الگوریتم های یادگیری ماشین برای تولید مدل های پیشگو جهت مشخص نمودن اهداف اکتشافی کانی سازی طلا در منطقه تخت سلیمان

تعیین فرآیندهای موثر در تشکیل کانسارهای فلزی که به عنوان کنترل کننده های کانی زایی در نظر گرفته می شوند، یک گام اساسی در مدل سازی پتانسیل معدنی می باشد. در این پژوهش، ۵ معیار اکتشافی حاصل از داده های ژئوشیمیایی، ژئوفیزیکی، زمین شناسی، ساختاری و ماهواره ای مرتبط با کانی زایی طلای نوع اپی ترمال و کارلین در منطقه تخت سلیمان با هم ترکیب شدند. برای تولید نقشه ژئوشیمیایی چند عنصری، روش تحلیل مولفه های اصلی بر روی ۸ عنصر انتخاب شده مرتبط با کانی زایی اعمال گردید و مشخص شد که عنصر طلا با عناصر ردیاب خود یعنی آرسنیک و آنتیموان ارتباط مکانی و ژنتیکی بالایی در مولفه دوم (PC۲) نشان می دهد. سپس ۱۰ لایه اکتشافی موثر با مقادیر پیوسته فازی بر اساس مقادیر مساحت زیر منحنی (AUC) منحنی های نرخ موفقیت برای تولید مدل های پیشگوی نواحی مستعد کانی زایی طلا انتخاب گردیدند. برای نیل به این هدف، دو روش نظارتی یادگیری ماشین شامل شبکه عصبی MLP و ماشین های بردار پشتیبان (SVM) با کرنل RBF بر اساس فرآیند آموزش و یادگیری مورد استفاده قرار گرفتند. نتایج نهایی بر اساس مقادیر AUC هر یک از منحنی های نرخ موفقیت مدل های مذکور، نشان داد که روش SVM-RBF از دقت بالاتر و عملکرد بهتر نسبت به روش شبکه عصبی MLP برخوردار می باشد که برای استفاده در مراحل اکتشاف تفضیلی جهت یافتن کانسارهای جدید طلا مناسب تر است.