طلوع سیلاوی - گروه سیستم های اطلاعات مکانی، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی
معصومه خیرخواه زاده - گروه علوم کامپیوتر، دانشکده علوم ریاضی و کامپیوتر، دانشگاه شهید چمران اهواز، اهواز، ایران

پیشینه و اهداف: سامانه­ های اطلاعات مکانی، علم و ابزار لازم برای انواع فعل و انفعالات مرتبط با اطلاعات مکانی را فراهم می ­آورند. چنین قابلیتی، سبب شده است که این سامانه ­ها در حوزه­ های متعدد و بسیار متنوعی به کار گرفته شوند. یکی از این حوزه ­ها، معدن کاوی است که می­توان آن را یکی از حوزه های به شدت وابسته به زمین­ شناسی به حساب آورد. از سوی دیگر، روش­ های سنتی معدن کاوی و زمین ­شناسی جوابگوی نیازهای روزافزون این حوزه ن نمی باشند و به همین دلیل، فنون و علوم جدید، نقشی بی ­بدیل در کاوش­های معدنی امروزی یافته­ اند. هوش مصنوعی، یکی از مهم ترین علوم جدید است که در حال تحول­ بخشی به زندگی انسان­ها می­باشد. شبکه ­های عصبی مصنوعی، به عنوان یکی از روش های دیرپای هوش مصنوعی، جای پای خود را در زمین ­شناسی ومعدن کاوی نیز باز و در این مسیر، روش ­های سنتی را با چالش اساسی مواجه نموده ­اند. بر این اساس، هدف این تحقیق بر تهیه ی نقشه ی پتانسیل معدنی با کمک شبکه ی عصبی مصنوعی بنا نهاده شده است.روش ها : شبکه ی عصبی مصنوعی، در واقع یک روش طبقه­ بندی به شمار می­رود. این روش، به صورت یک جعبه ی سیاه عمل می­کند که ابتدا آموزش می ­بیند و پس از یادگیری، قادر به طبقه ­بندی داده­هایی است که در مرحله ی آموزش با آن ها مواجه نبوده است. در این پژوهش، با استفاده از اطلاعات مطالعات اکتشافی یک کانسار مس پرفیری واقع در استان یزد ایران و به کمک شبکه ی عصبی مصنوعی در صدد تولید نقشه ی پتانسیل معدنی مس در این منطقه هستیم. نقشه ی پتانسیل معدنی برای استخراج معدن مورد استفاده قرار می ­گیرد. بدین منظور، به دو صورت از شبکه ی عصبی مصنوعی استفاده می­ شود. روش اول به صورت معمول است یعنی شبکه ی عصبی مصنوعی با استفاده از اطلاعات چاه ­های اکتشافی آموزش می­بیند و سپس میزان پتانسیل مس را در جای­جای منطقه پیش­بینی می­ نماید. روش دوم، به این صورت است که پس از آموزش دیدن شبکه ی عصبی مصنوعی، وزن ­های داخلی شبکه استخراج می ­شوند. این وزن­ها در واقع، نشان ­دهنده ی میزان اهمیتی است که نرون­ های شبکه برای هر یک از معیارهای ورودی در نظر گرفته­ اند. این وزن­ ها، وارد رابطه ی روش هم پوشانی شاخص می­ شوند و نقشه­ های معیار، با استفاده از روش همپوشانی شاخص، ترکیب و نقشه ی پتانسیل معدنی حاصل می­شود.یافته ها: در این تحقیق، غیر از آزمایش قدرت شبکه ی عصبی مصنوعی در تهیه ی نقشه ی پتانسیل معدنی، میزان دقت وزن­ های مستخرج از شبکه برای استفاده در یک روش تلفیق دیگر، مد نظر بوده است. در مرحله ی آموزش شبکه، مقادیر نقشه ­های معیار که اساسا همان نقشه ­های حاصل از مطالعات اکتشافی هستند در نقاط چاه­های اکتشافی،  به عنوان ورودی وارد شبکه می­شوند و باید عیار مس را به صورت کیفی در آن نقطه، پیش­بینی نمایند در حالی که خروجی صحیح حاصل از چاه­های اکتشافی در دست است. پس از آموزش، شبکه مقادیر پتانسیل معدنی را در جای­جای کانسار به دست می­آورد. نتایج، نشان داد که دقت طبقه­ بندی شبکه ی عصبی مصنوعی پس از کنار گذاشتن یکی از معیارها که غیر موثر تشخیص داده شد، می­تواند تا ۱۰۰ درصد برسد و این، در حالی است که دقت حاصل شده از روش هم پوشانی شاخص و با استفاده از وزن­ های مستخرج از شبکه، تا حدود ۷۰ درصد است.نتیجه گیری: نتایج این تحقیق، یک بار دیگر قدرت شبکه ­های عصبی مصنوعی را در طبقه­ بندی و تلفیق اطلاعات مکانی، نشان داد. اما نتیجه منحصر به فرد این تحقیق آن بود که وز­ن­ های داخلی شبکه ی عصبی مصنوعی بیشترین کارایی را در داخل خود شبکه دارند و استفاده از آن­ها، برای وزن دهی و تلفیق اطلاعات در یک روش دیگر، چندان مفید نخواهد بود. با این وجود، این وزن ­ها در هر صورت، می­ توانند نمایش گر ترتیب صحیح اهمیت داده­ های ورودی باشند.

اکتشاف معدن, کانسار مس, سامانه اطلاعات مکانی, شبکه عصبی مصنوعی, تلفیق اطلاعات