دانشگاه بین المللی امام خمینی
معاونت پژوهشی و فناوری
نشریات دانشگاه در پرتال وزارت علوم، تحقیقات و فناوری

  اخبار و اعلانات

 آمار

تعداد نشریات20
تعداد شماره‌ها393
تعداد مقالات3,202
تعداد مشاهده مقاله4,456,510
تعداد دریافت فایل اصل مقاله3,013,148
کیان پور, فرانک, علیمرادی, اندیشه, شاهسونی, هاشم. (1403). تبدیل داده‌های مغناطیس‌سنجی پهپادی به داده‌های زمینی با استفاده از هوش مصنوعی. لسان مبین, 9(3), 41-59. doi: 10.30479/jmre.2024.19020.1651
فرانک کیان پور; اندیشه علیمرادی; هاشم شاهسونی. "تبدیل داده‌های مغناطیس‌سنجی پهپادی به داده‌های زمینی با استفاده از هوش مصنوعی". لسان مبین, 9, 3, 1403, 41-59. doi: 10.30479/jmre.2024.19020.1651
کیان پور, فرانک, علیمرادی, اندیشه, شاهسونی, هاشم. (1403). 'تبدیل داده‌های مغناطیس‌سنجی پهپادی به داده‌های زمینی با استفاده از هوش مصنوعی', لسان مبین, 9(3), pp. 41-59. doi: 10.30479/jmre.2024.19020.1651
کیان پور, فرانک, علیمرادی, اندیشه, شاهسونی, هاشم. تبدیل داده‌های مغناطیس‌سنجی پهپادی به داده‌های زمینی با استفاده از هوش مصنوعی. لسان مبین, 1403; 9(3): 41-59. doi: 10.30479/jmre.2024.19020.1651

تبدیل داده‌های مغناطیس‌سنجی پهپادی به داده‌های زمینی با استفاده از هوش مصنوعی

نشریه مهندسی منابع معدنی
مقاله 3، دوره 9، شماره 3 - شماره پیاپی 33، شهریور 1403، صفحه 41-59    اصل مقاله (1.35 M)
نوع مقاله: علمی-پژوهشی
شناسه دیجیتال (DOI): 10.30479/jmre.2024.19020.1651
نویسندگان
فرانک کیان پور1؛ اندیشه علیمرادی2؛ هاشم شاهسونی* 3
1کارشناسی ارشد، گروه مهندسی معدن، دانشکده فنی و مهندسی، دانشگاه بین‌المللی امام خمینی (ره)، قزوین
2استادیار، گروه مهندسی معدن، دانشکده فنی و مهندسی، دانشگاه بین‌المللی امام خمینی (ره)، قزوین
3دانشیار، گروه مهندسی معدن، دانشکده مهندسی، دانشگاه کردستان، سنندج، 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، زمین‌شناسی و ژئوشیمیایی متفاوت به انضمام روش‌های کارآمد و موثر جدید دارد. این مساله به ادغام موثر و تجزیه و تحلیل داده‌های مختلف جغرافیایی با فرمت‌ها و ویژگی‌های مختلف با کمک برنامه‌های کاربردی جدید نیاز دارد. داده‌هایی که با استفاده از پهپاد (داده‌های با تفکیک‌پذیری پایین) برداشت می‌شوند، قابلیت تبدیل شدن به داده‌های زمینی (تفکیک‌پذیری بالا) با استفاده از روش‌های جدیدی مانند هوش مصنوعی را دارند. در این مطالعه با استفاده از داده‌های مغناطیس‌سنجی برداشت شده به وسیله پهپاد و دستگاه زمینی پروتون در محیط برنامه‌نویسی پایتون، سه مدل رگرسیون نظارت ‌شده اجرا شده است. این سه مدل، شامل رگرسیون خطی، جنگل تصادفی و گرادیان تقویت ‌شده 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 0004/0 و 01/0 و در داده‌های آزمایشی به ترتیب 001/0 و 02/0 و در داده‌های اعتبارسنجی به ترتیب 001/0 و 01/0 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]
F. Kianpour1؛ A. Alimoradi2؛ H. Shahsavani3
1M.Sc, Dept. of Mining Engineering, Faculty of Technical & Engineering, Imam Khomeini International University, Qazvin, Iran
2Assistant Professor, Dept. of Mining Engineering, Faculty of Technical & Engineering, Imam Khomeini International University, Qazvin, Iran
3Associate Professor, Dept. of Mining, Faculty of Engineering, University of Kurdistan, Sanandaj, Iran
چکیده [English]
Mineral exploration necessitates a comprehensive approach that involves analyzing various geophysical, geological, and geochemical datasets, in addition to employing efficient and effective methodologies. Successfully addressing this challenge involves integrating and analyzing diverse geographic data, which often come in different formats and possess distinct features, with the aid of innovative applications. One promising technique involves utilizing artificial intelligence to convert low-resolution drone-collected data into high-resolution ground data. For this particular investigation, three supervised regression models—linear regression, random forest, and enhanced gradient—were implemented in the Python programming environment using magnetometric data obtained from both UAV and Proton ground devices. After evaluating the statistical results, including metrics such as mean square error and mean absolute error, it was determined that the enhanced gradient model outperformed the others. This model exhibited respective values of 0.0004 and 0.01 for training data, 0.001 and 0.02 for experimental data, and 0.001 and 0.01 for validation data. Additionally, the enhanced gradient model demonstrated stability, leading to its selection as the preferred model for prediction purposes.
کلیدواژه‌ها [English]
Airborne geophysics, Magnetometric, Drone, Artificial intelligence
سایر فایل های مرتبط با مقاله
مراجع
  1. قدیانلو، م.، یوسفی، م.، علیمرادی، ا.؛ 1401؛ "شناسایی نواحی امیدبخش کانی‌سازی مس پورفیری در ناحیه چهارگنبد استان کرمان با استفاده از روش هوشمند یادگیری سریع". نشریه مهندسی منابع معدنی، دوره هفتم، شماره 1، ص 61-39.
  2. Bahri, E., Alimoradi, A., and Yousefi, M. (2021). “Mineral Potential Modeling of Porphyry Copper Deposits using Continuously-Weighted Spatial Evidence Layers and Union Score Integration Method”. Journal of Mining and Environment (JME), 12(3): 743-751.
  3. Alimoradi, A., Maleki, B., Karimi, A., Sahafzadeh, M., and Abbasi, S. (2020). “Integrating Geophysical Attributes with New Cuckoo Search Machine Learning Algorithm to Estimate Silver Grade Values–Case Study. Zarshouran Gold Mine”. Journal of Mining and Environment (JME), 11(3): 865-879.
  4. Nabighian, M. N., Grauch, V. J. S., Hansen, R. O., LaFehr, T. R., Li, Y., Peirce, J. W., Phillips, J. D., and Ruder, M. E. (2005). “The historical development of the magnetic method in exploration”. Geophysics, 70(6): 33ND-61ND. DOI: 10.1190/1.2133784.
  5. شاهسونی، ه.؛ 1400؛ "مروری بر استفاده از پهپاد در مغناطیس سنجی هوابرد". پژوهش‌های ژئوفیزیک کاربردی، دوره هفتم، شماره 3، ص 240-227. DOI: 10.22044/JRAG.2020.9500.1282.
  6. Kuhn, S., Cracknell, M. J., and Reading, A. M. (2017). “Lithologic mapping using Random Forests applied to geophysical and remote-sensing data: A demonstration study from the Eastern Goldfields of Australia”. Geophysics, 83(4): B183-B193. DOI: 10.1190/GEO2017-0590.1.
  7. Li, J., Liu, Y., Yin, C., Ren, X., and Yang, S. (2019). “Fast imaging of time-domain airborne EM data using deep learning technology”. Geophysics, 85(5): 1SO-Z24.
  8. Kayode, J. S., and Yusup, Y. (2020). “A novel fusion Python application of data mining techniques to evaluate airborne magnetic datasets”. IEEE Dataport. DOI: https://dx.doi.org/10.21227/9s34-kc72.
  9. Brown, M. P., and Poulton, M. M. (1996). “Locating Buried Objects for Environmental Site Investigations Using Neural Networks”. Journal of Environmental and Engineering Geophysics, 1: 179-188.
  10. Aminzadeh, F., and de Groot, P. (2006). “Neural Networks and Other Soft Computing Techniques with Applications in the Oil Industry”. EAGE Publications, Houten, The Netherlands, pp. 164.
  11. Alimoradi, A., Hajkarimian, H., Hemati Ahooi, H., and Salsabili, M. (2022). “Comparison between the performances of four metaheuristic algorithms in training a multilayer perceptron machine for gold grade estimation”. International Journal of Mining and Geo-Engineering, 56-2(2022): 97-105.
  12. راسل بیل، تام جکسون؛ 1393؛ "آشنایی با شبکه های عصبی". ترجمه محمود البرزی، انتشارات دانشگاه صنعتی شریف.
  13. Fathi, M., Alimoradi, A., and Hemati Ahooi, H. (2021). “Optimizing Extreme Learning Machine Algorithm using Particle Swarm Optimization to Estimate Iron Ore Grade”. Journal of Mining and Environment (JME), 12(2): 397-411.
  14. Bandura, L., Halpert, A. D., and Zhang, Z. (2018). “Machine learning in the interpreter’s toolbox: unsupervised, supervised, and deep learning applications”. In Conference: SEG Technical Program Expanded Abstracts 2018, pp. 5520. DOI: https://doi.org/10.1190/segam2018-2997015.1.
  15. احدی، س.، علیمرادی، ا.، سرخیل، ح.، کلهر محمدی، م.، فتحی، م.؛ 1402؛ "ارزیابی آلودگی فلزات سنگین و مواد آلی کنده ها و گل حفاری با استفاده از تکنیک الگوریتم رگرسیون یادگیری حدی هوش مصنوعی در یکی از میادین نفتی جنوب ایران". فصلنامه علوم محیطی، دوره 21، شماره 1، ص 180-163.
  16. Kriesel, D. (2009). “A Brief Introduction to Neural Networks”. dkriesel.com, December 30.
  17. Breiman, L., Friedman, J., Olshen, R., and Stone, C. (1984). “Classification and Regression Trees”. Chapman and Hall, Wadsworth, New York.
  18. Breiman, L. (2001). “Random Forests, Machine Learning”. Kluwer Academic Publishers, Manufactured in The Netherlands, 45: 5-32.
  19. Caruana, R., and Niculescu-Mizil, A. (2006). “An Empirical Comparison of Supervised Learning Algorithms”. Proceedings of the 23rd International Conference on Machine Learning, Pittsburgh, June 2006, 25-29.
  20. Raschka, S., Patterson, J., and Nolet, C. (2020). “Machine Learning in Python: Main developments and technology trends in data science, machine learning, and artificial intelligence”. Information, 11(4): 193.
آمار
تعداد مشاهده مقاله: 399
تعداد دریافت فایل اصل مقاله: 191


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب