روش‌های تلفیقی هوش‌مصنوعی در شناسایی مناطق امید‌بخش کانی‌زائی طلای زایلیک شمال‌غرب ایران

در این مقاله جهت شناسایی مناطق امیدبخش کانی‌زایی طلا از تلفیق روش‌های هوش مصنوعی و شواهد زمین‌شناسی استفاده شد. مقادیر عیار طلا در محدوده اکتشافی زایلیک واقع در شمال غرب ایران، توسط دو روش 1)هوش مصنوعی شبکه عصبی مصنوعی و 2) تلفیق آن با الگوریتم بهینه‌سازی ازدحام ذرات، مورد تخمین قرار گرفته و همچنین جنس سنگ‌های تشکیل‌دهنده و دگرسانی‌های منطقه موردمطالعه نیز به‌عنوان پارامترهای زمین‌شناسی انتخاب گردید. پس از اخذ نظرات کارشناسی متخصصین علوم زمین و معدن، پارامترهای زمین‌شناسی وزن‌دهی شده و همچنین جهت امتیازدهی به روش‌های هوش مصنوعی تخمین‌گر مقادیر ژئوشیمیایی طلا نیز از ضریب تعیین و تابع جذر میانگین مربعات خطا استفاده گردید و تمامی این روش‌ها جهت مقایسه نهایی وارد سیستم سلسله‌مراتبی در نرم‌افزار choise expert شد. بیشترین امتیاز در بین پارامترهای زمین‌شناسی، پس از جمع‌بندی نظرات کارشناسی، مربوط به سنگ‌شناسی و همچنین بین روش‌های هوش مصنوعی نیز، باتوجه‌به بیشتر بودن ضریب تعیین و کمتر بودن تابع خطا، به روش تلفیقی شبکه عصبی مصنوعی با الگوریتم بهینه‌سازی ازدحام ذرات تعلق گرفت. در نهایت در نرم‌افزار arc gis تمامی روش‌های مذکور توسط روش برهم‌نهی فازی با یکدیگر تلفیق شده و باتوجه‌به مدل‌سازی ارائه شده نهایی، قسمت‌های شمال و شمال شرق منطقه مورد بررسی، به‌عنوان مناطق مستعد کانی‌زایی طلا، جهت ادامه اکتشاف ریشه کانی‌زایی، پیشنهاد گردید.

application of the particle swarm optimization algorithm in the fuzzy overlay method to identify the promising areas of zailik gold mineralization in the northwest of iran

introduction the cost and time limitations for mineral sampling (parsa et al., 2022), modeling, and grade estimation methods are used, which are very important due to the complexity of geological conditions (ehteram et al., 2023). mineral resource modeling is the set of processes integrating evidence, such as investigating exploration data and extracting mineralization predictive instance patterns to identify promising mineralization areas. the purpose of two-dimensional surface modeling is to detect surface anomalies from the background, which is usually used in the early stages of exploration as one of the tools for determining the location of drilling boreholes. in new methods, achieving optimal modeling will only be possible with the simultaneous use of geological sciences, mathematics (statistics and probabilities), and computer engineering (artificial intelligence). today, with the advancement of technology and the use of computer programs developed in the past and the form of artificial intelligence methods (machine learning algorithms and meta-heuristic optimization algorithms), the modeling of mineral resources is done with minimal errors. this research combines the artificial neural network (machine learning algorithm) and the particle swarm optimization method (meta-heuristic optimization algorithm) to identify gold mineralization promising areas using the fuzzy overlay method in the zailik region in northwest iran. the general process of performing this research is as follows:1) analyzing lithogeochemical data and performing necessary pre-processing on gold and related paragenesis elements.2) prediction and estimation of gold grade using ann and ann-pso methods.3) comparison of quantitative evaluation criteria such as coefficient of determination (r2) and root mean square error (rmse) function.4) quantifying geological evidence such as lithology and alteration types such as argillic, propylitic, siliceous, and iron oxide.5) determining relative and comparative importance coefficients in artificial intelligence methods and geological parameters in expert choice software.6) determining the promising areas of gold mineralization using the fuzzy overlay method in arc gis software.2-material and methodsin the zailik exploratory area, due to the expansion and width of the mineral material inside the excavated trenches, sampling was done unsystematically with variable distances and lengths (fig. 1). these samples were analyzed in the laboratory for detecting gold using the fire assay (fa) method and other elements using the icp-oes method. also, in addition to determining the grade in each sample, that sample's lithology and alteration characteristics were recorded. according to the results of the correlation coefficients matrix, cluster analysis, and the second component in the principal component analysis, the elements ag, as, sb, pb, and mo were introduced as the most crucial gold mineralization paragenesis in the exploration area.