آخـرین اخــبار، تحلیـل هـا و مقـالات در خصـوص منطـقه قفــقاز

این محققان بر روشی نوآورانه مبتنی بر هوش مصنوعی برای تبدیل داده‌های رادیومتری و مغناطیسی در یک کانسار آهن تمرکز کردند که امکان ارزیابی زمین شناسی منطقه‌ای از توزیع مواد معدنی را فراهم می‌کند. این پژوهش حاصل تحقیقات عادل شیرازی و عارف شیرازی در مقطع فوق دکتری دانشگاه صنعتی امیرکبیر است که با نظارت پروفسور اردشیر هزارخانی استاد تمام این دانشگاه و همکاری اعضای هیئت علمی دانشگاه پلی تکنیک تومسک انجام شده است.

این مطالعه در منطقه‌ای در نزدیکی روستای توت در استان یزد ایران بوده است. این منطقه به دلیل دسترسی به داده‌های اکتشافی و زیرساخت‌های توسعه یافته انتخاب شد.

افزایش رادیواکتیویته در سایت‌های سنگ آهن در ایران ایده انجام مطالعات رادیومتریک و مغناطیس سنجی را به وجود آورد. بر اساس مشاهدات زمین شناسی، وجود ناهنجاری‌های مغناطیسی می‌تواند رابطه پیچیده‌ای با رادیواکتیویته شدید عناصر مختلف داشته باشد.

نتایج تحقیقات مشترک دانشمندان ایرانی و روسی نشان می‌دهد که بر اساس رفتار مغناطیسی در منطقه‌ی توت و بهره گیری از شبکه عصبی مصنوعی، می‌توان میزان رادیواکتیویته معادن آهن را برآورد کرد. نتیجه این تحقیقات در ژورنال بین المللی مینرالز منتشر شد.
محققان در این پژوهش داده‌های میدانی مربوط به زمین شناسی و ژئوفیزیک (رادیومتری و مغناطیس سنجی) را تجزیه و تحلیل کردند و برآورد‌هایی در خصوص ذخایر جدید این محدوده معدنی معرفی کردند. 

طبق مشاهدات زمین شناسی و برداشت‌های ژئوفیزیکی، وجود ناهنجاری‌های مغناطیسی می‌تواند رابطه پیچیده‌ای با رادیواکتیویته شدید عناصر مختلف داشته باشد.

این محققان با استفاده از روش خوشه‌بندی K-means، رفتار دو متغیر قدرت میدان مغناطیسی و رادیواکتیویته را مورد مطالعه قرار دادند و یک رابطه ریاضی برای تحلیل رفتار این دو متغیر نسبت به یکدیگر ارائه کردند. علاوه بر این، الگوی رفتار مغناطیسی در منطقه که شامل افزایش و سپس کاهش شدت میدان مغناطیسی زمین نسبت به شدت رادیواکتیویته بود نشان داد که امکان تعمیم نتایج مطالعات مغناطیس سنجی بدون تکرار رادیومتری در این ناحیه و مناطق مجاور وجود دارد. 

برای ارزیابی داده‌های به دست آمده، دانشمندان از یک شبکه عصبی مصنوعی استفاده کردند که عملکرد مغز انسان را شبیه سازی می‌کند که امروزه یکی از پیشرفته‌ترین روش‌ها در پیش بینی و تحلیل داده‌های اکتشافی است.

داده‌های حاصل از برداشت‌های ژئوفیزیکی و ژئوشیمیایی منطقه و داده‌های دیجیتال بسیار حجیم هستند و ارزیابی، تفسیر و تبدیل آنها هزینه محاسباتی بالایی دارد، در حالی که تجزیه و تحلیل با این روش علاوه بر دقت بالای نتایج، سرعت عملکرد را نیز بالا برده است. 

 این موضوع ما را بر آن داشت تا با استفاده از آمار‌های ریاضی و روش‌های مبتنی بر تحلیل شبکه عصبی داده‌های چند بعدی را تفسیر کنیم. در این پژوهش، شبکه‌ی عصبی به‌عنوان ابزاری مهم تخمین و یادگیری ماشین برای پردازش سریع داده‌های بزرگ و تفسیر سریع آنها و پیش‌بینی اطلاعات مورد استفاده قرار گرفت.

تخمین مشابهی برای سایر داده‌ها مثل تبدیل داده‌های مغناطیسی به داده‌های گرانی سنجی استفاده شده است. بنابراین، معیار‌های ارزیابی جدید این پژوهش، امکان پیش بینی داده‌های رادیومتری بر مبنای داده‌های مغناطیس سنجی و بالعکس را باز می‌کند.

نویسندگان مقاله پیشنهاد می‌کنند که نتایج تحقیقات به دست آمده می‌تواند در فرآیند اکتشافات معدنی و پیش بینی و شناسایی ذخایر معدنی جدید مورد استفاده قرار گیرد. همچنین این نتایج میتواند راهگشای سازمان زمین شناسی و اکتشافات معدنی کشور ایران برای شناسایی مناطق دارای پرتوزایی با استفاده از داده‌های مغناطیسی در منطقه باشد. نتایج این طرح پژوهشی توسط شرکت دانش بنیان دیده بان کسب و کار صفرتاصد تجاری سازی شده است.

 عنوان این مقاله عبارت است از: Investigation of Magneto-/Radio-Metric Behavior in Order to Identify an Estimator Model Using K-Means Clustering and Artificial Neural Network (ANN) (Iron Ore Deposit, Yazd, IRAN)) است.