اخبار و اعلانات
آمار
| تعداد نشریات | 20 |
| تعداد شماره‌ها | 407 |
| تعداد مقالات | 3,335 |
| تعداد مشاهده مقاله | 4,811,595 |
| تعداد دریافت فایل اصل مقاله | 3,250,169 |
بهبود تخمین سه‌بعدی عیار مس در گستره کانسار مس سرچشمه با روشهای یادگیری عمیق | ||
| نشریه مهندسی منابع معدنی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 03 شهریور 1404 | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.30479/jmre.2025.20784.1712 | ||
| نویسندگان | ||
| نادر فتحیانپور* 1؛ حامد نوروزی2 | ||
| 1دانشیار گروه مهندسی اکتشاف معدن دانشکده مهندسی معدن دانشگاه صنعتی اصفهان | ||
| 2دانش آموخته، گروه مهندسی معدن، دانشکده مهندسی معدن، دانشگاه صنعتی اصفهان، اصفهان | ||
| تاریخ دریافت: 26 مرداد 1403، تاریخ بازنگری: 29 مرداد 1404، تاریخ پذیرش: 02 دی 1403 | ||
| چکیده | ||
| امروزه کاهش خطای تخمین عیار با استفاده از روشهای نوین نقش تعیین‌کننده‌ای در بهینه‌سازی عملیات معدنکاری و کاهش ریسک عدم موفقیت اقتصادی پروژه‌های معدنی ایفا می‌نماید. هدف از تحقیق حاضر ارائه روشی برای بهبود تخمین سه‌بعدی عیار مس در گستره کانسار مس سرچشمه با استفاده از روشهای هوشمند یادگیری عمیق و مقایسه با نتایج روشهای مرسوم و متداول هندسی می‌باشد. کانسار مس سرچشمه یکی از بزرگ‌ترین کانسارهای مس پورفیری و روی کمربند آتشفشانی ارومیه-دختر در جنوب استان کرمان در ایران مرکزی واقع‌شده است. در این پژوهش، از 526 گمانه در دسترس که حاوی 38006 نمونه مغزه عیارسنجی شده برای عیار مس کل می‌باشند، استفاده‌شده است. میانگین عیار مس در نمونه‌ها برابر با 54/0 و حداکثر مقدار آن 3.43 درصد بدست آمده است. قبل از انجام تخمین عیار مس، پیش‌پردازش‌هایی شامل اصلاح داده‌های خارج از ردیف و هم‌پایه سازی داده‌ها روی‌داده‌ها انجام شد و درنهایت بیضوی ناهمسانگردی عیار مس با استفاده از ماتریس کوواریانس به دست آمد. برای تخمین عیار مس، از دو روش شامل الگوریتم یادگیری عمیق با معماری ResNet-50 و وزن دهی عکس فاصله بعنوان نماینده روشهای متداول هندسی استفاده گردید که درنهایت و در مرحله بررسی عملکرد روشهای فوق از طریق اعتبارسنجی مشخص شد که نتایج الگوریتم ResNet-50با مقدار RMSE برابر 45/0 دارای عملکرد بهتری نسبت به روش وزن دهی عکس فاصله با مقدار RMSE برابر 6/0 بوده است. | ||
| کلیدواژه‌ها | ||
| مدل‌سازی عیار؛ شبکه های عصبی؛ روش های یادگیری عمیق؛ روش وزن دهی عکس فاصله؛ تخمین عیار | ||
| عنوان مقاله [English] | ||
| Improving the 3D estimation of copper grade in Sarcheshme copper deposit using deep learning methods | ||
| نویسندگان [English] | ||
| Nader Fathianpour1؛ Hamed Norouzi2 | ||
| 1Associate Professor, Department of Mining Engineering, Isfahan University of Technology, Isfahan, Iran | ||
| 2MS.c Graduate, Department of Mining Engineering, Isfahan University of Technology, Isfahan, Iran | ||
| چکیده [English] | ||
| Reducing the grade estimation error using modern methods plays a decisive role in optimizing mining operations and reducing the risk of economic failure of mining projects. The purpose of this research is to provide a method to improve the three-dimensional estimation of copper grade in the area of Sarchesmeh copper deposit by using intelligent deep learning methods and comparing it with the results of conventional geometric methods. Sarcheshmeh copper deposit is one of the largest porphyry copper deposits and is located on the Urmia-Dakhtar volcanic belt in the south of Kerman province in Central Iran. In this research, 526 available boreholes containing 38,006 graded core samples were used for total copper grade. The average grade of copper in the samples is 0.54 and its maximum value is 3.43. Prior to estimating the copper grade, pre-processing steps including correcting for outlier data and compositing the data were carried out. The Anisotropy ellipsoid of the copper grade was then obtained using the covariance matrix. To estimate the grade of copper, two methods including deep learning algorithm with ResNet-50 architecture and inverse distance weighting as a representative of conventional geometric methods were used. and finally, in the stage of checking the performance of the above methods, it was determined through validation that the results of ResNet-50 algorithm with RMSE value of 0.45 has a better performance than Inverse distance weighting method with RMSE value of 0.6. | ||
| کلیدواژه‌ها [English] | ||
| Grade modeling, Neural networks, Deep learning methods, Inverse distance weighting method, Grade estimation | ||
|
آمار تعداد مشاهده مقاله: 12 |
||