بررسی عملکرد روش یادگیری عمیق در مقایسه با روش زمین آماری کریجینگ معمولی در تخمین عیار کانسار معدن مس پورفیری سرچشمه

امروزه کاهش خطای تخمین عیار با استفاده از روشهای نوین نقش تعیین کننده ای در بهینه سازی عملیات معدنکاری و کاهش ریسک عدم موفقیت اقتصادی پروژه های معدنی ایفا می نماید. هدف از تحقیق حاضر ارائه روشی برای بهبود تخمین سه بعدی عیار مس در گستره کانسار مس سرچشمه با استفاده ازروشهای هوشمند یادگیری ماشین و مقایسه با نتایج روشهای مرسوم و متداول زمین آماری می باشد. کانسار مس سرچشمه یکی از بزرگترین کانسارهای مس پورفیری و روی کمربند آتشفشانی ارومیه-دختر در جنوب استان کرمان در ایران مرکزی واقع‌شده است. در این پژوهش، از 526 گمانه در دسترس که حاوی 38006 نمونه مغزه عیارسنجی شده برای عیار مس کل می‌باشند، استفاده شده است. میانگین عیار مس در نمونه ها برابر با 54/0 و حداکثر مقدار آن 3.43 درصد بدست آمده است. در بانک اطلاعاتی نمونه ها برای هر نمونه هفت ویژگی شامل سه مختصات مکانی موقعیت نمونه ها (طول، عرض، ارتفاع)، عیار مس، عیار مولیبدن، نوع آلتراسیون و جنس لیتولوژی سنگ ثبت گردیده است. قبل از انجام تخمین عیار مس، پیش‌پردازش‌هایی شامل اصلاح داده های خارج از ردیف و هم پایه سازی داده ها (کامپوزیت سازی) روی‌داده‌ها انجام شد و در نهایت بیضوی ناهمسانگردی عیار مس با استفاده از ماتریس کوواریانس به دست آمد. برای تخمین عیار مس، از دو روش شامل الگوریتم یادگیری عمیق با معماری های resnet-18 و کریجینگ معمولی استفاده گردید که درنهایت و در مرحله بررسی عملکرد روشهای فوق، مشخص شد که نتایج اعتبارسنجی الگوریتم شبکه عصبی عمیق resnet-18 با مقدار rmse برابر 34/0 دارای بهترین عملکرد و روش کریجینگ معمولی با مقدار rmse برابر 4/0 دارای بیشترین خطا بوده است. در اعتبار سنجی متقابل نیز، روش resnet-18 با مقدار ضریب تعیین رگرسیون برابر با 86/0 دارای بهترین عملکرد و روش کریجینگ معمولی با ضریب تعیین 77/0 دارای ضعیف‌ترین عملکرد بوده است.