deposit of Sonajil

روش¬هاي شناسايي¬ الگو توانايي كشف روابط پنهان موجود در بين داده¬هاي اكتشافي را دارند و با بهره-گيري از اين روش¬ها، الگوي پراكندگي ژئوشيميايي حاكم بر عناصر در محدوده مورد مطالعه قابل شناسايي و تعميم است. يكي از روش¬هاي شناسايي ¬الگو، شبكه عصبي چند لايه است كه در تخمين غلظت عناصر ژئوشيميايي در مطالعات معدني استفاده مي¬شود و دقت قابل قبولي ارائه مي¬نمايد. در اين مطالعه، روش شبكه عصبي چند لايه به‌عنوان تخمينگر انتخاب شده و با 1755 نمونه سنگي آناليز شده با روش ICP، طراحي تخمينگر انجام پذيرفته است. در تحليل¬ها براي بالا بردن دقت تخمين شبكه عصبي از الگوريتم خوشه¬بندي FCM استفاده شده است. پس از شناسايي تعداد خوشه بهينه موجود در داده¬هاي ژئوشيميايي، اقدام به خوشه¬بندي شده و مجموعه داده براي طراحي تخمينگر¬ها از داده¬هاي خوشه¬بندي شده انتخاب شد. نتايج به‌دست‌آمده نشان داد كه استفاده از داده¬هاي خوشه¬بندي شده، دقت تخمين را 13 درصد افزايش داده و ميانگين دقت تخمينگرهاي عناصر ژئوشيميايي كه در حالت استفاده از كل داده¬ها برابر 75 درصد بود به 88 درصد افزايش يافته است. عناصري با دقت¬هاي پايين در حالت استفاده از كل داده¬ها، در حالت استفاده از داده¬هاي خوشه¬بندي شده افزايش قابل ملاحظه¬اي از خود نشان داده و خطاي تخمين (MSE) در حالت استفاده از داده¬هاي خوشه¬بندي به ميزان قابل توجهي كاهش پيدا كرده است و ميانگين خطا از مقدار 079/0 با كاهشي 3 برابري به 025/0 رسيده است.

Pattern recognition methods are able to identify the hidden relationships between exploration data, especially in the case of limited number of data. The geochemical distribution patterns of the elements are identified and generalized using these methods. Multilayer perceptron, MLP, is one of the pattern recognition methods which is used for the estimation of geochemical element concentrations in mineral deposit studies. In the current study, multilayer neural network was used to estimate the concentration of geochemical elements based on 1755 surface and borehole samples, analyzed by ICP. Fuzzy c-means, FCM, clustering algorithm was used to increase the neural network estimation accuracy. The optimal number of clusters in the dataset was identified by validation indices and was used to design estimator. The clustering data on average showed an increase of 13% accuracy compared to normal mode. The average accuracy was increased from 75 percent to 88 percent. Elements with the lowest estimation accuracy showed an acceptable increase on the estimation accuracy by using clustering data. Mean squared error was 0.079 using all data and decreased to 0.025 while using hybrid developed method.