1403/02/15
محمد رضائی

محمد رضائی

مرتبه علمی: دانشیار
ارکید:
تحصیلات: دکترای تخصصی
اسکاپوس: 6313
دانشکده: دانشکده مهندسی
نشانی: دانشگاه کردستان - دانشکده مهندسی - گروه معدن
تلفن: 087-33660073

مشخصات پژوهش

عنوان
تخمین ذخیره معدن با استفاده از نرم افزار میکروماین و روش های هوشمند (مطالعه موردی: معدن سرب و روی انگوران)
نوع پژوهش
پایان نامه
کلیدواژه‌ها
معدن انگوران، تخمین ذخیره، کریجینگ، شبکه عصبی، برنامه ریزی بیان ژن
سال 1398
پژوهشگران سیده مهسا حسینی(دانشجو)، محمد رضائی(استاد راهنما)، سید زانیار سید موسوی(استاد مشاور)

چکیده

مدل سازی عیاری و تخمین ذخیره، آخرین مرحله ی اکتشاف و شروع مرحله استخراج معدن می باشد. روش های مختلفی برای مدل سازی عیاری و تخمین ذخیره وجود دارد که به دو دسته روش های ایستا (همچون آمار کلاسیک) و پویا (مانند زمین آمار، شبکه عصبی و غیره) تقسیم بندی می شوند. علیرغم دقت بالای زمین آمار در مدل سازی عیاری، اما به دلیل زمان بر بودن و نیاز به دانش پیشرفته، امروزه از روش های هوشمند از جمله شبکه عصبی، منطق فازی و الگوریتم های فرا ابتکاری به عنوان جایگزین این روش استفاده می شود. در این تحقیق، از روش زمین آماری کریجینگ معمولی و دو روش هوش مصنوعی شبکه عصبی و برنامه ریزی بیان ژن برای مدل سازی عیار کانه روی و تخمین ذخیره معدن انگوران مورد استفاده قرار گرفته است. مدل سازی عیاری و تخمین ذخیره بر روی 930 سری داده حاصل از 92 حلقه گمانه اکتشافی انجام گرفته و عیار کانه روی به عنوان متغییر ناحیه ای انتخاب گردید. بررسی های صورت گرفته بر روی داده های عیار نشان داد ناهمگونی بسیار شدیدی در آنها وجود دارد که می تواند ناشی از پیچیدگی زمین شناسی کانسار و خطای بالا در مراحل حفاری مغزه ی و نمونه برداری باشد. ذخیره متمرکز کانه روی در این کانسار در هفت واحد سنگی طبقه بندی شده است که زون سولفوره از عیار بیشتری برخوردار است. به منظور مدل سازی عیار روی، داده ها به کامپوزیت های با طول 10 متر تبدیل گردید. در نتیجه، تعداد 1024 داده حاصل و پس از مطالعات عیاری، فضای تخمین تعیین گردید. به دلیل هندسه نامناسب و تعداد کم نمونه ها، برازش مدل به ورایوگرام های جهتی ممکن نبود و از پارامتر واریوگرام همه جهته به منظور تخمین کریجینگ در نرم افزار میکروماین استفاده گردید. سپس بر اساس آموزش شبکه های عصبی مختلف، شبکه ای بهینه برای تخمین عیار پیشنهاد شد. در نهایت، تخمین عیاری با استفاده از برنامه ریزی بیان ژن و با در نظر گرفتن تابع برازش بهینه و سایر پارامترهای تعیین شده، صورت گرفت. مقایسه نتایج حاصل از سه روش فوق الذکر با استفاده از 50 سری داده آزمون انجام و اثبات گردید که روش شبکه عصبی با ضریب همبستگی 71% و میانگین مربعات خطا برابر با 06/0 دارای عملکرد بهتری نسبت به سایر روش ها می باشد. همچنین، روش کریجینگ در تخمین بخش های عیار پایین عملکرد بهتری نسبت به سایر روش ها داشته و روش برنامه ریزی بیان ژن به دلیل نبود همگنی در داده ها، نمی تواند عملکرد خوبی را از خود نشان دهد.