عنوان پایان‌نامه
مدلسازی داده های مس پورفیری در یکی از محدوده های معدنی استان کرمان به روش تلفیقی در محیط جی آی اس
- رشته تحصیلی
- مهندسی معدن-اکتشاف معدن
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس 2 فنی شماره ثبت: 2052;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 51412
- تاریخ دفاع
- ۱۱ بهمن ۱۳۹۰
- دانشجو
- صادق کیان پوریان
- استاد راهنما
- عباس بحرودی
- چکیده
- در علوم مرتبط با زمین به دلیل حضور عدم قطعیت بسیار بالا که خود نتیجه فعالیت های گوناگون و گاهی ناشناخته زمین شناسی در یک منطقه می باشد، استفاده از روش های تلفیق لایه های اطلاعاتی برای کاهش این عدم قطعیت را به امری اجتناب ناپذیر تبدیل کرده است. تهیه نقشه پتانسیل معدنی یکی از ابزارهای مهم مطالعات پی جویی و اکتشاف ذخایر معدنی در یک منطقه می باشد و تهیه آن با استفاده از روش های سنتی و متداول بسیار دشوار بوده و در بعضی از مواقع ناممکن می باشد. در این تحقیق هدف تهیه نقشه پتانسیل معدنی مس در برگه 100000/1 چهارگنبد با استفاده از مدل هیبریدی نروفازی و شبکه عصبی MLP است. فاکتورهای کانی سازی شامل لایه های تیپ سنگ شناسی، ژئوشیمی، ژئوفیزیک هوایی، آلتراسیون و خطواره ها می باشند. پس از تهیه نقشه های فاکتور در محیط سامانه اطلاعات جغرافیایی با اندازه پیکسل یکسان خروجی آن ها برای آموزش شبکه های عصبی و نروفازی آماده سازی شدند. تعداد 22 اندیس و کانسار شناخته شده در منطقه وجود دارد که از بین آن ها 20 اندیس برای لایه هدف انتخاب شدند. با توجه به کم بودن نمونه ها از نظر آماری، شعاع تاثیرهای متفاوت (از 100 متر تا یک کیلومتر) برای آن ها تعیین شد. بنابراین از آنجایی که لایه های اطلاعاتی با اندازه سلول 100 متر شبکه بندی شدند، با افزایش شعاع تاثیر برای اندیس ها تعداد سلول هایی که شامل مناطق شناخته شده بودند نیز افزایش پیدا کرد. پس از این، با استفاده از مدل هیبریدی نروفازی تاکاگی- سوگنو مرتبه صفر اقدام به تهیه نقشه پتانسیل معدنی دوکلاسه مس در این برگه شد. بدین صورت که برای تمام فواصل انتخاب شده برای اندیس ها این نقشه تهیه شد که تعداد آن ها برابر 10 نقشه بود. در نهایت با استفاده از 20 اندیس و کانسار موجود اعتبار این نقشه ها مورد بررسی قرار گرفت. جهت اعتبارسنجی نقشه ها، 20 اندیس و کانسار موجود با نقشه های تهیه شده همپوشانی داده شدند. نتایج حاصل نشان داد که در بهترین حالت 80% آن ها در محدوده پتانسیل بالا قرار گرفتند که در این حالت شعاع تاثیر آن ها برابر 500 متر بود. برای مقایسه با روش نروفازی نقشه پتانسیل معدنی این محدوده با استفاده از شبکه عصبی MLP نیز تهیه شد. با این تفاوت که در استفاده از شبکه عصبی فقط شعاع تاثیر 500 متر در نظر گرفته شد که نتایج حاصل از این نقشه نشان داد که 65% از اندیس ها و کانسارها در محدوده پتانسیل بالا قرار گرفتند. نتایج این دو روش حاکی از توانایی بالاتر مدل های هیبریدی نروفازی در مشخص کردن مناطق پرپتانسیل مس پورفیری در برگه چهارگنبد داشت.
- Abstract
- Almost all geoscientists face the high level of uncertainty resulting from unknown and complex geological activities, which has made it reasonable to use integration methods to obtain more robust results. Mineral potential mapping is one of the important tools in early stages of prospecting and exploration of the mineral resources. Traditional techniques in which all information layers and factors had the same weight and importance lacked at producing such robust a mineral potential map. This study aims to produce favorability map of porphyry copper mineralization in 1:100000 Chahar Gonbad sheet using Hybrid Neuro-Fuzzy model and Neural Network method. Mineralization factors include rock type, geochemistry, geophysics, alteration and structures. After producing factor maps in ArcGIS environment with the unique cell size, their outputs were converted in ASCII format to train Hybrid Neuro-Fuzzy model and Multi-Layer Perceptron (MLP). There were 22 deposits and occurrence locations in the study area among which 20 were selected as target layer. Since they were few in number for training the network, several buffer zones were assigned (from 100 m to 1 km) around them. Therefore, increasing the buffer zones for deposits and occurrence locations resulted in more pixels which included known areas for training purposes. Then, 10 binary favorability maps of porphyry copper mineralization in Chahar Gonbad (one map for each buffer distance) were produced using zero-order Takagi-Sugeno. Finally, the favorability maps were validated by overlaying the 20 deposits and indexes. In the best state, 80 percent of deposits (16 out of 20), which were considered for validation, were correctly predicted in the high favorability zone which occurred when the buffer distance was 500 meters. For comparison purposes, the favorability map was also produced using Neural Network (MLP) method. However, in this stage the map was produced just with 500 meters buffer which was optimized in the previous steps. Validation of MLP’s map showed that high favorability zone contains 65 percent of known deposits and indexes. As a result of comparison between two methods, it is observable that Hybrid Neuro-Fuzzy model is more powerful than Neural Network for mineral potential mapping in Chahar Gonbad area.
