مقایسه عملکرد شبکه عصبی مصنوعی و ماشین بردار پشتیبان در تهیه مدل سه بعدی زون های کانی سازی (مطالعه موردی:کانسار مس پورفیری میدوک، ایران)

به دلیل ارتباط زون های کانی سازی با تغییرپذیری عیار در کانسارهای مس پورفیری، تهیه مدل سه بعدی این زون ها یکی از گام های پیش از تخمین در ارزیابی این تیپ کانسارها به شمار می آید. کیفیت این مدل تاثیر بسزایی بر کیفیت تخمین های ارائه شده برای عیار، طراحی مناسب استخراج بلندمدت و درنهایت کاهش مشکلات بین معدن و کارخانه فرآوری خواهد داشت. روش معمول برای تهیه این مدل استفاده از روش مدلسازی محدود می باشد که فرآیندی پیچیده و زمان بر است. یکی از راه حل های ممکن برای تهیه این گونه مدل ها استفاده از روش های نامحدود همچون روش های هوشمند می باشد. در این مقاله تلاش شده است تا عملکرد دو روش هوشمند شبکه عصبی مصنوعی و ماشین بردار پشتیبان طبقه بندی کننده در جداسازی زون های کانی سازی (شامل زون شسته شده، زون هیپوژن، زون سوپرژن) کانسار مس میدوک مورد مطالعه و بررسی قرار گیرد. برای این منظور از مختصات جغرافیایی (طول و عرض و ارتفاع) داده های حاصل از گمانه های اکتشافی به عنوان ورودی و زون های کانی سازی مشاهده شده در آن ها به عنوان خروجی مدل استفاده شده است. بررسی نتایج حاصل از این الگوریتم های هوشمند در جداسازی زون های زمین شناسی نشان می دهد که روش ماشین بردار پشتیبان طبقه بندی کننده نسبت به شبکه عصبی مصنوعی عملکرد مطلوب تری دارد. عملکرد مطلوب تر روش روش ماشین بردار پشتیبان نسبت به شبکه عصبی مصنوعی، با استفاده از دقت بالاتر این روش در مراحل آموزش و آزمایش و همچنین مقایسه میان مدل بلوکی طبقه بندی شده با برداشت های صورت گرفته از چال های انفجاری نشان داده شده است.