مقایسه کارایی الگوریتم های آموزشی مختلف شبکه های عصبی مصنوعی در اکتشاف کانسار مس پورفیری علی آباد، جنوب غرب یزد

شبکه های عصبی از توانایی بالایی در استخراج الگوها از میان داده ها و همچنین حل مسائل پیچیده با ماهیت طبیعی برخوردار هستند. شبکه های عصبی در واقع از ساختارهای بسیار پیچیده مغز انسان الهام گرفته شده است. هدف این پژوهش، بهینه کردن ساختار شبکه مورد استفاده و ارائه روند بهینه سازی ساختاری آن برای تهیه نقشه های پتانسیل معدنی و همچنین شناسایی بهتر مکان-های مناسب حفاری کانسار مس علی آباد یزد است. منطقه مورد بررسی در جنوب باختری یزد در چهارگوش زمین شناسی 1:100000 خضرآباد قرار دارد. این منطقه به لحاظ چینه شناسی از زون ایران مرکزی پیروی می کند و فعالیت های ماگمایی و زمین ساختی آن با زون ارومیه- دختر همخوانی دارد. کانسار مورد مطالعه در فاصله 2 کیلومتری روستای دامک علی آباد واقع شده و راه اصلی دسترسی به آن، جاده آسفالته یزد- تفت- علیآباد میباشد. جهت رسیدن به بهترین ساختار برای شبکه عصبی مصنوعی داشتن کمترین میزان خطای میانگین مربعات (که نشانه هوشمندی آن است) برای شبکه عصبی ضروری است. جمع آوری داده ها برای شبکه عصبی مصنوعی بدون شک یکی از حساس ترین مراحل این رساله بوده است. ابتدا بایستی تمامی ?یههای اط?عاتی مورد نیاز که در مرحلهی تعیین فاکتورهای تشخیص کانیسازی تعیین شدهاند، جمعآوری و مطابق با استاندارد پایگاه داده مکانی (gis) آمادهسازی شوند. ?یههای اط?عاتی مورد نظر شامل دگرسانی گرمابی، نشانه های معدنی محلی، گسل های اصلی و فرعی، آنومالی مس، هم بارپذیری ژئوفیزیک، توپوگرافی و مختصات طول و عرض جغرافیایی منطقه می باشد. پس از آماده سازی داده های ورودی و خروجی شبکه عصبی، به وسیله داده های آموزشی در محیط نرم افزار matlab، آموزش داده شدند. آموزش شبکه شبیه کالیبراسیون است که در بیشتر مدل ها استفاده می شود. سپس ورودی هایی که برای آزمایش مدل مورد نظر هستند به شبکه وارد می شوند و خروجی های حاصل از مدل برای محاسبه مدل ایجاد شده مورد بررسی و تجزیه و تحلیل قرار می گیرند. نتایج این مطالعه بیانگر آن است که در الگوریتم-های مورد استفاده الگوریتم scg بهترین کارایی را نشان می دهد. نتایج حاصل از روش سعی و خطا نشان داد که شبکه هایی با الگوریتم scg نتایج بهتری نسبت به شبکه هایی با دیگر الگوریتم ها، که مورد استفاده قرار گرفته است دارد و شبکه های ساخته شده با الگوریتم آموزشی lm نیز دارای بازده بالایی از نظر آموزش شبکه می باشند.