يك رويكرد يادگيري عميق مبتني بر رمزگذار خودكار براي پتانسيل‌يابي در برگه 1:100000 بردسكن

اصفهان : دانشگاه صنعتي اصفهان

مهندسي معدن

كارشناسي ارشد

الگوريتم يادگيري عميق در زمينههاي مختلف كاربرد داشته و توجه بسياري را به خود جلب كرده است . در زمينه علوم زمين، يادگيري عميق به‌عنوان يك ابزاري كارآمد براي استخراج دادههاي پيچيده، ابعاد بالا و غيرخطي زمين‌شناسي و استخراج الگوهاي ناشناخته قبلي مرتبط با فرايندهاي زمين‌شناسي نشان‌داده‌شده است. در اين مطالعه، از يك شبكه رمزگذار خودكار عميق براي استخراج ويژگي‌هاي مربوط به كاني‌سازي استفاده شد. سپس اين ويژگي‌ها به‌عنوان يك نقشه اكتشافي جهت اكتشاف مواد معدني بر اساس داده‌هاي اكتشاف ژئوشيميايي كه شامل مس، سرب، روي، طلا و ... است، ادغام شدند. آزمايش‌هاي زيادي جهت تعيين پارامترهاي بهينه شبكه رمزگذار خودكار عميق انجام شد. ساختار شبكه رمزگذار خودكار عميق كه در آن عمق شبكه و تعداد واحدهاي پنهان 16-8-4-8-16 انتخاب شد، براي تشخيص ناهنجاريهاي ژئوشيميايي مربوط به كانيسازي چندفلزي مس در شمال و شمالغرب بردسكن ساخته شد. ناهنجاريهاي ژئوشيميايي شناسايي شده توسط شبكه رمزگذار خودكار عميق يك همبستگي فضايي نزديك با رسوبات چندفلزي شناخته شده منطقه را نشان مي‌دهد. نتايج بهدست آمده از شبكه رمزگذار خودكار عميق با نتايج حاصل از بررسي چند متغيره آناليز فاكتوري مقايسه گرديد و مشخص گرديد هر دو روش در تشخيص دادههاي آنومال خوب عمل كرده و شبكه رمزگذار خودكار عميق به نسبت بهتر از روش آناليز فاكتوري عمل كرده است و درنتيجه استنباط شد كه ميتوان از شبكه خودكار عميق در جهت تشخيص دادههاي آنومال از بين دادههاي تركيبي و چندمتغيره ژئوشيميايي و تشخيص محدودهي آنومال استفاده كرد و همچنين مشخص گرديد كه روش آماري چند متغيره آناليز فاكتوري تا حد نسبتا بالايي به نوع كانيسازي منطقه وابسته است، اما شبكه رمزگذار خودكار عميق به نوع كانيسازي منطقه وابسته نبوده و تمامي تيپهاي كانيسازي را درمنطقه ياد گرفته و بررسيهاي لازم را در كل محدوده و براي تمامي تيپهاي كانيسازي و تمامي عناصر انجام ميدهد و درنتيجه ميتواند در منطقه بهتر عمل كرده و حدود آنومالي و زمينه را بهتر مشخص كند.

226283

اكتشاف معدن

مهندسي معدن

دانشگاه صنعتي اصفهان