محمد رضائی

تحقیق حاضر به تخمین ذخیره معدن سنگ‌آهن شهرک (آنومالی کورکوره 1) با استفاده از روش‌های زمین‌آماری و هوش مصنوعی می‌پردازد. هدف اصلی تحقیق، ارزیابی و مقایسه روش‌های مختلف تخمین ذخیره، شامل کریجینگ معمولی، کریجینگ شاخص، الگوریتم برنامه‌ریزی بیان ژن (GEP) و ماشین بردار پشتیبان (SVM) است. روش‌های زمین‌آماری در نرم‌افزار دیتاماین و روش‌های هوش مصنوعی در پایتون پیاده‌سازی شده‌اند. در این تحقیق، ابتدا داده‌های مربوط به گمانه‌ها، عیار عناصر و توپوگرافی محدوده کانسار جمع‌آوری و پردازش شدند. سپس با استفاده از روش‌های کریجینگ معمولی و کریجینگ شاخص، مدل‌سازی ذخیره انجام شد. در ادامه، الگوریتم‌های برنامه‌ریزی بیان ژن و ماشین بردار پشتیبان برای تخمین ذخیره استفاده و نتایج حاصل از این روش‌ها با یکدیگر مقایسه شدند. نتایج اعتبارسنجی انجام شده نشان داد که روش‌های کریجینگ معمولی و کریجینگ شاخص نسبت به روش‌های GEP‌ و SVM دقت بالاتری در تخمین ذخیره دارند و نتایج تخمین حاصل از آنها به واقعیت نزدیک‌تر است. روش کریجینگ معمولی با تناژ حدود ۴۴٫۷۵ میلیون تن و عیار متوسط ۳۱٫۹ درصد، و روش کریجینگ شاخص با تناژ حدود ۴۲٫۶۹ میلیون تن و عیار متوسط ۳۱٫۶۲ درصد، بهترین نتایج را ارائه دادند. در مقابل، روش‌های هوش مصنوعی (برنامه‌ریزی بیان ژن و ماشین بردار پشتیبان) با وجود داشتن همبستگی قابل قبول، دقت کمتری در تخمین ذخیره نشان داده و عیار متوسط و تناژ کمتری را نسبت به مقادیر واقعی در اعتبارستجی بصری پیش‌بینی کردند. در نهایت با استفاده از روش کریجینگ شاخص و کریجینگ معمولی، ذخیره معدن به سه کلاس قطعی، احتمالی و ممکن تقسیم‌بندی گردید. کلاس قطعی با تناژ حدود ۲۵٫۶۳ میلیون تن و عیار متوسط ۳۲٫۰۴ درصد، کلاس احتمالی با تناژ حدود ۱۰٫۲۰ میلیون تن و عیار متوسط ۳۰٫۴۱ درصد، و کلاس ممکن با تناژ حدود ۶٫۸۶ میلیون تن و عیار متوسط ۳۱٫۸۰ درصد تعیین گردید. با وجود دقت بالای تخمین حاصل از این تحقیق، پیشنهاد می‌شود برای افزایش دقت تخمین، در تحقیقات آتی از نرم‌افزارهای پیشرفته‌تر مانند Leapfrog برای مدل‌سازی ذخیره استفاده شود. همچنین، حفاری‌های بیشتری در نقاطی که ماده معدنی به‌طور ناگهانی قطع شده است، انجام گیرد. این اقدامات می‌تواند به بهبود تخمین ذخیره و برنامه‌ریزی بهتر برای استخراج معدن کمک نماید.