مقايسه عملكرد شبكه عصبي مصنوعي و ماشين بردار پشتيبان در تهيه مدل سه ‌بعدي زون‌هاي كاني‌سازي (مطالعه موردي:كانسار مس پورفيري ميدوك، ايران)

به دليل ارتباط زون‌هاي كاني‌سازي با تغييرپذيري عيار در كانسارهاي مس پورفيري، تهيه مدل سه بعدي اين زون‌ها يكي از گام‌هاي پيش از تخمين در ارزيابي اين تيپ كانسارها به شمار مي‌آيد. كيفيت اين مدل تأثير بسزايي بر كيفيت تخمين‌هاي ارائه شده براي عيار، طراحي مناسب استخراج بلندمدت و درنهايت كاهش مشكلات بين معدن و كارخانه فرآوري خواهد داشت. روش معمول براي تهيه اين مدل استفاده از روش مدلسازي محدود مي‌باشد كه فرآيندي پيچيده و زمان‌بر است. يكي از راه‌حل‌هاي ممكن براي تهيه اين گونه مدل‌ها استفاده از روش‌هاي نامحدود همچون روش‌هاي هوشمند مي‌باشد. در اين مقاله تلاش شده است تا عملكرد دو روش هوشمند شبكه عصبي مصنوعي و ماشين بردار پشتيبان طبقه‌بندي‌كننده در جداسازي زون‌هاي كاني سازي (شامل زون شسته شده، زون هيپوژن، زون سوپرژن) كانسار مس ميدوك مورد مطالعه و بررسي قرار گيرد. براي اين منظور از مختصات جغرافيايي (طول و عرض و ارتفاع) داده‌هاي حاصل از گمانه‌هاي اكتشافي به عنوان ورودي و زون‌هاي كاني‌سازي مشاهده شده در آن‌ها به عنوان خروجي مدل استفاده شده است. بررسي نتايج حاصل از اين الگوريتم‌هاي هوشمند در جداسازي زون‌هاي زمين شناسي نشان مي‌دهد كه روش ماشين بردار پشتيبان طبقه‌بندي‌كننده نسبت به شبكه عصبي مصنوعي عملكرد مطلوب‌تري دارد. عملكرد مطلوب‌تر روش روش ماشين بردار پشتيبان نسبت به شبكه عصبي مصنوعي، با استفاده از دقت بالاتر اين روش در مراحل آموزش و آزمايش و همچنين مقايسه ميان مدل بلوكي طبقه‌بندي شده با برداشت‌هاي صورت گرفته از چال‌هاي انفجاري نشان داده شده است.

Due to the relation of mineralization zones with grade variability in porphyry copper deposits, the preparation of the three-dimensional model of these zones is one of the pre-estimation steps in evaluation this type of deposits. The quality of this model has a significant impact on the quality of the grade estimates, the proper design of long-term extraction and ultimately reducing the problems between the mine and the processing plant. The usual way to prepare this model is to use a constrained modeling technique, which is a complex and time consuming process. One of the possible solutions for the preparation of these models is the use of unconstrained methods, such as intelligent methods. This paper attempts to study the performance of artificial neural network and support vector machine in the separation of mineralization zones (including leached, hypogene and supergene zones) in Miduk copper deposit. The northing co-ordinate, easting co-ordinate and height of the samples are used as input variables, and the observed mineralization zones in them are used as the output variable. Investigating the results of these intelligent algorithms in the separation of geological zones shows that the support vector machine classifier has a better performance than the artificial neural network. The better performance of the support vector machine method is shown by 1) the higher accuracy of this method in the training and testing stages and 2) the comparison between the block model with the grade control observations.