اخبار و اعلانات
آمار
| تعداد نشریات | 20 |
| تعداد شمارهها | 421 |
| تعداد مقالات | 3,479 |
| تعداد مشاهده مقاله | 5,216,961 |
| تعداد دریافت فایل اصل مقاله | 3,567,593 |
مقایسه عملکرد معماریهای مختلف یادگیری عمیق در تلفیق دادههای چندمنبعی برای اکتشاف کانسارهای مس پورفیری | ||
| نشریه مهندسی منابع معدنی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 23 آذر 1404 | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.30479/jmre.2025.22151.1736 | ||
| نویسندگان | ||
| پویان جواندل1؛ نادر فتحیان پور* 2؛ سید حسن طباطبایی3 | ||
| 1دانشگاه صنعتی اصفهان | ||
| 2گروه اکتشاف؛ دانشکده معدن، دانشگاه صنعتی اصفهان ، اصفهان ، ایران | ||
| 3گروه اکتشاف معدن، دانشکده معدن، داشنگاه صنعتی اصفهان | ||
| تاریخ دریافت: 10 خرداد 1404، تاریخ بازنگری: 22 آذر 1404، تاریخ پذیرش: 05 آذر 1404 | ||
| چکیده | ||
| تهیه نقشه پتانسیل معدنی به عنوان ابزاری کارآمد در شناسایی مناطق امیدبخش برای اکتشافات معدنی، نیازمند ترکیب و تلفیق هوشمند دادههای چندمنبعی است. در سالهای اخیر، روشهای یادگیری عمیق به دلیل توانایی در پردازش دادههای حجیم و چندبعدی، جایگاه ویژهای در این حوزه یافتهاند. این پژوهش با هدف توسعه و ارزیابی مدلهای مبتنی بر معماری U-Net با بکبونهای مختلف برای تلفیق دادههای اکتشافی و تهیه نقشه پتانسیل معدنی در منطقه جنوب غربی استان کرمان انجام شده است.در این راستا، 11 نقشه نشانگر شامل دادههای زمینشناسی (چگالی گسل، فاصله از گسلها، حضور و فاصله از واحدهای نفوذی)، دورسنجی (حضور و فاصله از دگرسانیهای فیلیک، آرژیلیک و پروپلیتیک) و ژئوشیمیایی استخراج و پس از استانداردسازی به عنوان ورودی مدل استفاده شدند. برای غلبه بر چالش عدم توازن دادهها، از تابع هزینه فوکال و ایجاد بچهای متعادل استفاده گردید. همچنین برای مدیریت حجم بالای دادهها، تصاویر به پچهای کوچکتر تقسیم شدند.عملکرد پنج بکبون مختلف شامل ResNet50، EfficientNetB0، MobileNetV2، VGG16 و DenseNet121 در ترکیب با معماری U-Net مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل با بکبون DenseNet121 با مقدار AUC برابر 0.9، بهترین عملکرد را داشته است. رویکرد تجمعی نیز عملکرد قابل مقایسهای ارائه داد.نقشه پتانسیل معدنی نهایی، همخوانی بالایی با نقاط کانیزایی شناخته شده نشان داد و یک منطقه امیدبخش جدید در جنوب غربی شناسایی شد. این پژوهش نشان میدهد که روشهای یادگیری عمیق قابلیت بالایی در تلفیق دادههای اکتشافی دارند. | ||
| کلیدواژهها | ||
| یادگیری عمیق؛ نقشه پتانسیل معدنی؛ معماری U-Net؛ تلفیق دادههای اکتشافی؛ ذخایر مس پورفیری؛ بکبونهای شبکه عصبی | ||
| عنوان مقاله [English] | ||
| A Comparison of the Performance of Various Deep Learning Architectures for Multisource Data Integration in Porphyry Copper Deposit Exploration | ||
| نویسندگان [English] | ||
| Puyan javandel1؛ Nader Fathianpour2؛ Seyed Hassan Tabatabaei3 | ||
| 1Dept of mining, Isfahan university of technology | ||
| 2xploration Group, Department of Mining Engineering, Isfahan University of Technology, Isfahan, Iran | ||
| 3Department of Mining Engineering, Isfahan University of Technology (IUT), Isfahan, Iran | ||
| چکیده [English] | ||
| Mineral potential mapping serves as an effective tool for identifying promising areas for mineral exploration, requiring intelligent integration of multi-source data. Deep learning methods have gained prominence in this field due to their ability to process large-volume, multi-dimensional datasets. This research developed and evaluated U-Net architecture models with different backbones for integrating exploration data and preparing mineral potential maps in southwestern Kerman Province.Eleven indicator maps were utilized, including geological data (fault density, distance from faults, presence and distance from intrusive units), remote sensing data (presence and distance from phyllic, argillic, and propylitic alterations), and geochemical data. After standardization, these served as model inputs. To address data imbalance challenges, focal loss function and balanced batch creation were employed. Images were divided into smaller patches to manage high data volumes.Five different backbones (ResNet50, EfficientNetB0, MobileNetV2, VGG16, and DenseNet121) combined with U-Net architecture were evaluated. Results demonstrated that the DenseNet121 backbone model achieved the best performance with an AUC value of 0.9 for detecting mineralization potential areas. The ensemble approach, combining results from different models, provided comparable performance. The final mineral potential map showed high consistency with known mineralization points and identified a new promising area in the southwest study region. This research demonstrates that deep learning methods possess high capability for combining diverse exploration data and can serve as effective tools for optimizing mineral deposit exploration processes. | ||
| کلیدواژهها [English] | ||
| Deep Learning، Mineral Potential mapping، Unet،, Porphyry copper deposits، Unet Backbones | ||
|
آمار تعداد مشاهده مقاله: 3 |
||