تفکیک دگرسانی‌های کانسار مس سونگون با استفاده از شبکه‌های عصبی مصنوعی

جدایش مناطق دگرسانی یکی از مراحل مهم در ارزیابی و شناسایی کارهای معدنی به شمار می‌رود که به داشتن دید بهتری از منطقه و شناخت نواحی کانی‌ساز کمک شایانی می‌کند. بیشتر روش‌های جدایش دگرسانی‌ها بر اساس مشاهدات سنگ‌شناسی است و کمتر، از روش‌های دیگری استفاده شده است. در این نوشتار، سعی شده است با استفاده از شبکه‌های عصبی نوعrbpnn (radial basis probabilistic neural network) این مناطق را جدا نمود. این شبکه‌ها به علت ساختار منحصر به فرد و طراحی آسان آنها، بیشتر در مسایل طبقه‌بندی مورد استفاده قرار می‌گیرند. داده‌های ورودی مورد استفاده در این مطالعه، تجزیه‌های شیمیایی 12 اکسید و 16 عنصر (28 متغیر) عنصر مربوط به 45 نمونه ژیوشیمیایی بودند که خروجی آن نیز مناطق دگرسانی (پتاسیک، انتقالی و فیلیک) هستند که برای هرکدام از داده‌های ورودی کدگذاری شده‌اند. پس از انتخاب داده‌های آموزشی و تست، شبکه برای آموزش آماده، و داده‌ها همراه با خروجی آنها به شبکه داده شد. بر اساس نتایج به‌دست آمده از این بررسی، شبکه توانست رابطه فضایی پیچیده مابین ورودی‌ها که یک فضای 28 متغیره است را تشخیص داده و همچنین توانست دگرسانی‌ها را به درستی طبقه‌بندی نماید. به صورتی که مقدار mse (میانگین مربعات خطا) 0163/0 به‌دست آمد که خود حاکی از کارکرد مطلوب شبکه در این امر است.