مدل سازی و تخمین ذخیره کانسار جزو مهم ترین فعالیت های معدنکاری می باشند که پیشنیاز طراحی معدن و برنامه ریزی تولید در طول بهره برداری از آن هستند. در کانسارهای طلا که اختلاف عیاری زیادی در بین نواحی کم عیار و پر عیار وجود دارد ارزیابی ذخیره از حساسیت بیشتری برخوردار می-باشد. در این تحقیق، از سه روش عکس مجذور فاصله، کریجینگ معمولی و شبکه عصبی مصنوعی برای تخمین عیار و ارزیابی ذخیره در معدن طلای قلقله سقز استفاده شده است که از نوع طلای پهنه برشی بوده و کانی سازی در سه زون سولفیدی، اکسیدی و ترانزیشن انجام گرفته است. در روش کریجینگ معمولی، تخمین عیار در زون سولفیدی به صورت جداگانه برای کل محدوده انجام گرفته است. همچنین به دلیل کمبود داده های زون ترانزیشن در این بخش، داده های زون اکسیدی-ترانزیشن با داده های زون اکسیدی تجمیع، واریوگرافی آن انجام و تخمین عیار برای هر کدام از زون های سولفیدی و اکسیدی-ترانزیشن صورت گرفته است. سپس، ذخیره هر یک از زون های فوق به صورت جداگانه محاسبه، منحنی تناژ-عیار رسم و نتایج حاصله اعتبار سنجی شده است. در روش شبکه عصبی مصنوعی با توجه به بازه زیاد تغییرات عیار طلا و فاصله زیاد گمانه ها از همدیگر، زون بندی صورت نگرفته و تخمین در کل محدوده کانسار انجام گرفته است. با توجه به عیارهای پیش بینی شده ناشی از سه روش فوق الذکر و بر اساس عیار حد 0/5 (گرم بر تن) و وزن مخصوص 2/75 (تن بر مترمکعب)، تخمین ذخیره معدن انجام شده است. بر این اساس، ذخیره کانسنگ معدنی در محدوده قلقله با استفاده از روش های کریجینگ معمولی، عکس مجذور فاصله و شبکه عصبی مصنوعی به ترتیب حدود 24/31، 25/42 و 34 میلیون تن تخمین زده شده است. در نهایت، ذخیره تخمین زده شده در هر یک از روش های فوق برای عیارهای حد مختلف رده بندی شده است. یافته های تحقیق حاضر نشان می دهد که نتایج روش شبکه عصبی تفاوت قابل توجهی با نتایج روش های عکس مجذور فاصله و کریجینگ معمولی دارد. این امر ناشی از پیچیدگی ساختار های زمین شناسی در منطقه مورد مطالعه و فاصله زیاد گمانه ها در زون های مختلف کانسار از همدیگر است که باعث می شود شبکه قادر به تخمین دقیق ذخیره بین نقاط مجهول گمانه ها نبوده و در نهایت باعث ایجاد خطا در شبکه عصبی می شود. بنابراین، استفاده از روش های هوشمند برای تخمین ذخیره در شرایط زمین شناسی پیچیده و فاصله زیاد گمانه های اکتشافی پیشنهاد نمی گردد.
