مقايسه كارآيي شبكه هاي عصبيMLP،RBF،PNN وGRNN در مطالعات اكتشافي ذخاير مس پورفيري به منظور تعيين نقاط حفاري در GIS

Comparing the Performance of MLP, RBF, PNN and GRNN Neural Networks for Determining Boreholes of Porphyry Copper in GIS

حفاري در اكتشاف معادن، فرايندي پرهزينه و زمان‌بر و با مشكلات بسياري همراه است. از اين رو تعيين نقاط حفاري در مطالعات تفصيلي اكتشاف ذخاير معدني اهميت ويژه اي دارد است.تعيين نقاط بهينه حفاري به منظور كاهش هزينه و ريسك فرايند حفاري از راه در نظر گرفتن كليه شرايط پيچيده حاكم بر شكل گيري ذخاير معدني و تلفيق عامل‎هاي موثر بر كاني سازي انجام مي شود.با توجه به اينكه روش هاي متداول تلفيق عامل هاي كاني سازي مانند روش هاي همپوشاني و همپوشاني شاخص، بر دانش كارشناسي و داده هاي موجود استوار است، دقت اين روش ها با افزايش حجم اطلاعات پردازش شده و وجود نوفه (Noise) در داده ها به نحو قابل توجهي كاهش مي يابد. بنابراين 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، توانايي بالايي در مديريت حجم عظيم اطلاعات و استخراج الگو ها از ميان داده هاي نوفه‎دار دارند. از آنجا ‌كه اين شبكه ها برحسب نوع توابع عملكرد ساختارهاي بسيار متنوعي دارند، لازم است كارآيي هريك از اين ساختارها در تعيين نقاط بهينه حفاري بررسي شود. بنابراين، در اين مقاله به بررسي كارآيي چهار نوع شبكه عصبي با ساختار متفاوت شامل MLP، RBF، GRNN و PNN در تعيين نقاط حفاري ذخاير معدني مس پورفيري در منطقه چاه فيروزه استان كرمان با بهره گيري از روش cross correlation پرداخته شده است. به همين منظور پس از شناسايي عامل‎هاي كاني سازي و جمع آوري داده هاي مورد نياز، نقشه هاي عامل در محيط GIS تهيه و بردارهاي آموزشي شبكه عصبي استخراج شد و شبكه هاي عصبي ياد شده توسط داده هاي آموزشي، آموزش داده و به وسيله نقاط آزمون و بر اساس معيار درجه مطلوبيت گمانه هاي اكتشافي، ارزيابي شدند. نتايج پياده سازي اين چهار نوع شبكه عصبي، نشان مي دهد كه در ميان چهار ساختار مختلف شبكه عصبي، شبكه هاي GRNN و RBF از كارآيي بهتر با دقتي در حدود 80 تا 83 درصد براي مدل‌سازي مكان‌يابي نقاط بهينه حفاري دارند. با استفاده از شبكه GRNN نقشه ميزان مطلوبيت براي حفاري چاه هاي اكتشافي توليد شده است.