چطور این مقاله زمین شناسی را دانلود کنم؟
فایل انگلیسی این مقاله با شناسه 2009487 رایگان است. ترجمه چکیده این مقاله زمین شناسی در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید
حجم فایل فارسی :
1 مگا بایت
نوع فایل های ضمیمه :
Pdf+Word
کلمه عبور همه فایلها :
www.daneshgahi.com
عنوان فارسي
تلفیق شبکه های عصبی مصنوعی و زمینآمار برای مدلسازی بهینه بلوکی سه بعدی زمینشناسی در تخمین ذخایر معدنی: مطالعه موردی
عنوان انگليسي
Integrating artificial neural networks and geostatistics for optimum 3D geological block modeling in mineral reserve estimation: A case study
نویسنده/ناشر/نام مجله
International Journal of Mining Science and Technology
این مقاله چند صفحه است؟
این مقاله ترجمه شده زمین شناسی شامل 5 صفحه انگلیسی به صورت پی دی اف و 12 صفحه متن فارسی به صورت ورد تایپ شده است
چکیده
در این تحقیق، روشی موسوم به ANNMG برای تلفیق شبکه های عصبی مصنوعی و زمین آمار جهت ارزیابی بهینه ذخایر معدنی معرفی می‌شود. واژه ANNMG به‌صورت ساده به معنای مدل شبکه عصبی مصنوعی تلفیق شده با زمین آمار است. در این روش، شبکه عصبی مصنوعی با استفاده از مقادیر عیار به دست آمده از گمانه‌های اکتشافی آموزش داده شد، آزمون گردید و مورد اعتبارسنجی قرار گرفت. سپس از مدل اعتبارسنجی شده برای تعمیم عیارهای معدنی در محل‌های شناخته شده و ناشناخته نمونه‌برداری شده در درون منطقه حفاری استفاده شد. نهایتاً مقادیر عیار بازتولیدشده و تعمیم یافته با هم ترکیب گردید و برای ایجاد مدل بلوکی سه بعدی زمینشناسی، عملیات زمین‌آماری بر روی آن صورت گرفت. تحلیل رگرسیون نشان داد که عیارهای پیش‌بینی شده نمونه در مجاورت نزدیک با عیارهای واقعی نمونه قرار داشته‌اند. عیارهای تعمیم یافته از ANNMG نشان می‌دهند که می‌توان از این فرآیند برای تکمیل فعالیتهای اکتشافی و در نتیجه کاهش نیاز به حفاری استفاده کرد. همچنین ANNMG می‌تواند روش موثری برای ارزیابی ذخایر معدنی باشد و مدل بلوک بهینه‌ای را برای طراحی معدن ایجاد نماید.
1-مقدمه
نهشته‌های معدنی به خاطر فرآیندهای زمینشناسی دخیل در نهشته شدن آنها، ساختارهای بسیار پیچیده‌ای از نظر مدلسازی هستند. قبل از طراحی معدن، ذخیره هر کانسار باید تخمین زده شود. مهمترین عامل در تخمین ذخیره، توزیع عیار کانسنگ است که همیشه باید آن را تابعی از فاصله فرض نمود.
از پنج دهه گذشته، در صنعت معدنکاری از زمین آمار برای تخمین ذخیره استفاده می‌شود زیرا زمین‌آماری ابزارهای قدرتمندی را برای مدلسازی بخش اعظم جنبه‌های کانسار فراهم می‌کند. مهمترین گامهای لازم در تخمین با استفاده از زمین آمار عبارتند از: (1) به دست آوردن مدل واریوگرام کانسار، (2) برازش مدل استاندارد به واریوگرام و (3) تولید تخمین‌های بلوکی با استفاده از تکنیک‌های موجود تخمین یا شبیه سازی. البته این روش تخمین تنها پیوستگی فضایی را به عنوان مهمترین عامل در نظر می‌گیرد. در طول سالهای متمادی، یاد گرفته ایم که عوامل مختلفی نظیر ساختار زمینشناسی، محیط نهشته شدن، نوع کانسنگ و درجه کانی‌سازی نیز باید در نظر گرفته شوند. تاکنون، بزرگترین چالشها در استفاده از زمین آمار در ناتوانی مدلسازی واریوگرام به علت ناایستایی و نرمال بودن داده‌ها نهفته است...
مدل شبکه عصبی مصنوعی با زمین آمار (ANNMG) مدلسازی بلوکی سه بعدی زمینشناسی طراحی معدن کریجینگ
:کلمات کلیدی
Abstract
In this research, a method called ANNMG is presented to integrate Artificial Neural Networks and Geostatistics for optimum mineral reserve evaluation. The word ANNMG simply means Artificial Neural Network Model integrated with Geostatiscs. In this procedure, the Artificial Neural Network was trained, tested and validated using assay values obtained from exploratory drillholes. Next, the validated model was used to generalize mineral grades at known and unknown sampled locations inside the drilling region respectively. Finally, the reproduced and generalized assay values were combined and fed to geostatistics in order to develop a geological 3D block model. The regression analysis revealed that the predicted sample grades were in close proximity to the actual sample grades. The generalized grades from the ANNMG show that this process could be used to complement exploration activities thereby reducing drilling requirement. It could also be an effective mineral reserve evaluation method that could produce optimum block model for mine design.
Keywords:
Artificial Neural Network Model Geostatistics
سایر منابع زمین شناسی در زمینه ذخایر معدنی