تخمین عیار در کانسارهای با تغییرات موضعی ناهمسانگردی به روش کولونی مورچگان، مطالعه موردی:کانسار مس پورفیری میدوک

ناهمسانگردی یا ناپیوستگی کانسار در جهت‌های مختلف به دلیل تغییرات عیار یا ساختار ماده معدنی پدید می‌آید. کنترل کننده‌های زمین‌ساختی یا تغییرات شیمیایی در حین تشکیل ماده معدنی می‌توانند سبب ناهمسانگردی شوند. این ویژگی به صورت سه‌بُعدی در کانسارها با یک بیضوی به قطرهای در راستای پیوستگی و با مقادیر متناسب با نسبت ناهمسانگردی تعریف می‌شود. در طبیعت اما، بسیاری از کانسارها تحت تاثیر فرآیندهایی مثل چین‌خوردگی، گسل، تغییرات زایشی و دگرگونی دچار تغییرات موضعی ناهمسانگردی (lva) می‌شوند و نمی‌توان آنها را با یک بیضوی ناهمسانگردی کلی مدل کرد. در روش مدلسازی متغیر دارای خاصیت lva، پارامترهای ناهمسانگردی برای هر سلول شبکه تخمین محاسبه شده و با تبدیل فضا به یک فضای همسانگرد، از فواصل جدید اقلیدسی در واریوگرافی و سپس کریجینگ معمولی (ok) استفاده شده است. این روش که کریجینگ lva (oklva) نام گرفته، در صورت وجود اطلاعات ثانویه، می‌تواند با دقت بیشتری نسبت به کریجینگ سنتی، نقاط نامعلوم را تخمین بزند. در این پژوهش از الگوریتم کولونی مورچگان استفاده شده تا با هدایت هدفمند مورچه‌ها به کمک میدان lva در مسیرهای پیوسته‌تر عیاری و تبدیل هر مورچه به یک پنجره میانگین متحرک، بتواند عیار را در مسیرهای ناهمسانگرد اصلاح کند. این کاربرد جدیدی از یک الگوریتم فرا ابتکاری است که تاکنون در حل مسائل بهینه‌سازی به کار گرفته می‌شده است. این روش (aclva) از ابتدا تا انتها در نرم‌افزار matlab پیاده‌سازی شده و سپس روی 12955 نمونه کامپوزیت شده مغزه‌های حفاری معدن مس میدوک به عنوان نمونه مطالعاتی امتحان شد. نتایج با روش‌های ok و oklva مقایسه شد. برای اعتبارسنجی هر سه روش از داده‌های چال‌های آتشباری استفاده شد که نشان داد روش تخمین با aclva تقریبا 3 درصد بهتر از ok و 4 درصد بهتر از oklva در تخمین عیار عمل کرده است. با این وجود، آنچه که مسلم است در ساختارهای با میدان موضعی پیچیده‌تر، جواب بهتر و قابل قبول‌تری با این روش به دست خواهد آمد.

Grade Estimation in Deposits with Locally Varying Anisotropy using Ant Colony Algorithm: Case Study, Miduk Porphyry Copper Deposit

SummaryAnisotropy of a deposit is due to its directional variations of grade or structure. Locally varying anisotropy (LVA) is the specific case of anisotropy in some structurallycontrolled deposits. In this research, using ant colony application in geochemical anomaly detection and LVA field of the study area, an algorithm (ACLVA) has been developed to smartly direct the ants into the more continuous paths and ants, meanwhile act as moving average agents over their routes. Ordinary kriging (OK), OKLVA, and ACLVA were applied on borehole samples of Miduk copper deposit as the case study, and estimations were validated with blast hole samples. The estimations were improved with ACLVA. A newlydeveloped hybrid ant colony with an LVA algorithm (ACLVA) is presented that can modify an initial estimation of the data according to the LVA field. ACLVA is compared with recentlydeveloped OKLVA and OK on borehole samples of a copper deposit. The estimations were validated with blast hole samples. IntroductionNeural networks (ANN) have recently been used to estimate grade. They were able to present acceptable models of the resources. Many attempts have been made to incorporate the LVA feature of deposits into geostatistical models. In this research, a new hybrid ACLVA algorithm has been developed that can produce a more representative map of the continuities. MethodologyandApproachesArtificial ants are randomly put in the grid cells and while searching for high values according to the LVA field, act as moving average agents on their routes. To decrease the randomness effect of AC, the program is repeated. The ants’ stability termination condition is. Better initializing would lead to a better JensenShannon (JS) value. ResultsandConclusionsThe outputs of OK, OKLVA, and ACLVA were validated with blast hole samples. The results showed that ACLVA performed 4% better than OKLVA and 3% better than OK. The initial number of ants can be set optimally. Other parameters should be changed based on the best JS value. The results would be significant if the deposit has more complex LVA.