Skip to main content
SUPERVISOR
Hasan Tabatabaei,Hooshang Asadiharooni
سيد حسن طباطبائي (استاد راهنما) هوشنگ اسدي هاروني (استاد مشاور)
 
STUDENT
Davood Beykihasan
داود بيکي 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 بهره‌برداري کانسارهاي نمايان و سطحي، کشف توده‌هاي کانساري زيرسطحي و عميق بيش از پيش رونق يافته است. طلا عنصري زيبا و کمياب است و در سال‌هاي اخير به دليل بازار عرضه و تقاضا به شدت مورد توجه قرار گرفته است. يکي از مسائل اساسي اکتشاف طلا، در نظر گرفتن بهينه‌سازي زماني و مالي مي‌باشد. تجزيه و تحليل داده‌هاي ژئوشيميايي به علت نمونه برداري سيستماتيک خاک و سنگ به صورت مستقيم، مطالعه ارتباط بين عناصر و مشخص کردن عناصر داراي قدرت تحرک بالا، اهميت ويژه‌اي نسبت به ساير تکنيک‌هاي اکتشافي پيدا کرده است. به منظور آشکارسازي اطلاعات با استفاده از داده هاي موجود از يک ابزار مهم و کارآمد به نام داده‌کاوي استفاده شده است. بنابراين به جاي طراحي شبکه حفاري بر اساس داده هاي سطحي از تکنيک‌هاي پردازش داده به منظور مشخص کردن نقاط بهينه حفاري استفاده کرده و در نتيجه اين فرآيند منجربه کاهش ريسک و کاهش هزينه هاي مالي و زماني خواهد شد. در اين پايان نامه از مطالعات آماري پايه و پيشرفته به منظور مدلسازي کانسار طلا-نقره اپي‌ترمال سولفيداسيون متوسط تا پايين چاه‌زرد استفاده شده است. اين تيپ کاني‌سازي طلا مرتبط با توده‌هاي نفوذي آتشفشاني دوران ميوسن با ماگماي کالک‌آلکالن (مقدار بالاي پتاسيم) و سنگ‌هاي آندزيت، تراکي‌آندزيت و گنبدهاي گدازه‌اي داسيت مي‌باشد. مدلسازي در اين مطالعه به صورت مدل‌هاي کلاسه بندي و مدل‌هاي پيش‌بيني جهت ارتباط داده هاي سطحي و عمقي مطرح شده است. به منظور مطالعه اين دو روش، بلوک‌هاي زيرسطحي روي سطح تصوير شده و چهار پارامتر ميانگين، ميانگين کل، قدرت توليد خطي و آنومالي اقتصادي تعريف شده اند. در بخش مدل‌هاي کلاسه‌بندي به منظور مشخص کردن برچسب کلاس نمونه‌ها در هر يک از پارامترهاي تعريف شده از متدهاي آناليز تمايز خطي و درجه دوم، شبکه عصبي مصنوعي، کلاسه‌بندي بردار پشتيبان و درخت تصميم استفاده شده است. در اين متدها به منظور صحت و اعتبارسنجي مدل، 70 درصد داده ها به عنوان مجموعه داده‌هاي آموزشي و 30 درصد مابقي به عنوان مجموعه داده هاي تست معرفي شدند. بر اساس نتايج به دست آمده، روش درخت تصميم J48 با ضريب کاپاي بيش از 94 درصد و ميانگين خطاي مطلق کمتر از 5 درصد، دقت و تعميم‌پذيري بيشتري نسبت به ساير روش‌ها جهت جداسازي مناطق آنومال از زمينه و طبقه‌بندي کلاس‌هاي آنومال داشته است. در بخش مدل‌هاي پيش‌بيني به منظور تخمين مقادير هرکدام از پارامترهاي تعريف شده از متدهاي رگرسيون خطي چندگانه، شبکه عصبي مصنوعي پرسپترون چندلايه و شعاعي پايه، رگرسيون بردار پشتيبان و درخت مدل استفاده شده است. بر اساس اين نتايج مدل توليد شده در روش درخت مدل M5P با ضريب تبيين بيش از 88 درصد و درصد ميانگين خطاي مطلق کمتر از 11 درصد، دقت بيشتر و عملکرد بهتري نسبت به ساير روش‌هاي فوق داشته است. نتايج مدل‌هاي کلاسه‌بندي و پيش‌بيني حاکي‌ از توانايي بالاي روش‌هاي پيشرفته درخت تصميم در ارائه جواب بهينه با ريسک پايين مي‌باشد. در نهايت نيز با استفاده از قدرت تعميم‌پذيري اين مدل‌ها، نقاط حفاري تکميلي در مناطق فاقد نمونه هاي زيرسطحي در بخش‌ غربي پيشنهاد گرديد

ارتقاء امنیت وب با وف بومی