دانشگاه تربیت دبیر شهید رجائی
انتشارات دانشگاه تربیت دبیر شهید رجائی

  اخبار و اعلانات

 آمار

تعداد نشریات11
تعداد شماره‌ها210
تعداد مقالات2,098
تعداد مشاهده مقاله2,877,440
تعداد دریافت فایل اصل مقاله2,085,197
سیلاوی, طلوع, خیرخواه زاده, معصومه. (1401). استفاده از شبکه‌های عصبی مصنوعی و سامانه های اطلاعات مکانی در معدن‌کاوی جهت تولید نقشه پتانسیل معدنی. فناوری آموزش, 1(1), 103-114. doi: 10.22061/jrsgr.2022.1981
طلوع سیلاوی; معصومه خیرخواه زاده. "استفاده از شبکه‌های عصبی مصنوعی و سامانه های اطلاعات مکانی در معدن‌کاوی جهت تولید نقشه پتانسیل معدنی". فناوری آموزش, 1, 1, 1401, 103-114. doi: 10.22061/jrsgr.2022.1981
سیلاوی, طلوع, خیرخواه زاده, معصومه. (1401). 'استفاده از شبکه‌های عصبی مصنوعی و سامانه های اطلاعات مکانی در معدن‌کاوی جهت تولید نقشه پتانسیل معدنی', فناوری آموزش, 1(1), pp. 103-114. doi: 10.22061/jrsgr.2022.1981
سیلاوی, طلوع, خیرخواه زاده, معصومه. استفاده از شبکه‌های عصبی مصنوعی و سامانه های اطلاعات مکانی در معدن‌کاوی جهت تولید نقشه پتانسیل معدنی. فناوری آموزش, 1401; 1(1): 103-114. doi: 10.22061/jrsgr.2022.1981

استفاده از شبکه‌های عصبی مصنوعی و سامانه های اطلاعات مکانی در معدن‌کاوی جهت تولید نقشه پتانسیل معدنی

پژوهش های سنجش از دور و اطلاعات مکانی
دوره 1، شماره 1، دی 1401، صفحه 103-114    اصل مقاله (1.09 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22061/jrsgr.2022.1981
نویسندگان
طلوع سیلاوی1؛ معصومه خیرخواه زاده* 2
1گروه سیستم‌های اطلاعات مکانی، دانشکده مهندسی نقشه‌برداری، دانشگاه صنعتی خواجه‌نصیرالدین طوسی
2گروه علوم کامپیوتر، دانشکده علوم ریاضی و کامپیوتر، دانشگاه شهید چمران اهواز، اهواز، ایران
تاریخ دریافت: 15 اسفند 1401،  تاریخ بازنگری: 17 اردیبهشت 1402،  تاریخ پذیرش: 28 خرداد 1402 
چکیده
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، معدن‌کاوی است که می­توان آن را یکی از حوزه های به شدت وابسته به زمین­ شناسی به حساب آورد. از سوی دیگر، روش­ های سنتی معدن‌کاوی و زمین ­شناسی جوابگوی نیازهای روزافزون این حوزه ن نمی‌باشند و به همین دلیل، فنون و علوم جدید، نقشی بی ­بدیل در کاوش­های معدنی امروزی یافته­ اند. هوش مصنوعی، یکی از مهم‌ترین علوم جدید است که در حال تحول­ بخشی به زندگی انسان­ها می­باشد. شبکه ­های عصبی مصنوعی، به عنوان یکی از روش‌های دیرپای هوش مصنوعی، جای پای خود را در زمین ­شناسی ومعدن‌کاوی نیز باز و در این مسیر، روش ­های سنتی را با چالش اساسی مواجه نموده ­اند. بر این اساس، هدف این تحقیق بر تهیه‌ی نقشه‌ی پتانسیل معدنی با کمک شبکه‌ی عصبی مصنوعی بنا نهاده شده است.
روش‌ها‌: شبکه‌ی عصبی مصنوعی، در واقع یک روش طبقه­ بندی به شمار می­رود. این روش، به صورت یک جعبه‌ی سیاه عمل می­کند که ابتدا آموزش می ­بیند و پس از یادگیری، قادر به طبقه ­بندی داده­هایی است که در مرحله‌ی آموزش با آن‌ها مواجه نبوده است. در این پژوهش، با استفاده از اطلاعات مطالعات اکتشافی یک کانسار مس پرفیری واقع در استان یزد ایران و به کمک شبکه‌ی عصبی مصنوعی در صدد تولید نقشه‌ی پتانسیل معدنی مس در این منطقه هستیم. نقشه‌ی پتانسیل معدنی برای استخراج معدن مورد استفاده قرار می ­گیرد. بدین منظور، به دو صورت از شبکه‌ی عصبی مصنوعی استفاده می­ شود. روش اول به صورت معمول است یعنی شبکه‌ی 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 شبکه‌ی عصبی مصنوعی، وزن ­های داخلی شبکه استخراج می ­شوند. این وزن­ها در واقع، نشان ­دهنده‌ی میزان اهمیتی است که نرون­ های شبکه برای هر یک از معیارهای ورودی در نظر گرفته­ اند. این وزن­ ها، وارد رابطه‌ی روش هم پوشانی شاخص می­ شوند و نقشه­ های معیار، با استفاده از روش همپوشانی شاخص، ترکیب و نقشه‌ی پتانسیل معدنی حاصل می­شود.
یافته‌ها: در این تحقیق، غیر از آزمایش قدرت شبکه‌ی عصبی مصنوعی در تهیه‌ی نقشه‌ی پتانسیل معدنی، میزان دقت وزن­ های مستخرج از شبکه برای استفاده در یک روش تلفیق دیگر، مد نظر بوده است. در مرحله‌ی آموزش شبکه، مقادیر نقشه ­های معیار که اساساً 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 حالی‌که 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 شبکه‌ی عصبی مصنوعی پس از کنار گذاشتن یکی از معیارها که غیر مؤثر تشخیص داده شد، می­تواند تا 100 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 70 درصد است.
نتیجه‌گیری: نتایج این تحقیق، یک بار دیگر قدرت شبکه ­های عصبی مصنوعی را در طبقه­ بندی و تلفیق اطلاعات مکانی، نشان داد. اما نتیجة منحصر به فرد این تحقیق آن بود که وز­ن­ های داخلی شبکه‌ی عصبی مصنوعی بیشترین کارایی را در داخل خود شبکه دارند و استفاده از آن­ها، برای وزن‌دهی و تلفیق اطلاعات در یک روش دیگر، چندان مفید نخواهد بود. با این وجود، این وزن ­ها در هر صورت، می­ توانند نمایش‌گر ترتیب صحیح اهمیت داده­ های ورودی باشند.
کلیدواژه‌ها
اکتشاف معدن؛ کانسار مس؛ سامانه اطلاعات مکانی؛ شبکه عصبی مصنوعی؛ تلفیق اطلاعات
عنوان مقاله [English]
Using Artificial Neural Networks and Geospatial Information Systems in Mine Exploration for Producing Mineral Potential Map
نویسندگان [English]
T. Silavi1؛ M. kheirkhah zadeh2
1Department of Geospatial Information Systems, Faculty of Geodesy and Geomatics, K.N.Toosi University of Technology, Tehran, Iran
2Department of Computer Science, Faculty of Mathematics and Computer Science, Shahid Chamran University of Ahvaz, Ahvaz, Iran
چکیده [English]
Background and Objectives: Geospatial Information Systems provide required science and tools for various transactions related to spatial data. Such an ability caused use of Geospatial Information Systems in several fields. One of these fields is mine exploration which can be known as highly dependent field to the geology. On the other hand, the traditional methods are not suitable for requirements of mine exploration. Thus, the new methods are utilized more and more for mining as well as mine exploration. Artificial intelligence is one of the new sciences transforming human life. Artificial Neural Networks as a long-standing method of artificial intelligence have found many applications in mine exploration. The goal of this research is producing mineral potential map using artificial neural networks.  
Methods: Artificial neural network is a classifier method in essence. This method acts like a black box which is trained at first, then it is capable of classifying the new data. In this research the data captured from exploration studies of porphyry copper deposit located in Yazd, Iran is used for producing mineral potential map. The mineral potential map is essential and very important for mining activities. The data is entered to a feedforward back propagation artificial neural network. The artificial neural network is used in two manners. The first manner is the usual one: The artificial neural network is trained by the aid of boreholes data and then it is used to forecast the potential of copper at every cell of the study area. In the second manner after training the network, its inner weights are extracted. These weights show the amount of importance that the neurons of the network have been considered for the input criteria. These weights are entered into the index overlay method. Afterwards, the criteria maps are combined by index overlay method and the mineral potential map is produced.
Findings: In this research more than testing the power of artificial neural networks in producing mineral potential map, testing the accuracy of its inner weights to be used in another method is aimed. At the training phase the values of criteria maps (essentially produced by exploration studies) at the positions of boreholes are entered into the artificial neural network and the network should forecast the potential of copper at that position qualitatively, while the true values are known from the data of boreholes. Then, the trained network forecast the potential of copper at every position of the deposit. The results revealed that the accuracy of artificial neural network when ignoring one of the non-efficient criteria can be reached up to 100 percent. However, the accuracy of index overlay method using the weights extracted from the artificial neural network is about 70 percent at maximum.
Conclusion: The results of this study revealed again the power of artificial neural networks in classification and combination of spatial data. Despite, the unique result of this research is that the inner weights of artificial neural network have the maximum performance in their network and using them for weighting and combining data by another method would not be useful. However, these weights can illustrate the order of importance of data. 
کلیدواژه‌ها [English]
Mine Exploration, Copper Deposit, Geospatial Information System, Artificial Neural Network, Data Combination
مراجع
[1] Alesheikh AA, Soltani MJ, Nouri N, Khalilzadeh M. Land assessment for flood spreading site selection using geospatial information system. International Journal of Environmental Science & Technology. 2008;5(4):455-462.

[2] Malczewski J. GIS and Multicriteria Decision Analysis: John Wiley & Sons; 1999.

[3] Thorson JT, Monnahan CC, Hulson P-JF. Data weighting: An iterative process linking surveys, data synthesis, and population models to evaluate mis-specification. Fisheries Research. 2023;266:106762.

[4] Bonham-Carter GF. Geographic Information systems for Geoscientists: Modelling with GIS: Elsevier Ltd; 1994.

[5] Linston HA, Turoff M. The Delphi Method: Techniques and Applications: Addison Wesley Publishing Company; 1975.

[6] Alesheikh AA, Sadeghi Naeeni Fard F. Design and implementation of a knowledge-based system to improve maximum likelihood classification accuracy. Canadian Journal of Remote Sensing. 2007;33(6):459-467.

[7] Ahmed F, Kim K-Y. Recursive approach to combine expert knowledge and data-driven RSW weldability certification decision making process. Robotics and Computer-Integrated Manufacturing. 2023;79:102428.

[8] Kanungo DP, Arora MK, Sarkar S, Gupta RP. A comparative study of conventional, ANN black box, fuzzy and combined neural and fuzzy weighting procedures for landslide susceptibility zonation in Darjeeling Himalayas. Engineering Geology. 2006;85(3):347-366.

[9] Świetlicka A, Kolanowski K. Homogeneous ensemble model built from artificial neural networks for fault detection in navigation systems. Journal of Computational and Applied Mathematics. 2023;432:115279.

[10] Koocheki K, Pietruszczak S. Numerical analysis of large masonry structures: bridging meso and macro scales via artificial neural networks. Computers & Structures. 2023;283:107042.

[11] Sun T, Chen F, Zhong L, Liu W, Wang Y. GIS-based mineral prospectivity mapping using machine learning methods: A case study from Tongling ore district, eastern China. Ore Geology Reviews. 2019;109:26-49.

[12] Choi Y, Baek J, Park S. Review of GIS-Based Applications for Mining: Planning, Operation, and Environmental Management. Applied Sciences [Internet]. 2020; 10(7):2266.

[13] Köhler M, Hanelli D, Schaefer S, Barth A, Knobloch A, Hielscher P, et al. Lithium Potential Mapping Using Artificial Neural Networks: A Case Study from Central Portugal. Minerals [Internet]. 2021; 11(10):1046 p.

[14] Hosseinali F, Alesheikh AA, Weighting Spatial Information in GIS for Copper Mining Exploration. American Journal of Applied Sciences. 2008; 5(9):1187-1198.

[15] Mohammdi M, Hosseinali F. Assessment and Comparison the Location of Six Universities in Tehran City Using GIS and Multi Criteria Decision Making Methods. International Journal of Environment and Geoinformatics. 2019;6(1):143-147.

[16] Feng L, Liao W, Pang J, Hu R, Feng L. Artificial Neural Network in Classification of Multisource Remote Sensing Images. International Transactions on Electrical Energy Systems. 2022;2022:5439941.

[17] Menhaj MB. The Fundamentals of Artificial Neural Networks: Polytechnic University of Tehran; 2016. Persian.

[18] Alanis AY, Arana-Daniel N, Lopez-Franco C. Artificial Neural Networks for Engineering Applications: Elsevier Science; 2019.

[19] Beale R, Jackson T. Neural Computing - An Introduction: CRC Press; 1990.

[20] Guo Y, Peng W, Chen Y, Zhang L, Liu X, Huang X, et al. Joint A-SNN: Joint training of artificial and spiking neural networks via self-Distillation and weight factorization. Pattern Recognition. 2023;142:109639.

[21] Korbar J, Ocepek D, Čepon G, Boltežar M. Training artificial neural networks using substructuring techniques: Application to joint identification. Mechanical Systems and Signal Processing. 2023;198:110426.

[22] Basheer IA, Hajmeer M. Artificial neural networks: fundamentals, computing, design, and application. Journal of Microbiological Methods. 2000;43(1):3-31.

[23] Elminir HK, Abdel-Galil H. Estimation OF Air Pollutant Concentrations from Meteorolical Parameters Using Artificial Neural Network. Journal of Electricla Engineering. 2006;57(2):105-110.

[24] Fernando H, Surgenor B. An unsupervised artificial neural network versus a rule-based approach for fault detection and identification in an automated assembly machine. Robotics and Computer-Integrated Manufacturing. 2017;43:79-88.

[25] Lee S, Evangelista DG. Earthquake-induced landslide-susceptibility mapping using an artificial neural network. Nat Hazards Earth Syst Sci. 2006;6(5):687-695.

[26] Mehrotra K, Mohan CK, Ranka S. Elements of Artificial Neural Networks: MIT Press; 1997.

[27] Lee S, Ryu J-H, Won J-S, Park H-J. Determination and application of the weights for landslide susceptibility mapping using an artificial neural network. Engineering Geology. 2004;71(3):289-302.

[28] Ford A, Hart CJR. Mineral potential mapping in frontier regions: A Mongolian case study. Ore Geology Reviews. 2013;51:15-26.

[29] Wang F, Tian Y, Zhou K, Yang R, Tan T, Wang Y, et al. Using a triblock copolymer as a single additive in high aspect ratio through silicon via (TSV) copper filling. Microelectronic Engineering. 2021;244-246:111554.

[30] Bièvre G, Crouzet C. Multi-proxy analysis of boreholes in remolded Quaternary paraglacial deposits (Avignonet landslide, French Western Alps). Engineering Geology. 2021;286:106073.

[31] Ford A, Peters KJ, Partington GA, Blevin PL, Downes PM, Fitzherbert JA, et al. Translating expressions of intrusion-related mineral systems into mappable spatial proxies for mineral potential mapping: Case studies from the Southern New England Orogen, Australia. Ore Geology Reviews. 2019;111:102943.

[32] Davies RS, Groves DI, Trench A, Dentith M. Towards producing mineral resource-potential maps within a mineral systems framework, with emphasis on Australian orogenic gold systems. Ore Geology Reviews. 2020;119:103369.

آمار
تعداد مشاهده مقاله: 198
تعداد دریافت فایل اصل مقاله: 201


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب