مقایسه کارایی تخمین‌گرهای مبتنی بر هوش مصنوعی در تخمین عیار در کانسار مس پورفیری مسجد داغی

صحت تخمین عیار ماده معدنی نقش مهمی را در ارزیابی، طراحی و برنامه‌ریزی‌های معادن ایفا می‌کند. با توجه به مشکلات موجود در زمینه‌ی بکار گیری روش‌های متداول مانند کریجینگ جهت تخمین عیار، در این تحقیق کارایی تخمین‌گرهای هوشمندی چون شبکه عصبی پرسپترون چندلایه، رگرسیون بردار پشتیبان و سیستم فازی-عصبی تخمین عیار مس در کانسار پورفیری مس (طلا) مسجد داغی واقع در استان آذربایجان شرقی مورد بررسی قرار گرفت. بدین منظور پس از تقسیم‌بندی داده‌های عیار سنجی حاصل از 31 گمانه اکتشافی به زیرمجموعه‌های آموزشی و آزمون، ساختار و مقادیر بهینه پارامترهای موثر در کارایی این تخمین گرها با استفاده از الگوریتم ژنتیک و بر مبنای داده‌های آموزشی تعیین شدند و درنهایت شاخص‌های اعتبارسنجی تخمین عیار مجموعه آزمون برای هر یک از روش‌ها محاسبه شدند. نتایج بیانگر قابلیت تعمیم‌دهی و کارایی محاسباتی بالاتر روش رگرسیون بردار پشتیبان نسبت به دو روش دیگر در زمینه تخمین عیار مس بود. از سویی دیگر نتایج  به‌مراتب مناسب‌تر این روش نسبت به کریجینگ معمولی در تخمین عیار مس نشان داد که می‌توان از این تخمین‌گر به‌عنوان یک ابزار سریع، دقیق و ارجح نسبت به دیگر تخمین‌گرهای هوشمند جهت تخمین عیار در موارد مشابه استفاده نمود.

Performance Comparison of Estimators Based on Artificial Intelligence for Ore Grade Estimation in Masjed Daghi Copper Deposit

The accurate estimation of ore grade plays an important role for the mine evaluation, planning and designing. According to some existing problems when using conventional methods such as Kriging for grade estimation of deposit. In this research, the performance of intelligent estimators such as multilayer perceptron neural network, adaptive neuro fuzzy inference system and support vector regression were investigated for grade estimation in Masjeddaghy porphyry copper (gold) deposit located in East Azerbaijan province. For this purpose since divided assay data achieved from 31 exploratory boreholes into training and test subsets, optimum structure and designing parameters value of the mentioned methods were determinated by using the genetic algorithm and based on the training dataset. Finally the validation indicators calculated for estimation grades of testing dataset for used estimators. According to the results, support vector regression method showed higher generalization capability and computational efficiency in copper grade estimation. Also close and better results of this method than ordinary Kriging indicate that support vector regression method can be used as rapid, accurate approaches and  better than other intelligent estimator for grade in same problems.