مدل‌سازي فرايند تهيه نقشه پتانسيل معدني با استفاده از سامانه استنتاجگر فازي‏ ‏ (منطقه مورد مطالعه : كانسار مس چاه‌فيروزه)‏

Modeling Process of Mineral Potential Mapping Using Fuzzy Inference ‎Systems (Case Study: Chah Firoozeh Copper Deposit)‎

با توجه به ‌گستردگي نواحي پتانسيل‌دار ذخيره معدني در كشور، وجود نگرشي سامان‌مند براي شناسايي و تبديل انديس‌هاي معدني به معادن، ضروري به‌نظر مي‌رسد. تنوع مدل مفهومي ‏ذخاير گوناگون معدني، وجود داده‌هاي متنوع كمي و كيفي اكتشاف ذخاير معدني و همچنين وجود نظرات كارشناسي و سلايق مختلف، فرايند تهيه نقشه پتانسيل معدني را بسيار پيچيده ‏مي‌كند. تاكنون روش‌هاي مختلفي مانند همپوشاني شاخص، منطق فازي، شبكه عصبي و وزن‌هاي نشانگر براي مدل‌سازي اين پيچيدگي به‌كار گرفته شده ‌است. در فرايند اكتشاف ذخاير ‏معدني توجه همزمان به مدل‌سازي ماهيت غير‌قطعي داده‌هاي اكتشافي، به‌كارگيري دانش كارشناسي و انعطاف‌پذيري روش براي انواع ذخاير معدني در قالب سامانه‌اي يكپارچه، ضروري ‏است. در مقايسه با روش‌هاي ديگر سامانه استنتاجگر فازي ويژگي‌هاي يادشده را دارد. براي بررسي اين امر،‌ در اين پژوهش يك سامانه استنتاجگر فازي براي مدل‌سازي فرايند تهيه ‏پتانسيل معدني پيشنهاد و در انديس مس چاه‌فيروزه پياده‌سازي شد. مراحل اصلي اين پژوهش شامل فازي‌سازي نقشه‌هاي فاكتور با استفاده از تعريف متغيرهاي زباني و توابع عضويت ‏مناسب، تركيب نقشه‌هاي فاكتور با كمك استنتاج فازي (به‌وسيله ايجاد پايگاه قوانين اگر- آنگاه فازي و به‌كارگيري مدل تصميم‌گيري مناسب) و تهيه نقشه پتانسيل معدني با استفاده از ‏قطعي‌سازي خروجي، است. در نقشه پتانسيل معدني تهيه‌شده، ‌مناطق مستعد كاني‌سازي مس پورفيري،‌ در نواحي مركزي و با گسترش شمالي- جنوبي شناسايي شده‌اند. براي ارزيابي، 24 ‏گمانه اكتشافي در منطقه با نقشه پتانسيل معدني انطباق داده مي‌شوند. بر پايه 4 نوع رده‌بندي نقشه پتانسيل معدني، ميزان تطابق برابر با 64/63 درصد، 75درصد، 95/63 درصد و 23/80 ‏درصد محاسبه شد. نقشه پتانسيل معدني تهيه‌شده در تعيين مناطق داراي پتانسيل خيلي ضعيف، دقيق‌تر است و با 52/81 درصد از گمانه‌هاي با وضعيت خيلي ضعيف انطباق دارد. همچنين ‏نقشه پتانسيل معدني به‌دست آمده با نقشه پتانسيل معدني تهيه‌شده از اين منطقه به كمك عملگرهاي فازي (با بهينه‌ترين تركيب عملگرهاي فازي)‏‎ ‎و بدون فازي‌سازي نقشه‌هاي ورودي ‏مقايسه شد. نتيجه مقايسه نشان داد كه نقشه پتانسيل معدني تهيه‌شده با استفاده از سامانه استنتاجگر فازي، در 4 رده‌بندي مورد استفاده در اين پژوهش به‌طور ميانگين 6 درصد تطابق بيشتري ‏با گمانه‌هاي اكتشافي دارد.‏

Due to the extensive areas of potential mineral reserves in the country, it seems necessary to have a systematic approach to identify and ‎convert indices of mineral deposits into mines. Existing various conceptual models of mineral deposits, variety of both quantitative and ‎qualitative data to explore mineral deposits and the expertise and different interests, cause the mineral potential mapping process to be very ‎complicated. So far, various methods such as the overlap index, fuzzy logic, neural networks and weights of evidence are used for modeling ‎this complexity. Consideration the fuzzy nature of mineral exploration in the process of modeling exploratory data, applying expert ‎knowledge and flexibility for all types of mineral deposits in the form of an integrated system is essential. Compared with other methods ‎fuzzy inference system has stated characteristics. To verify this, in this study, a fuzzy inference system for modeling mineral potential was ‎proposed and for the Chah Firoozeh copper deposit was implemented. The main stages of this research include fuzzifying factor maps using ‎the appropriate membership functions and linguistic variables, combining factor maps using fuzzy inference (by creating if_then fuzzy rules ‎database and using an appropriate decision-making model) and generating mineral potential map with defuzzification output. In the resulted ‎mineral potential map, porphyry copper mineralization prone area is located in the central regions with north-south extension. For evaluation, ‎‎24 exploration boreholes in the area are complying with the mineral potential map. Based on the four classification types of mineral potential ‎map, the compliance rate was calculated as 63.64%, 75%, 63.95% and 80.23%. Obtained mineral potential map is more accurate in the very ‎low potential areas and 81.52% of the holes with very low state are located properly. In addition, resulted mineral potential map was ‎compared with the mineral potential map generated using only fuzzy operators and without fuzzifying factor maps. The comparison shows ‎that the mineral potential map that was generated using fuzzy inference system, in four classifications used in this study has 6% greater ‎compliance with the exploration boreholes in average.‎