اخبار و اعلانات
آمار
| تعداد نشریات | 20 |
| تعداد شماره‌ها | 311 |
| تعداد مقالات | 2,565 |
| تعداد مشاهده مقاله | 2,844,957 |
| تعداد دریافت فایل اصل مقاله | 2,150,756 |
خوشه‌بندی نواحی مستعد کانه‌زایی آهن در محدوده اسفوردی مبتنی بر روش هیبریدی رهیافت دانش و داده مبنا | ||
| نشریه مهندسی منابع معدنی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 14 فروردین 1402 | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.30479/jmre.2023.18010.1612 | ||
| نویسندگان | ||
| سید عطاالله آقا سید میرزا بزرگ1؛ میثم عابدی* 2؛ فردین احمدی3 | ||
| 1دانشکده مهندسی معدن، دانشگاه تهران، ایران | ||
| 2دانشکده مهندسی معدن، دانشگاه تهران | ||
| 3دانشگاه صنعتی شاهرود . دانشکده معدن، نفت و ژئوفیزیک | ||
| تاریخ دریافت: 06 آبان 1401، تاریخ بازنگری: 14 فروردین 1402، تاریخ پذیرش: 19 دی 1401 | ||
| چکیده | ||
| در این پژوهش، یک رویکرد هیبریدی برای خوشه‌بندی نواحی مستعد کانه‌زایی مگنتیت-آپاتیت در محدوده برگه ۱:۱۰۰۰۰۰ اسفوردی بکار گرفته شده است، که تعداد بهینه خوشه‌ها به کمک یک روش داده محور و مدل فرکتال مقدار-مساحت (C-A) بدست آمده‌است. بدین منظور، با توجه به ویژگی‌های متالوژنیکی ذخایر هدف در محدوده مورد مطالعه، ۹ لایه شاهد که شامل نشانگرهای زمین‌شناسی، ژئوشیمیایی، ژئوفیزیکی و دورسنجی می‌باشد، از مجموعه داده‌های مکانی استخراج و تولید شده‌اند. از منحنی پیش‌بینی-مساحت (P-A)، به عنوان یک روش داده محور برای تعیین وزن و اهمیت هر لایه استفاده شده‌است. تکنیک همپوشانی شاخص جهت ادغام ۹ لایه وزن‌دار شده، بکار گرفته شده‌است. در الگوریتمهای خوشه‌بندی، تعداد خوشه‌ها تاثیر قابل توجهی بر نتیجه مدلسازی پتانسیل معدنی دارد. برای تعیین تعداد صحیح خوشه‌ها، تعداد کلاس‌های نقشه نهایی تولید شده به کمک مدل فرکتالی مقدار-مساحت شناسایی و در ادامه از آن جهت اجرای الگوریتمهای خوشه‌بندی بدون نظارت استفاده شده‌است. با فرض پنج خوشه (به عنوان تعداد بهینه خوشه‌ها)، سه الگوریتم خوشه‌بندی که شامل k-means، فازی c-means و نقشه خود سازمانده (SOM) است، برای شناسایی مناطق امید بخش کانه‌زایی هدف بکار گرفته شده‌است. در بین سه الگوریتم اجرا شده، الگوریتم k-means، بیش‌ترین بازدهی را در شناسایی ذخایر شناخته شده آهن در محدوده مورد مطالعه داشته‌است؛ بطوریکه زون پتانسیل معرفی شده با 8 درصد مساحت محدوده، حدود 65% رخدادهای معدنی را شناسایی کرده است. | ||
| کلیدواژه‌ها | ||
| اسفوردی؛ خوشه‌بندی؛ ذخایر مگنتیت-آپاتیت؛ روش هیبریدی؛ نقشه پتانسیل معدنی | ||
| عنوان مقاله [English] | ||
| Clustering of iron mineralization in Esfordi area using a hybrid method of knowledge- and data-driven approaches | ||
| نویسندگان [English] | ||
| Seyed Ata Agha Seyed Mirzabozorg1؛ Maysam Abedi2؛ Fardin Ahmadi3 | ||
| 1School of Mining Engineering, University of Tehran | ||
| 2School of Mining Engineering, University of Tehran | ||
| 3Shahrood university of technology | ||
| چکیده [English] | ||
| In this study, a hybrid approach is established for clustering the most favorable regions (areas/zones) in association with magnetite-apatite mineralization in the Esfordi 1:100000 mapping sheet of central Iran, in which the optimum number of clusters is derived from a data-driven methodology through a concentration-area (C-A) fractal model. According to the metallogenic characteristics of the sought deposits in the Esfordi district, nine evidential layers comprising geological, geochemical, geophysical, and remote sensing data were extracted from the geospatial data set. Prediction-area curve (P-A) is used as a data-driven method to determine (define) the weight and importance of each layer. The index overlay method is used to integrate the nine weighted layers. The number of clusters significantly affects the mineral potential modeling result in clustering algorithms. To determine the optimum number of clusters, the number of final map classes generated is determined by the C-A fractal model and then used as the optimal number of clusters to run the unsupervised clustering algorithm. Assuming five clusters (as the optimal number of clusters), three clustering algorithms, including k-means, fuzzy c-means, and self-organizing map (SOM), are used to identify promising target mineralization regions. The k-means algorithm had the highest accuracy in identifying known iron reserves in the study area among the three implemented algorithms, while 8% of the whole area could predict 65% of known deposits in the favorable region. | ||
| کلیدواژه‌ها [English] | ||
| Clustering, Esfordi, Hybrid methods, Magnetite-apatite deposits, Mineral potential mapping | ||
|
آمار تعداد مشاهده مقاله: 55 |
||