تخمین مقادیر آنومال مس - مولیبدن با استفاده از روش جدایش فواصل ماهالانوبیس و سه روش پرکاربرد داده کاوی؛ مطالعه موردی: ظفرقند

این پژوهش به منظور کاهش خطا در راستای صرف هزینه و انرژی به بررسی ترکیب روش‌های داده کاوی و جدایش آنومالی پرداخته است. اهمیت تشخیص مقادیر آنومال از زمینه بر هیچ یک پوشیده نیست، به این منظور روش‌های متعددی ابداع گشته است که از آن جمله می‌توان به روش جدایش فواصل ماهالانوبیس اشاره کرد که روشی موثر و چند متغیره در جدایش مقادیر آنومال از زمینه محسوب می‌شود. در مطالعه حاضر، به بررسی عملکرد ترکیب روش جدایش فوق با سه روش داده کاوی -kنزدیکترین همسایه، طبقه بند ساده بیز و شبکه عصبی کانولوشن پرداخته می‌شود، به این ترتیب که پس از جدایش مقادیر آنومال مس و مولیبدن در مورد 177 نمونه حاصله از عملیات نمونه‌برداری سطحی در محدوده ظفرقند به کمک روش فواصل ماهالانوبیس، به منظور پیش‌بینی این مقادیر برای هر نمونه تصادفی، سه روش داده کاوی مذکور، مورد استفاده قرار گرفت. نتایج نشان می‌دهد که روش -k نزدیکترین همسایگی به مراتب قوی‌تر بوده، زیرا در شبکه طراحی شده توسط این روش، هیچ نمونه ای اشتباهاً شناسایی نشد که نشان دهنده دقت بالای شبکه طراحی شده است. لازم به ذکر است که تعداد نمونه‌های به اشتباه پیش‌بینی شده برای دو روش شبکه عصبی کانولوشن و بیز به ترتیب برابر با 2 و 3 عدد گزارش شده‌اند. با توجه به میزان خطای به مراتب قابل قبول‌تری برای شبکه طراحی شده توسط ترکیب روش -k نزدیکترین همسایگی و فواصل ماهالانوبیس، ترکیب مذکور به عنوان روشی قابل اطمینان و سودمند جهت رسیدن به صحیح‌ترین پیشگوئی‌ها به تصمیم‌گیران این صنعت معرفی شده است.

estimation of cu-mo anomaly values using mahalanobis distance separation method and three commonly used data mining methods; case study: zafarghand

in order to reduce errors and save money and energy, this research has dealt anomaly separation. the importance of detecting anomaly values from the background is not hidden from anyone. for this purpose, several methods have been invented, among which we can mention mahalanobis distance separation method, which is an effective and multi-variable method for separating anomalous values from the background. in the present study, the performance of the combination of the above separation method with three data mining methods; k-nearest neighbor, simple bayes classifier and convolutional neural network is investigated. in this way, after separating the anomalous values of copper and molybdenum in the case of 177 samples obtained from the surface sampling operation in the area of zafarghand with the mahalanobis distance method, in order to predict these values for each random sample, the above three data mining methods were used. the results show that k-nearest neighbor method is much stronger, because in the network designed by this method, no sample has been wrongly identified, which shows the high accuracy of the designed network. it should be noted that the number of wrongly predicted samples for convolutional neural network and bayes methods are reported as 2 and 3, respectively. considering the far more acceptable error rate for the network designed by the combination of k-nearest neighbor method and mahalanobis intervals, the said combination has been introduced to the decision makers of this industry as a reliable and useful method to reach the most accurate predictions.