رده بندی داده های ژئوشیمیایی زیست محیطی با روش آنالیز تمایز و شبکه عصبی در باطله های سرب و روی تیپ سولفیدی -کربناتی

آلودگی فلزات سنگین یکی از اصلی‌ترین مشکلات زیست‌محیطی در ارتباط با فعالیت‌های معدنی، صنعتی و کشاورزی در جهان به‌شمار می‌آید که به‌دلیل ماندگاری بالای این فلزات سمی و درجه انحلال پذیری مختلف در شرایط اسیدی و حتی غیر اسیدی، می‌تواند اثرات مخرب بر روی آب، خاک و انسان را در بلند مدت داشته باشد. معدن سرب روی انگوران یکی از بزرگترین ذخایر سولفیدی کربناتی در حد کلاس جهانی می‌باشد که در اثر معدن‌کاری، حجم قابل توجهی از باطله معدنی را به وجود آورده که می‌تواند منبع انتقال فلزات سنگین به آب و خاک مناطق پایین دست گردد. از اینرو استفاده از روش‌های سریع و مقرون به صرفه جهت کلاسه‌بندی ریسک آلودگی این نوع باطله‌ها می‌تواند ابزار مفیدی برای پایش و برنامه‌های احیاء و بازسازی در آینده باشد. هدف از این تحقیق به‌کارگیری تکنیک‌های آماری چند متغیره از جمله روش آنالیز تمایز و بهره‌گیری از تکنیک هوش مصنوعی به‌منظور کلاسه‌بندی و پیش‌بینی پتانسیل آلودگی در باطله‌های معدنی می‌باشد. به همین منظور پس از نمونه‌برداری از بخش‌های مختلف سطح دمپ باطله، غلظت فلزات سنگین همچون al، as، cd، co، cr، cu، fe، mn، mo، ni، pb، sb و zn با استفاده از روش (icp-ms) مورد آنالیز قرار گرفت. سپس محدوده آلودگی توسط شاخص‌های ارزیابی ریسک زیست‌محیطی و بار آلودگی شناسایی و مدلسازی گردید. سرانجام با بکارگیری از دو تکنیک آنالیز تمایز و شبکه عصبی، ریسک و پتانسیل آلودگی بر روی محدوده دمپ باطله به سه سطح آلودگی پایین، متوسط و بالا با صحت قابل قبول 91.49 و 93.6 کلاسه‌بندی شد. نتایج همچنین نشان داد که این تکنیک‌ها می‌تواند ابزار کارآمدی جهت کلاسه‌بندی باطله‌های جدید و طراحی و احداث دمپ‌ها بر اساس سطح آلودگی آنها باشد.

Classification of environmental geochemical data using discriminant analysis and neural network in carbonatesulfide waste dumps of lead and zinc mines

Heavy metal pollution is one of the main environmental problems associated with mineral, industrial and agricultural activities in the world. Due to the long life of these toxic metals and the degree of solubility in acidic and even non acidic conditions, they can have destructive effects on water, soil and humans life in the long time. The leadzinc mine of Anguran is one of the largest worldclass sulfidecarbonate reserves, which, due to mining, has produced a significant amount of mineral wastes, which can be the source of heavy metals to the water and soil of the downstream areas. Therefore, the use of quick and costeffective methods to classify the risk of contamination of this type of waste can be a useful tool for monitoring, recovery and reconstruction programs in the future. The purpose of this research is to use multivariate statistical techniques, such as discriminant analysis (DA) method and utilize of artificial intelligence technique in order to classify and predict the potential of pollution in mining wastes. To achieve the goals, the samples taken from different surficial parts of the waste dump were analyzed by using the ICPMS method to determine the concentration of heavy metals. These metals includes: Al, As, Cd, Co, Cr, Cu, Fe, Mn, Mo, Ni, Pb, Sb and Zn. The environmental risk assessment indices (ERAI) and potential load index (PLI) were then modelled. At the end, by using the DA and neural network (NN) methods, potential risk of contamination on the damp surface was classified in three low, medium and high levels with the accuracy of 91.49 and 93.6 percent respectively. The results also showed that these techniques can be used as effective tools for classifying new waste dumps and designing of new constructing dumps based on their contamination level.