شناسايي نواحي اميدبخش معدني با رويكرد تلفيقي شبكه عصبي مصنوعي و تصميم¬گيري چندمعياره (مطالعه موردي: كوه يخاب كاشان)

Identifing Mineral Promising Areas Using Integrated Approach Artificial Neural Network and Multi-Criteria Decision Making (Case Study: Kouh-e Yabab Kashan)

هدف از تحقيق حاضر، بكارگيري علوم و فنون نوين و روش هاي كارآمد جهت تقويت حوزه اكتشاف صنعت معدن مي باشد. در پژوهش حاضر سعي بر آن شده است تا ضمن معرفي يك روش تلفيقي شبكه مصنوعي عصبي و تصميم گيري چندمعياره، با يك مطالعه موردي بر روي منطقه كوه يخاب واقع در غرب و شمال غرب كاشان به وسعت 2450 كيلومتر مربع، نواحي اميدبخش معدني شناسايي گردند. بر اساس اين روش و با تكيه بر داده هاي آناليز شيميايي عناصر موجود در 532 نمونه از خاك منطقه، ابتدا با تعريف معيارهايي براي رتبه بندي عناصر شيميايي و با استفاده از تكنيك تصميم گيري چندمعياره واسپاس، عناصر موجود در خاك منطقه رتبه بندي شده و با توجه عيار آن عناصر در نقاط مختلف نمونه برداري شده و ضريب اولويت هر عنصر شيميايي، امتياز وزني به هر نقطه تخصيص داده شد و سپس با استفاده از يك شبكه مصنوعي عصبي پرسپترون كه توسط الگوريتم تبريد شبيه سازي شده بهينه گرديده، الگوي پتانسيل معدني منطقه مورد مطالعه ترسيم گرديد و نواحي اميدبخش معدني معرفي شدند. نتايج حاصل از مقايسه مقادير تخميني توسط شبكه مصنوعي عصبي و مقادير واقعي نشان دهنده دقت بالاي شبكه مصنوعي عصبي در تخمين و پيش بيني امتياز وزني نقاط مختلف مي¬باشد.

The purpose of this research is to apply new science and techniques and efficient methods to strengthen the field of exploration of the mining industry. In the present study, we tried to introduce an artificial neural network and multi-criteria decision-making method with a case study on mineral prospecting areas on Koh-e-Jakhab mountains in the west and northwest of Kashan with an area of 2,450 square kilometers. Based on this method and based on the data of chemical analysis of the elements in 532 samples of the region s soil, first, by defining the criteria for ranking the chemical elements and using the WASPAS technique, the elements in the soil of the region are ranked and according to The quality of these elements was sampled at different points and the priority coefficient of each chemical element was assigned weight points to each point and then, using an artificial neural network of perceptron optimized by the simulated refrigeration algorithm, the mineral potential pattern of the region The study was drawn up and promising mineral areas were introduced. The results of the comparison of estimated values by artificial neural network and actual values indicate the high accuracy of artificial neural network in predicting and estimating weight points of different points.