اخبار و اعلانات
آمار
| تعداد نشریات | 20 |
| تعداد شماره‌ها | 360 |
| تعداد مقالات | 2,962 |
| تعداد مشاهده مقاله | 3,779,375 |
| تعداد دریافت فایل اصل مقاله | 2,553,985 |
تبدیل داده‌های مغناطیس‌سنجی پهپادی به داده‌های زمینی با استفاده از هوش مصنوعی | ||
| نشریه مهندسی منابع معدنی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 27 اسفند 1402 | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.30479/jmre.2024.19020.1651 | ||
| نویسندگان | ||
| فرانک کیان پور1؛ اندیشه علیمرادی2؛ هاشم شاهسونی* 3 | ||
| 1گروه مهندسی معدن، دانشگاه بین المللی امام خمینی، قزوین، ایران | ||
| 21- گروه مهندسی معدن، دانشگاه بین المللی امام خمینی، قزوین، ایران | ||
| 3عضو محترم هیات علمی دانشگاه کردستان | ||
| تاریخ دریافت: 18 تیر 1402، تاریخ بازنگری: 26 اسفند 1402، تاریخ پذیرش: 20 آذر 1402 | ||
| چکیده | ||
| اکتشاف مواد معدنی یک کار چند رشته‌ای است که نیاز به توجه همزمان از مجموعه داده‌های ژئوفیزیک، زمین شناسی و ژئوشیمیایی متفاوت به انضمام روش‌های کارآمد و موثر جدید دارد. این مسئله نیاز به ادغام موثر و تجزیه و تحلیل داده‌های مختلف جغرافیایی با فرمت‌ها و ویژگی‌های مختلف با کمک برنامه‌های کاربردی جدید دارد. داده‌هایی که با استفاده از پهپاد(داده‌های با دقت پایین) برداشت می‌شوند، قابلیت تبدیل شدن به داده‌های زمینی(دقت بالا) با استفاده از روش‌های جدیدی مانند هوش مصنوعی را دارند. در این مطالعه با استفاده از داده‌های مغناطیس سنجی برداشت شده توسط پهپاد و دستگاه زمینی پروتون در محیط برنامه-نویسی پایتون، سه مدل رگرسیون نظارت‌شده اجرا شده است. این سه مدل، شامل رگرسیون خطی، جنگل تصادفی و گرادیان تقویت‌شده است که در نهایت گرادیان تقویت شده با توجه به نتایج آماری بهتر شامل میانگین خطای مربع و میانگین خطای مطلق در داده‌های آموزشی به ترتیب 0.0004 و 0.01 و در داده‌های آزمایشی به ترتیب 0.001 و 0.02 و در داده‌های اعتبارسنجی به ترتیب 0.001 و 0.01 و همچنین به علت پایدار بودن شبکه به عنوان مدل مورد استفاده برای پیش‌بینی انتخاب شد. | ||
| کلیدواژه‌ها | ||
| ژئوفیزیک هوایی؛ مغناطیس‌سنجی؛ پهپاد؛ هوش مصنوعی | ||
| عنوان مقاله [English] | ||
| Converting drone magnetic data to ground data using artificial intelligence. | ||
| نویسندگان [English] | ||
| Faranak Kianpour1؛ Andisheh Alimoradi2؛ Hashem Shahsavani3 | ||
| 11- Department of Mining Engineering, Faculty of Engineering, Imam Khomeini International University, Qazvin, Iran | ||
| 21- Department of Mining Engineering, Faculty of Engineering, Imam Khomeini International University, Qazvin, Iran | ||
| 3Mining Department, Faculty of Engineering, University of Kurdistan, | ||
| چکیده [English] | ||
| Mineral Exploration of minerals is a multidisciplinary task that requires simultaneous attention from different geophysical, geological and geochemical data sets along with new efficient and effective methods. This issue requires the effective integration and analysis of different geographic data with different formats and features with the help of new applications. Data collected using drones (low-precision) can be converted into ground data (high-precision) using new methods such as artificial intelligence. In this study, three supervised regression models were implemented using the magnetometric data collected by the UAV and Proton ground device in the Python programming environment. These three models are linear regression, random forest and enhanced gradient. Finally, the enhanced gradient according to the better statistical results including mean square error and mean absolute error in training data respectively 0.0004 and 0.01 and in experimental data respectively 0.001 and 0.02 and in validation data respectively 0.001 and 0.01 and also due to stable The network was chosen as the model used for prediction. | ||
| کلیدواژه‌ها [English] | ||
| Airborne geophysics, magnetometric, drone, Artificial Intelligence | ||
|
آمار تعداد مشاهده مقاله: 109 |
||