بررسی چگونگی رفتار عنصر مس نسبت به عناصر مولیبدن، سرب و روی در کانسار مس پورفیری پرکام در استان کرمان، با استفاده از روش K-Means

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد دانشکده مهندسی معدن و متالوژی دانشگاه صنعتی امیرکبیر تهران

2 استاد دانشکده مهندسی معدن و متالوژی دانشگاه صنعتی امیرکبیر تهران

چکیده

      یکی از دیدگاههای مهم در علم دادهکاوی برای تجزیه و تحلیل و بررسی حجم بیش از داده ها و نمونه ها با مشخصه های گوناگون ، دیدگاه خوشهبندی وجود ندارد که شامل روشها و تکنیکهای مهمی باشد روش سلسله مراتبی ، روش آزمایش K ، روشهای مبنای چگالی ، روش کوهونن ، و غیره در موضوع ادبیات است و تاکنون توسط محققان مختلف برای کار گرفته شده است. یکی از معروفترین الگوریتمهای خوشهبندی ، الگوریتم K متوسط ( K-Means ) است. این الگوریتم تلاش میکند که بر اساس یک معیار فاصله ، دادهها را به K خوشه تقسیم کند. در مقاله پیش رو با بکارگیری روش K-Means برای طبقه بندی گمانه های حفاری شده در کانسار پرکام ، تحت چهار مقدار عیار عناصر مس ، مولیبدن ، سرب و روی ، مقدار بهینه Kدر هر مورد محاسبه شده و سپس به طبقه بندی داده های مذکور ، تجارب و تجزیه و تحلیل رفتار نسبت به دیگر پرداخت شده است. در این تحقیق به منظور مشخص نمودن مقدار مناسب K جهت تعیین تعداد کلاسها ، از معیار مناسب استفاده گردیده که با توجه به تعداد کلاسها از 3 = K الی 10 = K تغییر میشوند و سپس به کمک معیارهای گروه گروه بندی مورد نیاز قرار می گیرد تا K بهینه انتخاب شود . به استناد نتایج بدست آمده ، خوشه بندی با تعداد 3 = K در مورد مس و مولیبدن ، 4 = K در مورد مس و سرب و همچنین خوشه بندی با مقدار 3 = K  در مورد مس و روی ، نسبت به تعداد کلاسهای دیگر در هر مورد ، مناسبتر بوده است و با توجه به طبقه بندی صورت گرفته با موارد فوق العاده الذکر ، مشاهده گردیده است که با افزایش عناصر مس مس ، عیار عنصر مولیبدن با افزایش وزن میدی ، عیار عناصر سرب تا 16/0 شدید و سپس افزایش یافته و عیار عنصر روی نیز مانند سرب شروع کاهش و سپس افزایش می یابد. ممکن است با استفاده از روش پیشنهادی فوق العاده برای بررسی میزان کاهش عنصر مس با سایر عناصر موجود در آنالیزها انجام شده است که شما می توانستید دیدگاه بسیار مناسبی داشته باشید ، زیرا پیش بینی می کنید این صنعت ایجاد شود . بنابر این استفاده ساده از اکتشاف معدن مس است ، اگر شما قادر به پیشگیری از رفتارهای فلزی در حین فرآیند های فرآیند مانند درجه آزادی و پیشبینی بهترین سایه ها باشید همچنین مینماید.
 

کلیدواژه‌ها


حسنی پاک.ع.ا.، 1390، اصول اکتشافات ژئوشیمیایی، انتشارات دانشگاه تهران، تهران، چاپ هشتم
شرکت پارس اولنگ، 1388، معرفی محدوده اکتشافی کانسار پرکام، گزارش کار.
شرکت مهندسین مشاور کان­ایران، 1388، مطالعات زمین شناسی و آلتراسیون محدوده پرکام در مقیاس1:5000.
شهاب پور.ج.، 1380، زمین شناسی اقتصادی، انتشارات دانشگاه شهید باهنر کرمان، کرمان.
عرفانی.ح.، 1374، زمین شناسی اقتصادی (کانسارها)، انتشارات دانشگاه تهران، تهران، چاپ چهارم.
قنادپور.س.س.، هزارخانی.ا.، 1390، بررسی و محاسبه پارامترهای اولیه زمین آماری عنصر مس از کانسار مس پورفیری پرکام در استان کرمان، دومین همایش صنایع معدنی.
قنادپور.س.س.، هزارخانی.ا.، 1391، محاسبه دقیق برخی از پارامترهای زمین آماری مس و مولیبدن در سیستم مس پورفیری پرکام کرمان، فصلنامه زمین شناسی کاربردی
      پیشرفته. (تحت داوری)
قنادپور.س.ف.، یقینی.م.، خدمتلو.س.، 1387، کلاس بندی به روش X-Means  و مقایسه با روش K-Means با مطالعه موردی بر روی قطارهای مسافری شرکت رجاء،    
      کنفرانس داده کاوی ایران، دانشگاه امیرکبیر (پلی تکنیک تهران).
 یقینی.م.، قنادپور.س.ف.، خدمتلو،.س.، 1387، ارائه یک روش ابتکاری خوشه­بندی در داده­کاوی با استفاده از الگوریتم ژنتیک و حل یک مطالعه­ی موردی واقعی در صنعت حمل  
      و نقل ریلی، کنفرانس داده کاوی ایران، دانشگاه امیرکبیر (پلی تکنیک تهران).
Anderberg.M.R., 1973, Cluster Analysis for Application, Academic Press, New York.
Berberian.M., King.G.C., 1981, Towards a Paleogeography and Tectonic Evolution of Iran, Can. J. Earth Sci 18: 210–265.
Devijver.P.A., Kittler.J., 1982, Pattern Recognition: A Statistical Approach, Prentice-Hall International, Hemel Hemstead, Hertford Shire, UK.
 
 
 
   
 

Ghannadpour.S.S., Hezarkhani.A., 2012, Determine the initial statistical specifications of Copper and molybdenum elements in Porphyry Copper ore deposit in kerman, International Mining Congress & Expo.
Jain.A.K., 2012, Data clustering: 50 years beyond K-Means, Elsevier, Pattern Recognition Letters, 31, 651-666.
Krishna.K., Narasimha.M., 1999, Genetic K-Means Algorithm, IEEE Transations on Systems, MAN, and Cybernetics – Part B:  
      Cybernetics, 29: 433-439.
Leiluo.X., Xianwu.B., Ruizhong.H., Xingchun.Z., 2012, Relationships between porphyry Cu–Mo mineralization in the inshajiang–
      Red Rivermetallogenic belt and tectonic activity: Constraints from zircon U–Pb and molybdenite Re–Os geochronology,  
      Elsevier, Ore Geology Reviews 48, 460–473.
Menard.J.J., 1995, Relationship between altered pyroxene diorite and the magnetite mineralization in the Chilean Iron Belt, with  
      emphasis on the El Algarrobo iron deposits (Atacama region, Chile), Springer-Verlag, Mineral. Deposita 30, 268-274.
Meshkani.S.A., Mehrabi.B., Yaghubpur.A., Alghalandis.Y.F., 2011, The application of geochemical pattern recognition to regional  
      prospecting: A case study of the Sanandaj–Sirjan metallogenic zone, Iran, Elsevier, Journal of Geochemical Exploration, 108,  
      183-195.
Mora.J.L., Armas-Herrera.C.M., Guerra.J.A., Rodríguez-Rodríguez.A., Arbelo.C.D., 2012, Factors affecting vegetation and soil
      recovery in the Mediterranean woodland of the Canary Islands (Spain), Elsevier, Journal of Arid Environments, 87, 58-66.
Murthy.C.A., 1996, In Search of Optimal Clusters Using Genetic Algorithm, Pattern Recognition Letters, 17: 825-832.
Nelson.P.A., Bellugi.D., Dietrich.W.E., 2012, Delineation of river bed-surface patches by clustering high-resolution spatial grain
      size data, Elsevier, Geomorphology.
Peleg.D., Moore.A., 2000, Accelerating Exact K-Means Algorithm with Geometric Reasoning, (Technical report CMU-CS-00-
      105) Carnegie Mellon University, Pittsburgh, PA. Also available from http://www.cs.cmu.edu/dpelleg/.
Saha.S., Bandyopadhyay.S., 2013, A generalized automatic clustering algorithm in a multiobjective framework, Elsevier, Applied
      Soft Computing, 13, 89-108.
Saric.A., Diordjevic.M., Dimitrijevic.M.N., 1971, Geological map of Shahre-e-Babak, 1:100,000 Series. Geological Survey of  
      Iran, Tehran, Iran.
Sfidari.E., Kadkhodaie-Ilkhchi.A., Najjari.S., 2012, Comparison of intelligent and statistical clustering approaches to predicting
      total organic carbon using intelligent systems, Elsevier, Journal of Petroleum Science and Engineering, 86-87, 190-205.
Tarkian.M., Stribrny.B., 1999, Platinum-group elements in porphyry copper deposits: a reconnaissance study, Springer-Verlag,
      Mineralogy and Petrology 65, 161-183.
Wegner.T., Hussein.T., Hämeri.K., Vesala.T., Kulmala.M., Weber.S. 2012, Properties of aerosol signature size distributions in the
      urban environment as derived by cluster analysis, Elsevier, Atmospheric Environment, 61, 350-360.
Yang.J., Zhuang.Y., Wu.F., 2012, ESVC-based extraction and segmentation of texture features,  Elsevier, Computers &
      Geosciences, 49, 238-247.
Yi.X., Zhang.Y., 2013, Equally contributoryprivacy-preserving K-Means clusteringover verticallypartitioneddata, Elsevier,
 
 
63
 
 
      Information Systems, 38, 97-107.