شناسایی نواحی امیدبخش کانی‌سازی مس پورفیری در ناحیه شهربابک استان کرمان با استفاده از روش یادگیری ماشین و به کمک نرم‌ افزار ARCGIS

جهانتیغ, مسلم; رمضی, حمیدرضا; فردوسی, حسین; جعفری, زهرا

doi:10.22067/econg.2023.79466.1057

شناسایی نواحی امیدبخش کانی‌سازی مس پورفیری در ناحیه شهربابک استان کرمان با استفاده از روش یادگیری ماشین و به کمک نرم‌ افزار ARCGIS

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ دانشجوی دکتری، گروه مهندسی اکتشاف معدن، دانشکده معدن، دانشگاه صنعتی امیر کبیر، تهران، ایران

² استاد، گروه مهندسی اکتشاف معدن، دانشکده معدن، دانشگاه صنعتی امیر کبیر، تهران، ایران

³ دانشجوی دکتری، گروه مهندسی اکتشاف معدن، دانشکده معدن، دانشگاه تهران، تهران، ایران

⁴ کارشناسی ارشد، گروه زمین‌‌شناسی، دانشکده علوم پایه، دانشگاه شهید باهنر، کرمان، ایران

10.22067/econg.2023.79466.1057

چکیده

امروزه تولید مدل پتانسیل معدنی با استفاده از نرم‌افزار GIS کاربرد روزافزونی پیدا کرده است. در این پزوهش با استفاده از نرم‌افزار ARCGIS نقشه‌های پیشگو شامل لایه دگرسانی آرژیلیک، فیلیک، اکسید آهن، برگردان به قطب لایه مغناطیس هوایی، خط‌واره‌ها، نقشه آنومالی زمین‌شیمی مس و آنالیز مؤلفه های اصلی (مؤلفه 3) از منطقه شهربابک در استان کرمان تهیه‌شد. برای آموزش مدل از 37 رخنمون کانی‌سازی استفاده شده است. همچنین برای تهیه نقاط غیر‌کانی‌سازی برای ورود به مدل، از روش آنالیز نقطه‌ای استفاده شده است. برای آموزش مدل از شبکه عصبی دولایه پرسپترون استفاده شد و مدل آموزشی برای تهیه مدل نهایی پتانسیل معدنی به کار برده شد. بر اساس مدل ذکرشده نواحی امیدبخش اصلی در بخش شمال‌غرب و شرق محدوده مشخص شد. همچنین دو ناحیه در قسمت شمالی و جنوب‌غرب محدوده برای بررسی‌های تکمیلی مشخص شد. برای ارزیابی مدل از نمودار ارزیابی عملکرد سامانه استفاده شده است که این نمودار بیانگر درستی بالای مدل پتانسیل معدنی تولید‌شده، است. همچنین برای ارزیابی مدل پتانسیل معدنی، ضرایب حساسیت و دقت، مقدار پیشگویی مثبت برای نقاط کانی‌سازی، مقدار پیشگویی منفی برای نقاط غیر‌کانی‌سازی و شاخص کاپا محاسبه شد که مقادیر آن به ترتیب برابر 7/94، 8/91، 3/92، 4/94، 3/93 و 89 درصد است که این ضرایب نیز دقت بالای مدل پتانسیل معدنی را تأیید می‌کند. نواحی پرپتانسیل در قسمت شرقی و غربی محدوده مورد بررسی قرار دارد.

کلیدواژه‌ها

20.1001.1.20087306.1402.15.2.3.3

مراجع

Abedi, M., Norouzi, G.H. and Torabi, S.A., 2013. Clustering of mineral prospectivity area as an unsupervised classification approach to explore copper deposit. Arabian Journal of Geosciences, 6(10): 3601–3613. https://doi.org/10.1007/s12517-012-0615-5

Aghanabati, A., 2004. The Geology of Iran. Geological Survey of Iran, Tehran, 586 pp. (in Persian)

Ayati, F., Yavuz, F., Noghreyan, M., Haroni, H.A. and Yavuz, R., 2008. Chemical characteristics and composition of hydrothermal biotite from the Dalli porphyry copper prospect, Arka, central province of Iran. Mineralogy and Petrology, 94(1): 107–122. https://doi.org/10.1007/s00710-008-0006-5

Carranza, E.J.M., 2008. Geochemical Anomaly and Mineral Prospectivity Mapping in GIS, Handbook of Exploration and Environmental Geochemistry. Vol. 11, Elsevier, Amsterdam, 351 pp. Retrieved November 21, 2022 from https://www.elsevier.com/books/geochemical-anomaly-and-mineral-prospectivity-mapping-in-gis/carranza/978-0-444-51325-0

Carranza, E.J.M., 2009. Objective selection of suitable unit cell size in data-driven modeling of mineral prospectivity. Computer Geoscience, 35(10): 2032–2046. https://doi.org/10.1016/j.cageo.2009.02.008

Carranza, E.J.M., 2011. Geocomputation of mineral exploration targets. Computer Geoscience, 37(12): 1907–1916. https://doi.org/10.1016/j.cageo.2011.11.009

Carranza, E.‌J.‌M. and Laborte, A.‌G., 2015. Data driven predictive mapping of gold prospectivity, Baguio district, Philippines: application of random forestsalgorithm. Ore Geology Reviews, 71: 777–787. https://doi.org/10.1016/j.oregeorev.2014.08.010

Celik, U. and Basarir, C., 2017. The Prediction of Precious Metal Prices via Artificial Neural Network by Using RapidMiner. Alphanumeric Journal, 5(1): 45–54. https://doi.org/10.17093/alphanumeric.290381

Chen, J.L., Xu, J.F., Wang, B.D., Yang, Z.Y., Ren, J.B., Yu, H.X., Liu, H. and Feng, Y., 2015. Geochemical differences between subduction and collision-related copper bearing porphyries and implications for metallogenesis. Ore Geology Reviews, 70: 424-437. https://doi.org/10.1016/j.oregeorev.2015.01.011

Dehghani, Z., 2019. Easy to learn neural network. Ati-negar publisher, Tehran‌, 123 pp. (in Persian)

Ghaderi, M., Yasemi, N. and Booyeri, M., 2018. Porphyry copper deposits of Iran. Tarbiat Modares publisher, Tehran, 645 pp. (in Persian)

Hassanpour, S., Alirezaei, S. and Selby, D., 2015. SHRIMP zircon U–Pb and biotite and hornblende Ar–Ar geochronology of Sungun, Haftcheshmeh, Kighal, and Niaz porphyry Cu–Mo systems: evidence for an early Miocene porphyry-style mineralization in northwest Iran. International Journal of Earth Sciences, 104: 45–59. https://doi.org/10.1007/s00531-014-1071-0

Hengl, T., 2006. Finding the right pixel size. Computer Geoscience, 32(9): 1283–1298. https://doi.org/10.1016/j.cageo.2005.11.008

Ibrahim, O.M., 2013. A Comparison of Methods for Assessing the Relative Importance of Input Variables in Artificial Neural Networks. Journal of Applied Sciences Research, 9: 5692–5700. Retrieved November 14, 2022 from https://www.scirp.org/(S(351jmbntvnsjt1aadkozje))/reference/referencespapers.aspx?referenceid=1345433

Li, S., Chen, J. and Liu, C., 2022. Overview on the Development of Intelligent Methods for Mineral Resource Prediction under the Background of Geological Big Data. Minerals, 12(5): 616. https://doi.org/10.3390/min12050616

Mars, J.C. and Rowan, L.C., 2006. Regional mapping of phyllic- and argillicaltered rocks in the Zagros magmatic arc, Iran, using Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) data and logical operator algorithms. Geosphere, 2: 161–186. Retrieved November 14, 2022 from https://www.scirp.org/(S(351jmbntvnsjt1aadkposzje))/reference/ReferencesPapers.aspx?ReferenceID=1191514

Nathan, M., Bokuik, A., Petterson, M. and Holm, R., 2021. Stream Sediment Datasets and Geophysical Anomalies: A Recipe for Porphyry Copper Systems Identification-The Eastern Papuan Peninsula Experience. Geosciences, 11(7): 299. https://doi.org/10.3390/geosciences11070299

Nykänen, V. and Ojala, V.J., 2007. Spatial analysis techniques as successful mineral-potential mapping tools for orogenic gold deposits in the Northern Fennoscandian Shield, Finland. Natural Resources Research, 16(2): 85–92. https://doi.org/10.1007/s11053-007-9046-5

Olden, J.D. and D.A., Jackson, 2002. Illuminating the “black box”: a randomization approach for understanding variable contributions in artificial neural networks. Ecological Modeling, 154(1–2): 135–150. https://doi.org/10.1016/S0304-3800(02)00064-9

Panda, L. and Tripathy, S.K., 2014. Performance prediction of gravity concentrator by using artificial neural network-a case study. International Journal of Mining Science and Technology, 24(4): 461–465. https://doi.org/10.1016/j.ijmst.2014.05.007

Porwal, A., Carranza, E.J.M. and Hale, M., 2003. Artificial neural networks for mineral potential mapping. Nature Resources Research, 12: 155–171. https://doi.org/10.1023/A:1025171803637

Rao., Z., 2000. Artificial Neural Networks in Hydrology. Water Science and Technology Library, volume 36, Springer Dordrecht, USA, 332 pp. Retrieved November 20, 2022 from https://link.springer.com/book/10.1007/978-94-015-9341-0

Richards, J.P., Boyce, A.J. and pringle, M.S., 2001. Geological evolution of the Escondida area, northern Chile: A model for spatial and temporal localization of porphyry Cu mineralization. Economic Geology, 96(2): 271–305. https://doi.org/10.2113/gsecongeo.96.2.271

Rodriguez-Galiano, V., Sanchez-Castillo, M., Chica-Olmo, M. and Chica-Rivas, M., 2015. Machine learning predictive models for mineral prospectivity: an evaluation of neural networks, random forest, regression trees and support vector machines. Ore Geology Reviews, 71: 804–818. https://doi.org/10.1016/j.oregeorev.2015.01.001

Shahabpour, J., 1999. The role of deep structures in the distribution of some major ore deposits in Iran, NE of Zagros thrust zone. Journal of Geodynamics, 28(2–3): 237–250. https://doi.org/10.1016/S0264-3707(98)00040-4

Shokri, B., Ramazi, H., Doulati Ardejani, F. and Sadeghiamirshahidi, M., 2014. Prediction of Pyrite Oxidation in a Coal Washing Waste Pile Applying Artificial Neural Networks (ANNs) and Adaptive Neuro-fuzzy Inference Systems (ANFIS), Mine Water and the Environment, 33: 146–156. https://doi.org/10.1007/s10230-013-0247-3

Sillitoe, R.H., 1994. Erosion and collapse of volcanoes: Causes of telescoping in intrusion-centered ore deposits. Geology, 22 (10): 945–948. https://doi.org/10.1130/0091-7613(1994)022<0945:EACOVC>2.3.CO;2

Sillitoe, R.H., 1998. Major regional factors favouring large size, high hypogene grade, elevated gold content and supergene oxidation and enrichment of porphyry copper Deposits: PGC Publishing, Adelide, 230 pp. Retrieved October 24, 2022 from http://portergeo.com.au/publishing/porphyry98/Abstract2p.asp

Smola, A.‌J. and Schölkopf, B., 2004. A tutorial on support vector regression, Statistics and computing. 14(3): 199–222. https://doi.org/10.1023/B:STCO.0000035301.49549.88

Sun, T., Chen, F., Zhong, L.‌X., Liu, W.‌M. and Wang, Y., 2019. GIS-Based Mineral Prospectivity Mapping Using Machine Learning Methods: A Case Study from Tongling Ore District, Eastern China. Ore Geology Reviews, 109: 26–49. https://doi.org/10.1016/j.oregeorev.2019.04.003

Tien Bui, D., Tuan, T.A., Klempe, H., Pradhan, B. and Revhaug, I., 2015. Spatial prediction models for shallow landslide hazards: a comparative assessment of the efficacy of support vector machines, artificial neural networks, kernel logistic regression, and logistic model tree. Landslides, 13: 361–378. https://doi.org/10.1007/s10346-015-0557-6

Wang, S.C., 2003. Interdisciplinary Computing in Java Programming language. V. 743, Springer, 743 pp. Retrieved November 15, 2022 from https://link.springer.com/chapter/10.1007/978-1-4615-0377-4_5

Waterman, G.C. and Hamilton, R.L., 1975. The Sar-Cheshmeh porphyry copper deposit. Economic Geology, 70(3): 568–576. https://doi.org/10.2113/gsecongeo.70.3.568

Yang, N., Zhang, Z., Yang, J., Hong, Z. 2022. Mineral Prospectivity Prediction by Integration of Convolutional Autoencoder Network and Random Forest. Natural Resources Research, 31: 1103–1119. https://doi.org/10.1007/s11053-022-10038-7

Yousefi, M. and Carranza, E.J.M., 2015. Prediction–area (P–A) plot and C–A fractal analysis to classify and evaluate evidential maps for mineral prospectivity modeling. Computers & Geosciences, 79: 69–81. https://doi.org/10.1016/j.cageo.2015.03.007

Zuo, R. and Carranza, E.‌J.‌M., 2011. Support vector machine: a tool for mapping mineral prospectivity. Computers & Geosciences, 37(12): 1967–1975. https://doi.org/10.1016/j.cageo.2010.09.014