انجمن مهندسی معدن ایران نشریه مهندسی معدن 1735-7616 14 45 2020 02 20 Comparison of artificial neural networks and support vector machine classifiers for 3D modeling of mineralization zones (Case study: Miduk copper Deposit) مقایسه عملکرد شبکه عصبی مصنوعی و ماشین بردار پشتیبان در تهیه مدل سه ‌بعدی زون‌های کانی‌سازی (مطالعه موردی:کانسار مس پورفیری میدوک، ایران) 13 24 37381 10.22034/ijme.2020.37381 FA زهرا شفیعی گروه مهندسی معدن، دانشگاه کاشان ملیحه عباس زاده گروه مهندسی معدن، دانشگاه کاشان، ایران سعید سلطانی محمدی عضو هیئت علمی 0000-0002-8390-1917 مجتبی دهقانی جوزم مجتمع مس شهربابک Journal Article 2019 01 27 Due to the relation of mineralization zones with grade variability in porphyry copper deposits, the preparation of the three-dimensional model of these zones is one of the pre-estimation steps in evaluation this type of deposits. The quality of this model has a significant impact on the quality of the grade estimates, the proper design of long-term extraction and ultimately reducing the problems between the mine and the processing plant. The usual way to prepare this model is to use a constrained modeling technique, which is a complex and time consuming process. One of the possible solutions for the preparation of these models is the use of unconstrained methods, such as intelligent methods. This paper attempts to study the performance of artificial neural network and support vector machine in the separation of mineralization zones (including leached, hypogene and supergene zones) in Miduk copper deposit. The northing co-ordinate, easting co-ordinate and height of the samples are used as input variables, and the observed mineralization zones in them are used as the output variable. Investigating the results of these intelligent algorithms in the separation of geological zones shows that the support vector machine classifier has a better performance than the artificial neural network. The better performance of the support vector machine method is shown by 1) the higher accuracy of this method in the training and testing stages and 2) the comparison between the block model with the grade control observations. به دلیل ارتباط زون‌های کانی‌سازی با تغییرپذیری عیار در کانسارهای مس پورفیری، تهیه مدل سه بعدی این زون‌ها یکی از گام‌های پیش از تخمین در ارزیابی این تیپ کانسارها به شمار می‌آید. کیفیت این مدل تأثیر بسزایی بر کیفیت تخمین‌های 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 می‌باشد که فرآیندی پیچیده و زمان‌بر است. یکی از راه‌حل‌های ممکن برای تهیه این گونه مدل‌ها استفاده از روش‌های نامحدود همچون روش‌های هوشمند می‌باشد. در این مقاله تلاش شده است تا عملکرد دو روش هوشمند شبکه عصبی مصنوعی و ماشین بردار پشتیبان طبقه‌بندی‌کننده در جداسازی زون‌های 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) داده‌های حاصل از گمانه‌های اکتشافی به عنوان ورودی و زون‌های کانی‌سازی مشاهده شده در آن‌ها به عنوان خروجی مدل استفاده شده است. بررسی نتایج حاصل از این الگوریتم‌های هوشمند در جداسازی زون‌های زمین شناسی نشان می‌دهد که روش ماشین بردار پشتیبان طبقه‌بندی‌کننده نسبت به شبکه عصبی مصنوعی عملکرد مطلوب‌تری دارد. عملکرد مطلوب‌تر 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 طبقه‌بندی شده با برداشت‌های صورت گرفته از چال‌های انفجاری نشان داده شده است. https://ijme.iranjournals.ir/article_37381_a661c28041b100e3187b142c4e5b3c9d.pdf