مرزبندی زون‌های دگرسانی پتاسیک و فیلیک بر اساس نتایج حاصل از مدل سازی سه‌بعدی داده های سیالات درگیر به روش شبکه‌های عصبی مصنوعی

امروزه یکی از روش‌های متداول در اکتشاف کانسارها، مطالعات زمین شناسی اقتصادی است. مدل‌سازی داده های میانبارهای سیال یکی از روش های متداول در مطالعات زمین شناسی اقتصادی به شمار می رود. در این مطالعه از روش شبکه‌های عصبی مصنوعی به عنوان یکی از روش‌های الگوریتم یادگیری ماشین به منظور مدل‌سازی سه‌بعدی داده‌های میانبارهای سیال در کانسار مس پورفیری سونگون و کاربردی کردن نتایج حاصل از آنالیز میانبارهای سیال استفاده شده است. به این منظور داده‌های حاصل از مطالعات میانبارهای سیال مستقیماً جهت تفکیک زون‌های دگرسانی مرتبط با کانی‌زایی (پتاسیک، فیلیک و پتاسیک فیلیک) در منطقه مورد مطالعه استفاده شده است. با توجه به ارتباطی که بین زون‌های دگرسانی و نیز مناطق مستعد کانی‌سازی در کانسارهای پورفیری وجود دارد، بر اساس 173 داده میانبارهای سیال موجود، تفکیک زون‌های دگرسانی در محدوده کانسار مس پورفیری سونگون بر اساس مدل سه‌بعدی حاصل از مطالعات میانبارهای سیال با استفاده از روش شبکه‎های عصبی مصنوعی صورت گرفت. بر اساس دقت نتایج حاصل از آزمایش مدل، می‌توان نتیجه گرفت که دقت مدل شبکه عصبی به کار گرفته شده در تفکیک زون‌های دگرسانی پتاسیک، فیلیک و پتاسیک فیلیک در حدود 83 درصد بوده و مدل به کار گرفته شده به نحو مناسبی توانایی تفکیک زون‌های دگرسانی مرتبط با کانی سازی را در محدوده کانسار مس پورفیری سونگون داشته است. امروزه یکی از روش‌های متداول در اکتشاف کانسارها، مطالعات زمین شناسی اقتصادی است. مدل‌سازی داده های میانبارهای سیال یکی از روش های متداول در مطالعات زمین شناسی اقتصادی به شمار می رود. در این مطالعه از روش شبکه‌های عصبی مصنوعی به عنوان یکی از روش‌های الگوریتم یادگیری ماشین به منظور مدل‌سازی سه‌بعدی داده‌های میانبارهای سیال در کانسار مس پورفیری سونگون و کاربردی کردن نتایج حاصل از آنالیز میانبارهای سیال استفاده شده است. به این منظور داده‌های حاصل از مطالعات میانبارهای سیال مستقیماً جهت تفکیک زون‌های دگرسانی مرتبط با کانی‌زایی (پتاسیک، فیلیک و پتاسیک فیلیک) در منطقه مورد مطالعه استفاده شده است. با توجه به ارتباطی که بین زون‌های دگرسانی و نیز مناطق مستعد کانی‌سازی در کانسارهای پورفیری وجود دارد، بر اساس 173 داده میانبارهای سیال موجود، تفکیک زون‌های دگرسانی در محدوده کانسار مس پورفیری سونگون بر اساس مدل سه‌بعدی حاصل از مطالعات میانبارهای سیال با استفاده از روش شبکه‎های عصبی مصنوعی صورت گرفت. بر اساس دقت نتایج حاصل از آزمایش مدل، می‌توان نتیجه گرفت که دقت مدل شبکه عصبی به کار گرفته شده در تفکیک زون‌های دگرسانی پتاسیک، فیلیک و پتاسیک فیلیک در حدود 83 درصد بوده و مدل به کار گرفته شده به نحو مناسبی توانایی تفکیک زون‌های دگرسانی مرتبط با کانی سازی را در محدوده کانسار مس پورفیری سونگون داشته است.

Potassic and Phyllic Alteration Zoning Based on the Results of 3D Modeling of Fluid Inclusion Data by Artificial Neural Networks

In recent years, economic geology studies have become very popular method in mineral exploration studies. Modeling fluid inclusion data is one of the common studies in economic geology. In this research artificial neural networks method, as one of the machine learning algorithms, is used for threedimensional modeling and application of the results of fluid inclusion analysis in Sungun porphyry copper deposit. For this purpose, fluid inclusion data is used for directly separation of related alteration zones with mineralization (Potassic, Phyllic and Potassic Phyllic). Due to the relation that exists between alteration zones and mineralization areas, based on 173 fluid inclusion data the separation of alteration zones is modeled by artificial neural networks method in Sungun porphyry copper deposit. According to the validation studies, it can be concluded that precision of this model is appropriate (83%) and trained model could be used for separation of alteration zones in Sungun porphyry copper deposit.