Skip to main content
SUPERVISOR
Hasan Tabatabaei,Hooshang Asadiharooni
سید حسن طباطبائی (استاد راهنما) هوشنگ اسدی هارونی (استاد مشاور)
 
STUDENT
Davood Beykihasan
داود بیکی حسن

FACULTY - DEPARTMENT

دانشکده معدن
DEGREE
Master of Science (MSc)
YEAR
1395

TITLE

Determination of true geochemical anomalies in Chah-e-Zard gold deposit using decision tree method
Due to the discovery of shallow ore deposits, the exploration of the subsurface and deep-ore reserves has flourished. Gold is a precious rare element which has been heavily taken into account in recent years due to the supply and demand market. One of the fundamental issues in gold exploration is the consideration of temporal and financial optimization. Analysis of geochemical data has become an important task due to a systematic sampling of soil and rock, the study of the relationship between elements, and the identification of high mobility elements. In order to discover knowledge from data, an efficient tool titled Data Mining has been used. Therefore, instead of designing a drilling network based on the surface data, data processing techniques are used to specify the optimal drilling points. This process reduces the risk as well as the financial and temporal costs. In this thesis, basic and advanced statistical techniques have been used to model the Chah-e-Zard (low to intermediate sulfidation) epithermal Au-Ag deposit. The mineralization type is associated with Miocene volcanic intrusive bodies along with calc-alkaline magma, andesite, trachy-andesite, and dacite. The modeling process is presented as Absolute Error of 5%). In the prediction models, in order to estimate the each of the defined parameters, multiple linear regression, Multilayer Perceptro(MLP) and Radialasis Function (RBF)eural network, Support Vector Regression (SVR) and model tree technique are used. Accordingly, the model produced by the M5P model tree has a better performance compared to other methods (with an adjusted Coefficient of determination of 88% and Mean Absolute Error of 11%). The results of classification and prediction models indicate the ability of decision tree techniques to provide optimal and low-risk solutions. Based on the generalizability of these models, additional drilling points were proposed in the undrilled areas in the western part of the region.
با توجه به اکتشاف و بهره‌برداری کانسارهای نمایان و سطحی، کشف توده‌های کانساری زیرسطحی و عمیق بیش از پیش رونق یافته است. طلا عنصری زیبا و کمیاب است و در سال‌های اخیر به دلیل بازار عرضه و تقاضا به شدت مورد توجه قرار گرفته است. یکی از مسائل اساسی اکتشاف طلا، در نظر گرفتن بهینه‌سازی زمانی و مالی می‌باشد. تجزیه و تحلیل داده‌های ژئوشیمیایی به علت نمونه برداری سیستماتیک خاک و سنگ به صورت مستقیم، مطالعه ارتباط بین عناصر و مشخص کردن عناصر دارای قدرت تحرک بالا، اهمیت ویژه‌ای نسبت به سایر تکنیک‌های اکتشافی پیدا کرده است. به منظور آشکارسازی اطلاعات با استفاده از داده های موجود از یک ابزار مهم و کارآمد به نام داده‌کاوی استفاده شده است. بنابراین به جای طراحی شبکه حفاری بر اساس داده های سطحی از تکنیک‌های پردازش داده به منظور مشخص کردن نقاط بهینه حفاری استفاده کرده و در نتیجه این فرآیند منجربه کاهش ریسک و کاهش هزینه های مالی و زمانی خواهد شد. در این پایان نامه از مطالعات آماری پایه و پیشرفته به منظور مدلسازی کانسار طلا-نقره اپی‌ترمال سولفیداسیون متوسط تا پایین چاه‌زرد استفاده شده است. این تیپ کانی‌سازی طلا مرتبط با توده‌های نفوذی آتشفشانی دوران میوسن با ماگمای کالک‌آلکالن (مقدار بالای پتاسیم) و سنگ‌های آندزیت، تراکی‌آندزیت و گنبدهای گدازه‌ای داسیت می‌باشد. مدلسازی در این مطالعه به صورت مدل‌های کلاسه بندی و مدل‌های پیش‌بینی جهت ارتباط داده های سطحی و عمقی مطرح شده است. به منظور مطالعه این دو روش، بلوک‌های زیرسطحی روی سطح تصویر شده و چهار پارامتر میانگین، میانگین کل، قدرت تولید خطی و آنومالی اقتصادی تعریف شده اند. در بخش مدل‌های کلاسه‌بندی به منظور مشخص کردن برچسب کلاس نمونه‌ها در هر یک از پارامترهای تعریف شده از متدهای آنالیز تمایز خطی و درجه دوم، شبکه عصبی مصنوعی، کلاسه‌بندی بردار پشتیبان و درخت تصمیم استفاده شده است. در این متدها به منظور صحت و اعتبارسنجی مدل، 70 درصد داده ها به عنوان مجموعه داده‌های آموزشی و 30 درصد مابقی به عنوان مجموعه داده های تست معرفی شدند. بر اساس نتایج به دست آمده، روش درخت تصمیم J48 با ضریب کاپای بیش از 94 درصد و میانگین خطای مطلق کمتر از 5 درصد، دقت و تعمیم‌پذیری بیشتری نسبت به سایر روش‌ها جهت جداسازی مناطق آنومال از زمینه و طبقه‌بندی کلاس‌های آنومال داشته است. در بخش مدل‌های پیش‌بینی به منظور تخمین مقادیر هرکدام از پارامترهای تعریف شده از متدهای رگرسیون خطی چندگانه، شبکه عصبی مصنوعی پرسپترون چندلایه و شعاعی پایه، رگرسیون بردار پشتیبان و درخت مدل استفاده شده است. بر اساس این نتایج مدل تولید شده در روش درخت مدل M5P با ضریب تبیین بیش از 88 درصد و درصد میانگین خطای مطلق کمتر از 11 درصد، دقت بیشتر و عملکرد بهتری نسبت به سایر روش‌های فوق داشته است. نتایج مدل‌های کلاسه‌بندی و پیش‌بینی حاکی‌ از توانایی بالای روش‌های پیشرفته درخت تصمیم در ارائه جواب بهینه با ریسک پایین می‌باشد. در نهایت نیز با استفاده از قدرت تعمیم‌پذیری این مدل‌ها، نقاط حفاری تکمیلی در مناطق فاقد نمونه های زیرسطحی در بخش‌ غربی پیشنهاد گردید

ارتقاء امنیت وب با وف بومی