تخمین مقادیر آنومال مس-مولیبدن با استفاده از روش جدایش فواصل ماهالانوبیس و سه روش پرکاربرد داده کاوی؛ مطالعه موردی: ظفرقند

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده مهندسی معدن دانشگاه صنعتی امیرکبیر

2 استادیار دانشکده مهندسی معدن/دانشگاه صنعتی امیرکبیر

3 دانشیار دانشکده مهندسی معدن دانشگاه صنعتی امیرکبیر

چکیده

این پژوهش به منظور کاهش خطا در راستای صرف هزینه و انرژی به بررسی ترکیب روش‌های داده کاوی و جدایش آنومالی پرداخته است. اهمیت تشخیص مقادیر آنومال از زمینه بر هیچ یک پوشیده نیست، به این منظور روش‌های متعددی ابداع گشته است که از آن جمله می‌توان به روش جدایش فواصل ماهالانوبیس اشاره کرد که روشی مؤثر و چند متغیره در جدایش مقادیر آنومال از زمینه محسوب می‌شود. در مطالعه حاضر، به بررسی عملکرد ترکیب روش جدایش فوق با سه روش داده کاوی -Kنزدیکترین همسایه، طبقه بند ساده بیز و شبکه عصبی کانولوشن پرداخته می‌شود، به این ترتیب که پس از جدایش مقادیر آنومال مس و مولیبدن در مورد 177 نمونه حاصله از عملیات نمونه‌برداری سطحی در محدوده ظفرقند به کمک روش فواصل ماهالانوبیس، به منظور پیش‌بینی این مقادیر برای هر نمونه تصادفی، سه روش داده کاوی مذکور، مورد استفاده قرار گرفت. نتایج نشان می‌دهد که روش -K نزدیکترین همسایگی به مراتب قوی‌تر بوده، زیرا در شبکه طراحی شده توسط این روش، هیچ نمونه ای اشتباهاً شناسایی نشد که نشان دهنده دقت بالای شبکه طراحی شده است. لازم به ذکر است که تعداد نمونه‌های به اشتباه پیش‌بینی شده برای دو روش شبکه عصبی کانولوشن و بیز به ترتیب برابر با 2 و 3 عدد گزارش شده‌اند. با توجه به میزان خطای به مراتب قابل قبول‌تری برای شبکه طراحی شده توسط ترکیب روش -K نزدیکترین همسایگی و فواصل ماهالانوبیس، ترکیب مذکور به عنوان روشی قابل اطمینان و سودمند جهت رسیدن به صحیح‌ترین پیشگوئی‌ها به تصمیم‌گیران این صنعت معرفی شده است.

کلیدواژه‌ها

موضوعات


Alaminia, Z., Bagheri, H., Salehi, M., 2016. Geological, geophysical investigations and studies of fluids involved in Zafarghand exploration area (north-east of Isfahan province, Iran). Economic Geology 9(2), 295-312. https://doi.org/10.22067/ECONG.V10I2.76528.
Aminoroayaei Yamini, M., Tutti, F., Haschke, M., Ahmadian, J., Murata, M., 2017. Synorogenic copper mineralization during the Alpine–Himalayan orogeny in the Zafarghand copper exploration district, Central Iran: petrogrography, geochemistry and alteration thermometry. Geological Journal 52(2), 263-281. https://doi.org/10.1002/gj.2755.
Aminroayaei Yamini, M., Tutti, F., Aminoroayaei Yamini, M.R., Ahmadian, J., Wan, B., 2017. Examination of chloritization of biotite as a tool for reconstructing the physicochemical parameters of mineralization and associated alteration in the Zafarghand porphyry copper system, Ardestan, Central Iran: mineral-chemistry and stable isotope analyses. Mineralogy and Petrology 111, 747-759. https://doi.org/10.1007/s00710-016-0486-7.
Bax, E., 2000. Validation of nearest neighbor classifiers: IEEE transactions information theory 58, 2746-2752. https://doi.org/10.1109/18.887892.
Beucher, A., Österholm, P., Martinkauppi, A., Eden, P., 2013. Artificial neural network for acid sulfate soil mapping: Application to the Sirppujoki River catchment area, south western Finland Journal of Geochemical Exploration 125, 46-55. https://doi.org/10.1016/j.gexplo.2012.11.002.
Barbarin, B., 1990. Granitoids: main petrogenetic classifications in relation to origin and tectonic setting. Geological Journal 25(3‐4), 227-238.‏ https://doi.org/10.1002/GJ.3350250306.
Cheng, Q., 1999. Spatial and scaling modelling for geochemical anomaly separation. Journal of Geochemical exploration 65(3), 175-194. https://doi.org/10.1016/S0375-6742(99)00028-X.
Deng, B., 2020. Machine learning on density and elastic property of oxide glasses driven by large dataset. Journal of non-crystalline solids 529, 119768. https://doi.org/10.1016/j.jnoncrysol.2019.119768.
Filzmoser, P., Garrett, G., Reimann, C., 2005. Multivariate outlier detection in exploration geochemistry. Computers & Geosciences 31(5), 579–587. https://doi.org/10.1016/j.cageo.2004.11.013.
Farhadi, S., Afzal, P., Boveiri Konari, M., Daneshvar Saein, L., Sadeghi, B. 2022. Combination of Machine Learning Algorithms with Concentration-Area Fractal Method for Soil Geochemical Anomaly Detection in Sediment-Hosted Irankuh Pb-Zn Deposit, Central Iran. Minerals 12(6), 689. https://doi.org/10.3390/min12060689.
Ghannadpour, S.S., Hezarkhani, A., 2015. Investigation of Cu, Mo, Pb, and Zn geochemical behavior and geological interpretations for Parkam porphyry copper system, Kerman, Iran. Arabian Journal of Geosciences 8(9), 7273–7284. https://doi.org/10.1007/s12517-014-1732-0.
Ghannadpour, S.S., Hezarkhani, A., Sabetmobarhan, A., 2015. Some statistical analyses of Cu and Mo variates and geological interpretations for Parkam porphyry copper system, Kerman, Iran. Arabian Journal of Geosciences 8(1), 345–355. https://doi.org/10.1007/s12517-013-1096-x.
Ghannadpour, S.S., Hezarkhani, A. 2016a. Introducing 3D U-statistic method for separating anomaly from background in exploration geochemical data with associated software development. Journal of Earth System Science 125(2), 387–401. https://doi.org/10.1007/s12040-016-0657-2.
Ghannadpour, S.S., Hezarkhani, A., 2016b. Exploration geochemistry data-application for anomaly separation based on discriminant function analysis in the Parkam porphyry system (Iran): Geoscience Journal 20(6), 837–850. https://doi.org/10.1007/s12303-015-0064-8.
Ghannadpour, S.S., Hezarkhani, A., Roodpeyma, T., 2017. Combination of Separation Methods and Data Mining Techniques for Prediction of Anomalous Areas in Susanvar, Central Iran. African Journal of Earth Sciences 134, 516–525. https://doi.org/10.1016/j.jafrearsci.2017.07.015.
Kavzoglu, T., 2009. Increasing the accuracy of neural network classification using refined training data. Environmental Modelling & Software 24(7), 850-858. https://doi.org/10.1016/j.envsoft.2008.11.012.
Koohzadi, F., Afzal, P., Jahani, D., Pourkermani, M., 2021. Geochemical exploration for Li in regional scale utilizing Staged Factor Analysis (SFA) and Spectrum-Area (S-A) fractal model in north central Iran. Iranian Journal of Earth Sciences 13, 299-307. https://doi.org/10.30495/ijes.2021.685397.
Liu, X., Han, F., Ghazali, K.H., Mohamed, I.I., Zhao, Y., 2019. A review of convolutional neural networks in remote sensing image. In Proceedings of the 2019 8th International Conference on Software and Computer Applications, p. 263-267. https://doi.org/10.1145/3316615.3316712.
Li, W., Kong, D., Wu, J., 2017. A novel hybrid model based on extreme learning machine, k-nearest neighbor regression and wavelet denoising applied to short-term electric load forecasting. Energies 10(5), 694. https://doi.org/10.3390/en10050694.
Moeini, H., Torab, F. M., 2017. Comparing compositional multivariate outliers with autoencoder networks in anomaly detection at Hamich exploration area, east of Iran. Journal of Geochemical Exploration 180, 15-23. https://doi.org/10.1016/j.gexplo.2017.05.008.
Nabilou, M., Afzal, P., Arian, M., Adib, A., Kazemi Mehrnia, A., Jami, M., Kheyrollahi, H., Akhavan Aghdam, M.R., Ameri, A., Daneshvar Saein, L., 2022. Determination of relationship between Rare Earth Elements (REEs) mineralization and major faults using fractal modeling in Gazestan deposit, central Iran. Bollettino di Geofisica Teorica ed Applicata 63(3), 495-518. https://doi.org/10.4430/bgo00388.
Sinclair, A. J., 1991. A fundamental approach to threshold estimation in exploration geochemistry: probability plots revisited. Journal of geochemical exploration 41(1-2), 1-22. https://doi.org/10.1016/0375-6742(91)90071-2.
Sarjoughian, F., Lentz, D., Kananian, A., Ao, S., Xiao, W., 2018. Geochemical and isotopic constraints on the role of juvenile crust and magma mixing in the UDMA magmatism, Iran: evidence from mafic microgranular enclaves and cogenetic granitoids in the Zafarghand igneous complex. International Journal of Earth Sciences 107, 1127-1151. https://doi.org/10.1007/s00531-017-1548-8.
Shahbazi, S., Ghaderi, M., Afzal, P., 2021. Prognosis of gold mineralization phases by multifractal modeling in the Zehabad epithermal deposit, NW Iran. Iranian Journal of Earth Sciences 13, 31-40. https://doi.org/10.30495/ijes.2021.678957.
Shahi, H., Ghavami, R., Rouhani, A.K., 2016. Detection of deep and blind mineral deposits using new proposed frequency coefficients method in frequency domain of geochemical data. Journal of Geochemical Exploration 162, 29-39. https://doi.org/10.1016/j.gexplo.2015.12.006.
Yang, Y., Liu, X., 1999. A re-examination of text categorization methods. In Proceedings of the 22nd annual international ACM SIGIR conference on Research and development in information retrieval, pp. 42-49. https://doi.org/10.1145/312624.312647.