| ارزیابی عملکرد روشهای یادگیری عمیق و تصمیمگیری چندمعیاره در شناسایی نواحی امیدبخش معدنی |
| کد مقاله : 1081-CONF |
| نویسندگان |
|
زینب سلطانی *1، حسین حسنی1، اردشیر هزارخانی1، سعید اسمعیل اوغلی2 1دانشگاه صنعتی امیرکبیر 2دانشگاه صنعتی اصفهان |
| چکیده مقاله |
| در دهه اخیر، تکنیکهای یادگیری عمیق عملکرد پیشرفتهای جهت نقشهبرداری و مدلسازی پتانسیل معدنی (MPM) نشان دادهاند. موفقیت این مدلها برای وظایف MPM به قابلیتهای قدرتمند آنها در یادگیری ویژگیهای غیرخطی و مدیریت دادههای اکتشافی بزرگ در سیستمهای زمینشناسی پیچیده نسبت داده میشود. شبکه باور عمیق (DBN) یک معماری یادگیری عمیق است که برای کشف الگوهای پیچیده در مجموعههای بزرگی از دادههای اکتشافی طراحی شده است. تکنیک DBN معمولاً از چندین لایه از واحدهای عصبی تصادفی موسوم به ماشینهای بولتزمن محدود (RBM) تشکیل شده است. هدف هر لایه در معماری DBN، استخراج ویژگیهای غیرخطی مختلف از دادههای ورودی است، به طوری که لایههای مقدماتی الگوهای عمومی دادهها را شناسایی میکنند و لایههای بالاتر اطلاعات انتزاعیتر را تشخیص میدهند. در این مطالعه، یک تحلیل مقایسهای بین تکنیکهای DBN (به عنوان یک مدل یادگیری عمیق) و TOPSIS (به عنوان یک روش تصمیمگیری چند معیاره) برای سنجش عملکرد آنها در MPM از طریق اعمال به یک مجموعه داده اکتشافی در منطقه فیضآباد (شمال شرق ایران) انجام شده است. منحنیهای نرخ موفقیت برای ارزیابی عملکرد مدلها در جهتگیری به سمت اهداف اکتشافی به کار گرفته شدهاند. یافتهها نشان میدهند که تکنیک DBN میتواند عملکردی بهتر از TOPSIS بدون وزن کارشناسی و نیز عملکردی معادل با مدل TOPSIS وزندار شده با دانش کارشناسی در زمینه هدفگیری اکتشاف مواد معدنی در منطقه مورد مطالعه نشان دهد. نتایج پژوهش همچنین بر این مسأله تأکید میکند که عملکرد مدل TOPSIS به طرز معنیداری به نحوه تعریف دانشمحور اوزان برای ویژگیهای ورودی وابسته است. |
| کلیدواژه ها |
| شناسایی نواحی امیدبخش معدنی، دادههای اکتشافی، شبکه باور عمیق، TOPSIS، منطقه فیضآباد |
| وضعیت: پذیرفته شده برای ارائه شفاهی |