| کاربرد الگوریتمهای هوش مصنوعی در مدلسازی پتانسیل معدنی |
| کد مقاله : 1023-CONF |
| نویسندگان |
|
عباس مقصودی *1، مهرداد دویران2 1عضو هیئت علمی دانشکده مهندسی معدن دانشگاه صنعتی امیرکبیر 2دانشجوی دکتری مهندسی معدن دانشگاه صنعتی امیرکبیر |
| چکیده مقاله |
| مدلسازی پتانسیل معدنی (MPM) یک ابزار حیاتی برای کاهش ریسک و هزینهها در فرآیندهای اکتشاف مواد معدنی است. با ظهور کلاندادهها (Big Data) در علوم زمین، روشهای سنتی جای خود را به الگوریتمهای هوشمند و داده-محور مبتنی بر هوش مصنوعی (AI) و یادگیری ماشین دادهاند. این مقاله به بررسی جامع کاربرد این الگوریتمها در شناسایی مناطق مستعد کانیزایی میپردازد. در این راستا، دو رویکرد اصلی یادگیری نظارتشده (مانند ماشین بردار پشتیبان و جنگل تصادفی) و یادگیری بدون نظارت (مانند K-Means و نقشههای خودسازمانده) مورد بحث قرار میگیرند. چالشهای کلیدی نظیر بهینهسازی هایپرپارامترهای مدل با استفاده از الگوریتمهای فراابتکاری و مدیریت عدم قطعیت در پیشبینیها تشریح میشوند. به عنوان یک مطالعه موردی برجسته، کاربرد ترکیبی از یادگیری ماشین و تحلیلهای فرکتالی برای شناسایی اهداف اکتشافی کمریسک مرتبط با کانسارهای مس پورفیری در کمربند معدنی کرمان (ایران) به تفصیل بررسی میشود. نتایج نشان میدهد که این رویکردهای نوین میتوانند با دقت بسیار بالا، مناطق پرپتانسیل را در بخش کوچکی از کل منطقه مطالعاتی متمرکز کرده و بدین ترتیب، کارایی اکتشافات را به شکل چشمگیری افزایش دهند. |
| کلیدواژه ها |
| مدلسازی پتانسیل معدنی (MPM)، هوش مصنوعی (AI)، یادگیری ماشین (ML)، مدیریت عدم قطعیت. |
| وضعیت: پذیرفته شده برای ارائه شفاهی |