اخبار و اعلانات
آمار
| تعداد نشریات | 20 |
| تعداد شمارهها | 421 |
| تعداد مقالات | 3,476 |
| تعداد مشاهده مقاله | 5,215,991 |
| تعداد دریافت فایل اصل مقاله | 3,567,106 |
مدلسازی پتانسیل معدنی کانسار مس پورفیری در محدوده جبال بارز بر اساس الگوریتم جنگل ایزوله | ||
| نشریه مهندسی منابع معدنی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 22 آذر 1404 | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.30479/jmre.2025.21917.1729 | ||
| نویسندگان | ||
| رامین دهقان نیری1؛ پرهام پهلوانی* 2 | ||
| 1دانشکده مهندسی معدن، دانشگاه تهران | ||
| 2گروه GIS، دانشکده مهندسی نقشه برداری و اطلاعات مکانی | ||
| تاریخ دریافت: 30 فروردین 1404، تاریخ بازنگری: 22 آذر 1404، تاریخ پذیرش: 27 مهر 1404 | ||
| چکیده | ||
| مدلسازی پتانسیل معدنی با تلفیق و ترکیب داده های اکتشافی مختلف، منجر به شناسایی نواحی امیدبخش)نمونه های ناهنجار) می شود. استفاده از روش های تشخیص ناهنجاری می تواند مفید باشد. در این پژوهش، به منظور تلفیق لایه های شاهد و شناسایی اهداف اکتشافی مرتبط با ذخایر مس پورفیری از الگوریتم نظارت نشده جنگل ایزوله (IF) استفاده شد. ابتدا ۷ لایه شاهد شامل ۴ لایه فاصله از دگرسانی های گرمابی آرژیلیک، فیلیک، پروپیلیتیک و اکسید آهن، لایه شاهد آنومالی ژئوشیمیایی چند متغیره، چگالی گسل و لایه فاصله از توده نفوذی ساخته شد. هایپرپارامترها با استفاده از نمودار نرخ پیش بینی-مساحت انتخاب شدند. نمودار نرخ پیش بینی-مساحت نشان دهنده موثر بودن این الگوریتم در تلفیق لایه های اکتشافی پیچیده و غیر خطی است. همچنین اهداف شناسایی شده توسط این روش انطباق مناسبی را با سنگ میزبان های مرتبط با کانیسازی مس پورفیری نشان می دهند و مناطقی در مرکز و شمال غربی محدوده به عنوان مناطق امیدبخش شناسایی شدهاست. علاوه بر این، به منظور تایید عملکرد الگوریتم IF در مدلسازی پتانسیل معدنی ذخایر مس پورفیری، مدل نهایی تولید شده توسط این روش با مدل تولید شده توسط میانگین هندسی مقایسه شد. وزن مدل تولید شده توسط IF و میانگین هندسی به ترتیب برابر با ۰.۸۵ و ۰.۷۱ بودهاست، که نشان دهنده برتری الگوریتم IF در شناسایی رخدادهای شناخته شدهاست. همچنین تحلیل تاثیر هایپرپارامترهای الگوریتم IF نشان میدهد که هایپرپارامتر "حداکثر ویژگی" تاثیر مستقیمی بر عملکرد مدل نهایی دارد و با افزایش آن، عملکرد مدل در شناسایی مناطق امید بخش افزایش پیدا میکند. | ||
| کلیدواژهها | ||
| الگوریتم جنگل ایزوله؛ نمودار نرخ پیشبینی-مساحت؛ مدلسازی پتانسیل معدنی؛ مس پورفیری؛ محدوده جبال بارز | ||
| عنوان مقاله [English] | ||
| Mineral prospectivity modeling of porphyry copper deposits based on Isolation Forest in jebal-barez area | ||
| نویسندگان [English] | ||
| Ramin Dehghan nayeri1؛ Parham Pahlavani2 | ||
| 1, School of mining eng., College of Eng., University of Tehran | ||
| 2GIS Department, School of Surveying and Geospatial Eng., College of Eng., University of Tehran | ||
| چکیده [English] | ||
| Mineral potential modelling identifies promising regions by integrating and combining various exploration data. For this purpose, the use of anomaly detection methods can be beneficial. In this study, the unsupervised Isolation Forest (IF) algorithm was used to effectively integrate evidence layers and identify exploration targets related to porphyry copper deposits., seven evidence layers were initially constructed, including four distance layers from hydrothermal alterations (argillic, phyllic, propylitic, and iron oxide), a multivariate geochemical anomaly and, faults density and distance layer from the intrusive body. hyperparameters were selected using the prediction-area (P-A) plot. Quantitative evaluation results using the P-A plot indicate the effectiveness of this algorithm in integrating complex evidence layers. Additionally, the targets identified by this method show a high correlation with host rocks which are associated with porphyry copper mineralization and areas in th ecenteral and northwestern parts of the study area have been identified as promising zones. Furthermore, to confirm the efficiency of the IF algorithm in the mineral potential modeling of porphyry copper deposits, the final model generated by this method was compared with the model produced by the geometric average. The weights of the models generated by IF and the geometric mean were 0.85 and 0.71, respectively, indicating the superiority of the IF algorithm in identifying explored occurrences. Analysis of the effect of IF algorithm hyperparameters also shows that the ‘max features’ hyperparameter has a direct impact on the performance of the final prospectivity model, and increasing it improves the model’s ability to identify promising areas. | ||
| کلیدواژهها [English] | ||
| Isolation Forest algorithm, Prediction-Area plot, Mineral potential modeling, porphyry copper. Jebal barez distrcit | ||
|
آمار تعداد مشاهده مقاله: 1 |
||