مقاله تحلیل متالوژنیک پتانسیل آانی سازی مس درمنطقه طارم با سه روش Weight of Evidence Artificial Neural Networks و ( CA) Characteristic Analysis،( WOE)

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله تحلیل متالوژنیک پتانسیل آانی سازی مس درمنطقه طارم با سه روش Weight of Evidence Artificial Neural Networks و ( CA) Characteristic Analysis،( WOE) دارای ۱۲ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله تحلیل متالوژنیک پتانسیل آانی سازی مس درمنطقه طارم با سه روش Weight of Evidence Artificial Neural Networks و ( CA) Characteristic Analysis،( WOE)  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله تحلیل متالوژنیک پتانسیل آانی سازی مس درمنطقه طارم با سه روش Weight of Evidence Artificial Neural Networks و ( CA) Characteristic Analysis،( WOE)،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله تحلیل متالوژنیک پتانسیل آانی سازی مس درمنطقه طارم با سه روش Weight of Evidence Artificial Neural Networks و ( CA) Characteristic Analysis،( WOE) :

تعداد صفحات:۱۲

چکیده:

تحلیل متالوژنیک کانی زایی مهمترین مرحله از یک پروسه اکتشافی بحساب می آید. در این میان GIS بعنوان یک تکنولوژی مهم در اکتشافات معدنی، ابزاریست که در مراحل مختلف فرایند اکتشافی مانند مدیریت پایگاه داده ها، ترکیب، نمایش و نهایتا تحلیل داده های مذکور مورد استفاده قرار می گیرد. متاسفانه تحقیقات نسبتا کمی در روش شناسی تحلیلهای متالوژنیک و یا چگونگی استفاده از GIS در تحلیل روند کانیزایی برای فعالتیهای اکتشافی صورت گرفته است. روشهای موجود ترکیب داده ها از برخی محدودیت های قابل توجه برخوردارند. روشهای آماری مانند WOE و CA برای نواحی که بخوبی شناخته شده نیستند و یا اطلاعات اندکی از آنها در دست می باشد، نتایج قابل اطمینانی را ارائه نمی دهند. مدلهای مفهومی و دانش پایه نیز علی رغم اینکه نیازمند دانش اولیه کمی از منطقه می باشند، با این وجود وابسته به نظرات کارشناسی می باشند. شبکه های عصبی مصنوعی به عنوان یک روش غیر خطی و غیر پارامتریک بواسطه قابلیتهای منحصر به فردی از قبیل قابلیت آموزش، پردازش موازی و قابلیت درونیابی بالا و بدون نیاز به دانش اولیه از داده ها، بشکل مناسبتری روابط پیچیده و غیر خطی فرایندکانی زایی را مدل می نمایند. در این مقالهبمنظور تحلیل مدل کانی زایی مس (Cu ) برای برگه ۱۰۰۰۰۰/۱ طارم، ابتدا اطلاعات مورد نیاز از داده های سنجش از دور، ژئوفیزیک هوایی و زمین شناسی استخراج و سپس فرایند مدلسازی باسه الگوریتم Characteristic Analysis ، Weight of Evidence و Artificial Neural Networks انجام شد. از ۲۶ اندیس معدنی Cu برای آموزش و تست سه روش مذکور استفاده شد. نتایج حاصل از سه روش ANN , CA, WOE مورد تجزیه و تحلیل قرار گرفت. نتایج حاصله حاکی از بهبود قابل ملاحظه روش ANN نسبت به دو روش دیگر است.