حمید گرانیان - استادیار گروه مهندسی معدن، دانشگاه صنعتی بیرجند، بیرجند

مدلسازی بلوکی یکی از مهمترین روشهای تحلیل داده های اکتشافی است که به منظور تعیین شکل، محاسبه ذخیره و مشخص کردن نحوی پراکندگی عیار و واحدهای سنگی در یک کانسار صورت میگیرد. روشهای مرسوم مدلسازی از قبیل روشهای زمین آماری و فرکتالی، مدل بلوک تک متغیره ایجاد میکنند. در این مقاله از روش خوشه بندی Mini-batch k-Means برای مدلسازی همزمان چهار متغیر Fe، P، S و FeO در کانسار آهن چادرملو استفاده شده است. تفکیک اولیه داده ها به تعدادی دسته و سپس خوشه بندی آنها باعث میشود که این روش خوشه بندی معایب توقف در نقاط بهینه محلی و خوشه بندی تحت تاثیر نقطه آغازین روش k-Means را نداشته باشد. خوشهبندی بر روی ماتریس داده های ۲۱۹۵ × ۴ بعدی حاصل از تجزیه شیمیایی مغزه های حفاری، مدلسازی بر روی بلوک ۲۰۰۰ × ۷۰۰ ۲۰۰۰ × متری و ترسیم مدل بلوکی توسط مقاطع افقی انجام شده است. نتایج مدلسازی توسط این الگوریتم خوشه بندی نشان میدهد که دو محدوده مستعد کانی سازی با ابعاد تقریبی ۱۲۰ و ۳۰۰ متری در بخش میانی کانسار، در افق ۱۵۰۰ متری قابل مشاهده است. مدلهای بلوکی تک متغیره نیز این کانی سازیها را تایید میکنند. همچنین در افق ۱۴۰۰ متری نیز دو محدوده کانیسازی یکی در بخش میانی کانسار با ابعاد ۴۰۰ × ۷۰۰ متری و دیگری در بخش شرقی کانسار با ابعاد ۵۰۰ × ۱۱۰۰ متری وجود دارند. تعیین ابعاد و موقعیت دقیق تر این محدوده ها در مدل بدست آمده از روش خوشه بندی نسبت به مدلهای بلوکی تک متغیره نشان دهنده ی برتری مدلسازی بلوکی چند متغیره میباشد. بنابراین پیشنهاد این مقاله استفاده از الگوریتمهای خوشه بندی برای مدلکردن کانی سازی خصوصا در کانسارهای چندفلزی است.

مدلسازی کانی زایی، الگوریتمهای خوشه بندی، ارزیابی ذخیره، تفسیر داده های گمانهای، کانسار چادرملو