ارايه روشي براي بهينه‌سازي شبكه عصبي براي برآورد عيار با استفاده از اطلاعات سيستم مس پورفيري سوناجيل- اهر

Presentation a Method for Optimization of Neural Network for Ore Grade Estimation Based on the Porphyry Copper System of Sonajil-Ahar

در اين پژوهش، برآورد الگوريتم‌هاي يادگيري مختلف در شبكه عصبي براي برآورد عيار در سامانه مس پورفيري سوناجيل مقايسه شده است. هدف اين پژوهش، بهينه كردن ساختار شبكه مورد استفاده و ارايه روند بهينه‌سازي ساختاري آن براي برآورد عيار مس براي شناسايي بهتر منطقه است. بر اين اساس، دوازده الگوريتم يادگيري پس انتشار خطا براي اين هدف بررسي شدند. نتايج مطالعه بيانگر آن است كه در الگوريتم‌هاي مورد استفاده دو الگوريتم LM و BFG بهترين كارايي را دارند. دلايل براي نشان دادن كارايي تقريباً مساوي الگوريتم‌هاي يادگيري ديگر به‌صورت كمي بيان شده است. متغيرهاي ورودي شبكه، موقعيت طول و عرض جغرافيايي و خروجي آن، عيار كانسار در آن مختصات است. همچنين براي به‌دست آوردن ساختار بهينه شبكه مورد نظر از شبكه‌هاي با تعداد لايه‌هاي مختلف استفاده شد كه در پايان شبكه با تعداد دوازده نرون مورد استفاده قرار گرفت. براي بررسي تاثير شكل عادي كردن داده‌ها از شكل‌هاي مختلف داده‌ها استفاده شد كه داده‌هاي عادي شده در بازه ]1 0 [ نتايج بهتري داشتند. در پايان براي بهينه‌تر شدن شبكه همچنين از توابع مختلف انتقال در اين شبكه استفاده شد كه تابع انتقال تانژانت سيگموييدي با كمترين خطاي ممكن همراه بود و اين تابع به‌عنوان تابع بهينه برگزيده شد. با در نظر گرفتن شرايط بهينه مقدار R2 براي شبكه 946/0 به‌دست آمد كه نويدگر استفاده از شبكه‌هاي عصبي با ساختار بهينه براي بهبود شرايط برآورد است.