ترکیب الگوریتم خوشه¬بندی Fuzzy c-means با شبکه عصبی پرسپترون چند لایه برای افزایش دقت تخمین غلظت عناصر ژئوشیمیایی، مثال موردی – محدوده شرقی کانسار مس پورفیری سوناجیل
محورهای موضوعی :محرم جهانگیری 1 , سیدرضا قوامی ریابی 2 , بهزاد تخم¬چی 3
1 - دانشگاه صنعتی شاهرود
2 - دانشگاه صنعتی شاهرود
3 - دانشگاه صنعتی شاهرود
کلید واژه:
چکیده مقاله :
روش های شناسایی الگو توانایی کشف روابط پنهان موجود در بین داده های اکتشافی را دارند و با بهره-گیری از این روش ها، الگوی پراکندگی ژئوشیمیایی حاکم بر عناصر در محدوده مورد مطالعه قابل شناسایی و تعمیم است. یکی از روش های شناسایی الگو، شبکه عصبی چند لایه است که در تخمین غلظت عناصر ژئوشیمیایی در مطالعات معدنی استفاده می شود و دقت قابل قبولی ارائه می نماید. در این مطالعه، روش شبکه عصبی چند لایه به‌عنوان تخمینگر انتخاب شده و با 1755 نمونه سنگی آنالیز شده با روش ICP، طراحی تخمینگر انجام پذیرفته است. در تحلیل ها برای بالا بردن دقت تخمین شبکه عصبی از الگوریتم خوشه بندی FCM استفاده شده است. پس از شناسایی تعداد خوشه بهینه موجود در داده های ژئوشیمیایی، اقدام به خوشه بندی شده و مجموعه داده برای طراحی تخمینگر ها از داده های خوشه بندی شده انتخاب شد. نتایج به‌دست‌آمده نشان داد که استفاده از داده های خوشه بندی شده، دقت تخمین را 13 درصد افزایش داده و میانگین دقت تخمینگرهای عناصر ژئوشیمیایی که در حالت استفاده از کل داده ها برابر 75 درصد بود به 88 درصد افزایش یافته است. عناصری با دقت های پایین در حالت استفاده از کل داده ها، در حالت استفاده از داده های خوشه بندی شده افزایش قابل ملاحظه ای از خود نشان داده و خطای تخمین (MSE) در حالت استفاده از داده های خوشه بندی به میزان قابل توجهی کاهش پیدا کرده است و میانگین خطا از مقدار 079/0 با کاهشی 3 برابری به 025/0 رسیده است.
Pattern recognition methods are able to identify the hidden relationships between exploration data, especially in the case of limited number of data. The geochemical distribution patterns of the elements are identified and generalized using these methods. Multilayer perceptron, MLP, is one of the pattern recognition methods which is used for the estimation of geochemical element concentrations in mineral deposit studies. In the current study, multilayer neural network was used to estimate the concentration of geochemical elements based on 1755 surface and borehole samples, analyzed by ICP. Fuzzy c-means, FCM, clustering algorithm was used to increase the neural network estimation accuracy. The optimal number of clusters in the dataset was identified by validation indices and was used to design estimator. The clustering data on average showed an increase of 13% accuracy compared to normal mode. The average accuracy was increased from 75 percent to 88 percent. Elements with the lowest estimation accuracy showed an acceptable increase on the estimation accuracy by using clustering data. Mean squared error was 0.079 using all data and decreased to 0.025 while using hybrid developed method.
