مقاله بررسی ژئوشیمیایی شبیه سازی و پیش بینی عیار عناصر منطقه تاریک دره به کمک شبکه های عصبی

فرمت فایل : word (قابل ویرایش) تعداد صفحات : 20 صفحه

چکیده

   از مدل سه لایه­ای روش نوین شبکه­های عصبی مصنوعی (ANN) جهت پیش­بینی عناصر طلا، آنتیموان و تنگستن در بخش­های مختلف استوک گرانیتوئید تاریک­دره تربت­جام استفاده گردید. این توده با استفاده از روش­های XRF, XRD و ICP-MS نیز مورد بررسی قرار گرفت. مطالعات ژئوشیمیایی نشان داد که این استوک، پرآلومینوس (A/CNK = 0.8-1.2) و کالکوآلکالن پتاسیم بالا (Na2O<K2O) است. آنومالی از بعضی عناصر همچون طلا، آنتیموان، تنگستن در توده گرانیتوئیدی به خوبی نشان­دهنده غنی شدگی ماگما در طی تفریق از این عناصر می­باشد. با استفاده از روش شبکه­های عصبی مصنوعی در منطقه، تخمین محدوده مکانی آنومالی­های این عناصر در توده گرانیتوئیدی صورت گرفت. با کمک این شبکه­ها، عیار عناصر مختلف نیز در مناطق متفاوت توده گرانیتوئیدی، شبیه­سازی و پیش­بینی گردید. در میان عناصر موجود در شبیه‌سازی، پیش‌بینی مربوط به آنتیموان نسبت به سایر عناصر نتیجه بهتری داشته است که مطالعات ژئوشیمیایی نیز آن را تایید نمود. بر مبنای آزمایشات و مدل­سازی، پیش بینی مطمئن درصد عیار عناصر Au، Sb و W در منطقه مورد مطالعه به گونه­ای امکان­پذیر گردید که مدل، قابل تعمیم به مناطق مشابه نیز می­باشد.

The geochemical, simulation and prediction of elemental grades in Tarik Dareh (Torbat Jam) area by Artificial Neural Networks (ANN) method

Abstract

A three-layer artificial neural network (ANN) model was developed to predict gold (Au), antimony (Sb) and tungestan (W) elements in different area of a granitoid stock in Tarik Dareh (Torbat Jam). The stock was examined by XRD, XRF and ICP-MS as well. The geochemical studies showed the stock is peralominous (A/CNK = 0.8-1.2) and high K calk alkaline (Na2O<K2O). The enrichment during differentiation of magma caused Au, Sb and W anomalous. The novel ANN method provided estimation of spatial elements anomalous for granitoid body in the area. By this method, the grade of different elements were predicted and simulated in different parts of the grantioid body. In comparison with other elements, the best result was obtained for antimony (Sb) which is in good agreement with geochemical data. On the basis experiments and modeling, an important objective was to obtain an ANN model that could make reliable prediction on the percentage of Au, Sb and W in the area and similar bodies.

Key words: ANN, ICP-Ms, I type granitoid, Au, Sb, W.

مقدمه

   شبکه­های عصبی مصنوعی زیر مجموعه ای از تکنیک­های هوش مصنوعی هستند که امروزه برای به کارگیری در حل بسیاری از مسائل، شامل حافظه­های ارتباط­دهنده، بهینه سازی، پی­ بینی، تشخیص و کنترل رایج شده­اند . ساختار و عملکرد شبکه­های عصبی مصنوعی، از مغز انسان تقلید می­کند و از تعدادی اجزای ساختاری ساده، اما با یک ارتباط پیچیده که به عنوان نرون شناخته می­شوند، تشکیل شده­اند Strobl et al, 2007)).

نخستین گام در پی­ریزی شبکه های عصبی مصنوعی انتخاب داده های ورودی می باشد. یکی از مراحل مهم در پی ریزی شبکه­های عصبی مصنوعی، پیش پردازش داده ها می باشد. پیش پردازش داده‌ها شامل انتخاب متغیرهای موثر، انتخاب الگوهای آموزش‌ده و آزمون، دسته­بندی الگوها و نیز استاندارد کردن الگوها می­باشد. هدف از استاندارد کردن، هم­ارزش کردن تمامی عناصر موجود در یک الگو است