دانشگاه بین المللی امام خمینی

  اخبار و اعلانات

 آمار

تعداد نشریات20
تعداد شماره‌ها360
تعداد مقالات2,962
تعداد مشاهده مقاله3,754,898
تعداد دریافت فایل اصل مقاله2,550,293
موسوی, سید جعفر, شایسته فر, محمدرضا, معارف وند, پرویز. (1402). تخمین ذخیره کانسار سنگ آهن لکه سیاه با روش های زمین آماری و شبکه مصنوعی. لسان مبین, 8(2), 19-40. doi: 10.30479/jmre.2022.16295.1549
سید جعفر موسوی; محمدرضا شایسته فر; پرویز معارف وند. "تخمین ذخیره کانسار سنگ آهن لکه سیاه با روش های زمین آماری و شبکه مصنوعی". لسان مبین, 8, 2, 1402, 19-40. doi: 10.30479/jmre.2022.16295.1549
موسوی, سید جعفر, شایسته فر, محمدرضا, معارف وند, پرویز. (1402). 'تخمین ذخیره کانسار سنگ آهن لکه سیاه با روش های زمین آماری و شبکه مصنوعی', لسان مبین, 8(2), pp. 19-40. doi: 10.30479/jmre.2022.16295.1549
موسوی, سید جعفر, شایسته فر, محمدرضا, معارف وند, پرویز. تخمین ذخیره کانسار سنگ آهن لکه سیاه با روش های زمین آماری و شبکه مصنوعی. لسان مبین, 1402; 8(2): 19-40. doi: 10.30479/jmre.2022.16295.1549

تخمین ذخیره کانسار سنگ آهن لکه سیاه با روش های زمین آماری و شبکه مصنوعی

نشریه مهندسی منابع معدنی
مقاله 2، دوره 8، شماره 2 - شماره پیاپی 28، تیر 1402، صفحه 19-40    اصل مقاله (1.45 M)
نوع مقاله: علمی-پژوهشی
شناسه دیجیتال (DOI): 10.30479/jmre.2022.16295.1549
نویسندگان
سید جعفر موسوی1؛ محمدرضا شایسته فر* 2؛ پرویز معارف وند3
1دانشجوی دوره دکتری، گروه مهندسی معدن، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان، کرمان
2دانشیار، گروه مهندسی معدن، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان، کرمان
3دانشیار، دانشکده مهندسی معدن و متالورژی، دانشگاه صنعتی امیرکبیر، تهران
چکیده
سرمایه‌گذاری‌ها و پیشرفت پروژه‌های معدنی بستگی به کمیت و کیفیت منابع و ذخایر معدنی دارد، بنابراین اطلاع از اعتبار تخمین ذخیره معدنی بر اساس روش‌های گوناگون اهمیت فراوانی دارد. این پژوهش به بررسی نقش زمین‌آمار و شبکه عصبی مصنوعی در مدل‌سازی، تخمین عیار بلوک‌های اکتشافی و تخمین ذخیره کانسار پرداخته است. مدل‌سازی توزیع فضایی مقادیر آهن با استفاده از سه روش کریجینگ معمولی، شبیه‌سازی متوالی گاوسی و شبکه عصبی مصنوعی انجام شده است. برای ساخت مدل بلوکی کانسار، از 29 گمانه اکتشافی با میانگین عمق 75/142 متر و مجموع طول 9/4139 متر استفاده شد. تحلیل‏های آماری بر روی 1247 داده کامپوزیت‏ شده 2 متری انجام شد. پس از بررسی‌های آماری، واریوگرافی سه‌بعدی برای شناخت ناهمسانگردی منطقه و انتخاب بهترین واریوگرام و بیضوی جستجو برای متغیر آهن، انجام و مدل سه‌بعدی کانسار برای تخمین عیار به روش‌های کریجینگ معمولی و شبیه‌سازی متوالی گاوسی به دست آمد. همچنین مدل‌سازی و تخمین عیار به روش شبکه عصبی مصنوعی انجام گرفت. اعتبارسنجی نتایج به دست آمده از روش شبکه عصبی مصنوعی نشان داد که این تخمین اعتبار بسیار خوبی دارد و به علت سادگی استفاده و عدم نیاز به محاسبات سنگین واریوگرافی جایگزین مناسبی برای روش‏های زمین‏آماری کریجینگ و شبیه‏سازی متوالی گاوسی است. در ادامه نیز بر اساس عیار حدهای مختلف، میزان تناژ و عیار متوسط محاسبه و نمودار عیار-تناژ رسم شد. نتایج نشان می‌دهد که این کانسار به ازای عیار حد 20 درصد، 439 میلیون تن ماده معدنی با عیار متوسط 42 درصد دارد.
کلیدواژه‌ها
کریجینگ معمولی؛ شبیه‌سازی متوالی گاوسی؛ شبکه عصبی مصنوعی؛ منحنی عیار-تناژ؛ کانسار لکه‌سیاه
عنوان مقاله [English]
Estimating the Reserve of Lake- Siah Iron Ore Body by Geostatistical and Artificial Network Methods
نویسندگان [English]
S.J. Mousavi1؛ M.R. Shayestehfar2؛ P. Maarefvand3
1Ph.D Student, Dept. of Mining Engineering, Shahid Bahonar University of Kerman, Kerman, Iran
2Associate Professor, Dept. of Mining Engineering, Shahid Bahonar University of Kerman, Kerman, Iran
3Assistant Professor, Dept. of Mining Engineering, Amirkabir University of Technology, Tehran, Iran
چکیده [English]
Investments and progress of mining projects depend on the quantity and quality of mineral resources and reserves; therefore, it is significant to know the reliability of the ore deposit estimation based on various methods. This research has investigated the role of geostatistics and artificial neural networks in modeling, estimating the concentration of exploration blocks, and estimating mining reserves. Spatial distribution modeling of iron values has been performed using three methods of ordinary kriging, Gaussian simulation, and artificial neural networks. To construct the block model of ore deposit, 29 exploratory boreholes with an average depth of 142.75 meters and a total length of 4139.9 meters were used. After drawing the variograms, the search ellipse was calculated, and a 3D model was obtained to estimate the concentration by ordinary kriging and Gaussian sequential simulation methods. Also, modeling and estimating the concentration was done by the artificial neural network method. Results showed that the artificial neural network technique has high validity. Also, due to its ease of use and no need for extra variographic calculations can be an appropriate alternative to geostatistical and simulation approaches. Finally, based on different cut-offs, the concentration-volume curve was drawn. The results show that this ore body has 439 million tons of ore with an average concentration of 42 % per 20% cut-off concentration.
کلیدواژه‌ها [English]
Ordinary kriging, Sequential Gaussian simulation, Artificial neural network, Concentration-volume curve, Lake-siah
سایر فایل های مرتبط با مقاله
مراجع
  1. Dimitrakopoulos, R. (2010). “Advances in orebody modelling and strategic mine planning”. Spectroscopy Series, 17: 345. https://www.springer.com/gp/book/9783319693194.
  2. Tutmez, B. (2007). “An uncertainty oriented fuzzy methodology for grade estimation”. Computers and Geosciences, 33: 280-288.
  3. Dominy, S. C., Noppe, M. A., and Annels, A. E. (2002). “Errors and uncertainty in mineral resource and ore reserve estimation: the importance of getting it right”. Exploration and Mining Geology, 11(1-4): 77-98.
  4. Battalgazy, N., and Madani, N. (2019).“Categorization of mineral resources based on different geostatistical simulation algorithms: a case study from an iron ore deposit”. Natural Resources Research, 28(4): 1329-1351.
  5. Afeni, T. B., Akeju, V. O., and Aladejare, A. E. (2020). “A comparative study of geometric and geostatistical methods for qualitative reserve estimation of limestone deposit”. Geoscience Frontiers, 12(1): 243-253. DOI: https://doi.org/10.1016/j.gsf.2020.02.019.
  6. Jafrasteh, B., Fathianpour, N., and Suarez, A. (2018). “Comparison of machine learning methods for copper ore grade estimation”. Computers & Geosciences, 22: 1371-1388.
  7. Sarkar, B. C., and Roy, I. (2005). “A geostatistical approach to resource evaluation of kala iron ore deposit, Sundergarh dist., Orissa”. Journal of the Geological Society of India, 65(5): 553-561.
  8. Asghari, O., and Hezarkhani, A. (2006). “Geostatistical modeling and reserve estimation of Choghart iron ore deposit through ordinary kriging method”. In Proceedings of the 5th International Scientific Conference – SGEM, 631-642.
  9. Asghari, O., Fatemeh, S., and Hassan, B. A. (2009). “The comparison between sequential Gaussian simulation (SGS) of choghart ore deposit and geostatistical estimation through ordinary kriging”. Australian Journal of Basic and Applied Sciences, 3(1): 330-341.
  10. Marzeihe, S. K., Hassan, M., Hossein, H., and Parviz, M. (2013). “Determining the best search neighbourhood in reserve estimation, using geostatistical method: a case study anomaly no. 12a iron deposit in central Iran”. Journal of the Geological Society of India, 81: 581-585.
  11. Silva, D., and Almeida, J. (2017). “Geostatistical Methodology to Characterize Volcanogenic Massive and Stockwork Ore Deposits”. Minerals, 7(12): 238. DOI: 10.3390/min7120238.
  12. Abdessattar, L., Dimitriy, N., and Messaoud, M. (2019). “Geostatistical Modeling by the Ordinary Kriging in the Estimation of Mineral Resources on the Kieselguhr Mine, Algeria”. In: IOP Conference Series: Earth and Environmental Science. IOP Publishing, 362(1): 012051. DOI: 10.1088/1755-1315/362/1/012051.
  13. Al-Alawi, S. M., and Tawo, E. E. (1999). “A comparison between artificial neural network and a geostatistical technique in the estimation of regionalized variables”. Engineering Journal of University of Qatar, 12: 125-149. DOI: https://doi.org/10.1016/j.jhydrol. 2016.08.045.
  14. Sarkar, B. C. (2014). “Geostatistics: concepts and applications in mineral deposit modeling for exploration and mining”. Journal Indian Geological Congress, 6(1): 3-26.
  15. Sarkar, B. C., and Gandhi, S. M. (2016). “Essential of mineral exploration and evaluation”. Elsevier Inc.
  16. Goswami, A. D., Mishra, M. K., and Patra, D. (2017). “Investigation of general regression neural network architecture for grade estimation of an Indian iron ore deposit”. Arabian Journal of Geosciences, 10: 80. DOI: https://doi.org/10.1007/s12517-017-2868-5.
  17. Jafrasteh, B., Fathianpour, N., and Su´arez, A. (2016). “Advanced machine learning methods for copper ore grade estimation”. In: Near Surface Geoscience 2016-22nd European Meeting of Environmental and Engineering Geophysics.
  18. Jafrasteh, B., Fathianpour, N., and Suarez, A. (2018). “Comparison of machine learning methods for copper ore grade estimation”. Computers & Geosciences, 22: 1371-1388.
  19. Isaaks, E. (1990). “The application of Monte Carlo methods to the analysis of spatially correlated data”. PhD Thesis, Stanford University, pp. 213.
  20. Journel, A. G., and Isaaks, E. H. (1984). “Conditional Indicator Simulation: Application to a Saskatchewan uranium deposit”. Journal of the International Association for Mathematical Geology, 16(7): 685-718. DOI: 10.1007/BF01033030.
  21. Chilès, J. (1999). “Geostatistics, Modeling spatial uncertainty”. Wiley Series in Probability and Mathematical Statistics, New-York.
  22. Rendu, J. M. (2014). “An Introduction to Cut-Off Grade Estimation”. Second Edition, Society for Mining, Metallurgy, and Exploration.
  23. Dutta, S., Bandopadhyay, S., Ganguli, R., and Misra, D. (2010). “Machine learning algorithms and their application to ore reserve estimation of sparse and imprecise data”. Journal of Intelligent Learning Systems and Applications, 2(2): 86-96.
  24. Tadeusiewicz, R. (2015). “Neural networks in mining sciences–general overview and some representative examples”. Archives of Mining Sciences, 60(4): 971-984.
  25. Jalloh, A., Sasaki, K., Jalloh, Y., and Barrie, A. K. (2016). “The integration artificial neural networks and geostatistical 3D geological block modeling: acase study on a mineral sand deposit”. Proceedings of the 24th International Mining Congress of Turkey, IMCET, 257-263.
  26. Journel, A. G., and Huijbregts, C. (1978). “Mining geostatistics”. Academic Press, London.
  27. Badel, M., Angorani, S., and Panah, M. S. (2011). “The application of median indicator kriging and neural network in modeling mixed population in an iron ore deposit”. Computers & Geosciences, 37(4): 530-540.
  28. Wackernagel, H. (1995). “Multivariate geostatistics-an introduction with applications”. Springer, Berlin.
  29. Dubrule, O. (2003). “Geostatistics for seismic data integration in earth models”. EAGE: European Association of Geoscientists and Engineers, printed in US.
  30. Barbosa Queiroz, J. C., Sturaro, J. R., and Riedel, P. S. (2001). “Geostatistic Mapping of Arsenic, Manganese and Iron Contamination Risk in the Port of Santana, Apama, Brazil”. Universidate Estadual Palista, Brazil.
  31. Vann, J., Bertoli O., and Jackson, S. (2002). “Geostatistical Simulation for Quantifying Risk”. Geostatistical Association of Australian Symposium.
  32. Rezaei, A., Hassani, H., Moarefvand, P., and Golmohammadi, A. (2019). “Grade 3D Block Modeling and Reserve Estimation of the C-North Iron Skarn Ore Deposit, Sangan, NE Iran”. Global Journal of Earth Science and Engineering, 6: 23-37.
  33. Jami, M., Dunlop, C., and Cohen, R. (2007). “Fluid inclusion and Stable Isotope Study of the Esfordi Apatite- Magnetite Deposite, Central Iran”. Economic Geology, 102: 1111-1128.
  34. NISCO, (1980). “Result of search and valuation works at magnetic anomalies of the Bafq iron ore region during 1976-1979”. National Iranian Steel Corporation, Iran, Unpublished Report, pp. 260.
  35. Ramezani, J., and Tucker, R. D. (2003). “The Saghand region, central Iran: U-Pb geochronology, petrogenesis andimplications for Gondwana tectonics”. American Journal of Science, 303(7): 622-665.
آمار
تعداد مشاهده مقاله: 651
تعداد دریافت فایل اصل مقاله: 367


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب