مقایسه عملکرد شبکه عصبی مصنوعی و ماشین بردار پشتیبان در تهیه مدل سه ‌بعدی زون‌های کانی‌سازی (مطالعه موردی:کانسار مس پورفیری میدوک، ایران)

به دلیل ارتباط زون های کانی سازی با تغییرپذیری عیار در کانسارهای مس پورفیری، تهیه مدل سه بعدی این زون ها یکی از گام های پیش ازتخمین در ارزیابی این تیپ کانسارها به شمار می آید. کیفیت این مدل تاثیر بسزایی بر کیفیت تخمین های ارایه شده برای عیار، طراحی مناسباستخراج بلندمدت و درنهایت کاهش مشکلات بین معدن و کارخانه فرآوری دارد. روش معمول برای تهیه این مدل استفاده از روش مدلسازیمحدود است که فرآیندی پیچیده و زمان بر است. یکی از راه حل های ممکن برای تهیه این گونه مدل ها استفاده از روش های نامحدود همچونروش های هوشمند است. در این مقاله تلاش شده است تا عملکرد دو روش هوشمند شبکه عصبی مصنوعی و ماشین بردار پشتیبانطبقه بندی کننده در جداسازی زون های کانی سازی )شامل زون شسته شده، زون هیپوژن و زون سوپرژن( کانسار مس میدوک مورد مطالعه وبررسی قرار گیرد. برای این منظور از مختصات جغرافیایی )طول و عرض و ارتفاع( داده های حاصل از گمانه های اکتشافی به عنوان ورودی وزون های کانی سازی مشاهده شده در آن ها به عنوان خروجی مدل استفاده شده است. بررسی نتایج حاصل از این الگوریتم های هوشمند درجداسازی زون های زمین شناسی نشان می دهد که روش ماشین بردار پشتیبان طبقه بندی کننده نسبت به شبکه عصبی مصنوعی عملکردمطلوب تری دارد. عملکرد مطلوب تر روش ماشین بردار پشتیبان نسبت به شبکه عصبی مصنوعی با استفاده از دقت بالاتر این روش در مراحلآموزش، آزمایش و همچنین مقایسه میان مدل بلوکی طبقه بندی شده با برداشت های انجام گرفته از چال های آتشباری نشان داده شده است.

Comparison of artificial neural networks and support vector machine classifiers for 3D modeling of mineralization zones (Case study: Miduk copper Deposit)

Due to the relation of mineralization zones with grade variability in porphyry copper deposits, the preparation of the threedimensional model of these zones is one of the preestimation steps in evaluation this type of deposits. The quality of this model has a significant impact on the quality of the grade estimates, the proper design of longterm extraction and ultimately reducing the problems between the mine and the processing plant. The usual way to prepare this model is to use a constrained modeling technique, which is a complex and time consuming process. One of the possible solutions for the preparation of these models is the use of unconstrained methods, such as intelligent methods. This paper attempts to study the performance of artificial neural network and support vector machine in the separation of mineralization zones (including leached, hypogene and supergene zones) in Miduk copper deposit. The northing coordinate, easting coordinate and height of the samples are used as input variables, and the observed mineralization zones in them are used as the output variable. Investigating the results of these intelligent algorithms in the separation of geological zones shows that the support vector machine classifier has a better performance than the artificial neural network. The better performance of the support vector machine method is shown by 1) the higher accuracy of this method in the training and testing stages and 2) the comparison between the block model with the grade control observations.