زون‌های ساختاری ایران و کاربرد هوش مصنوعی در شناسایی ذخایر

کاربرد هوش مصنوعی در شناسایی و تحلیل ذخایر معدنی در پروژه های زمین پی جویان نگار

در بخش قبلی توضیح مختصری در مورد ساختار زمین شناسی و سنگ شناسی زون های ایران گردآوری شده و همچنین معادن و ذخایر مهم در هر زون نیز ذکر گردیده است. فناوری هوش مصنوعی و کاربرد آن در اکتشافات و معدنکاری دارای اهمیت بسیار زیادی می باشد. در سایت زمین پی جویان نگار مقاله  ای با عنوان اکتشاف مواد معدنی توسط هوش مصنوعی AI درباره کاربرد و پتانسیل های فناوری هوش مصنوعی در اکتشاف مواد معدنی ارائه شده است. در ادامه چند کاربرد هوش مصنوعی در شناسایی ذخایر معدنی ذکر شده است.

“شرکت زمین پی جویان نگار تمامی خدمات مبتی بر هوش مصنوعی را جهت اکتشاف دقیق و اصولی مواد معدنی به کارفرمایان خود ارائه می نماید. از طریق اطلاعات تماس موجود در سایت با کارشناسان ما در تماس باشید….”

پردازش داده‌ های زمین‌ شناسی (Geological Data Processing – GDP) 

هوش مصنوعی می‌تواند با پردازش داده‌ های زمین‌ شناسی مانند نقشه‌ ها و داده‌ های ژئوفیزیکی، الگوهای پیچیده را شناسایی کند.

• یادگیری ماشین  (Machine Learning – ML): ایجاد مدل‌های پیش‌بینی کننده بر اساس داده های پیشین زمین شناسی و معدنی.

• شبکه‌های عصبی (Neural Networks – NN): تحلیل داده‌ های پیچیده زمین‌ شناسی برای پیش‌ بینی و شناسایی ذخایر معدنی.

تحلیل تصاویر ماهواره‌ ای و هوایی (Satellite and Aerial Image Analysis – SAIA)

تصاویر ماهواره‌ای و هوایی اطلاعات ارزشمندی درباره ساختارهای زمین‌ شناسی و ویژگی‌ های سطحی زمین فراهم می‌کنند.

• تشخیص الگو (Pattern Recognition – PR): شناسایی ساختارهای زمین‌ شناسی خاص مانند گسل‌ ها و چین‌خوردگی‌ ها.
• تحلیل تصاویر دریافت شده توسط سنجنده های فراطیفی و چند طیفی (Hyperspectral & Multispectral Imaging Analysis – HMIA): شناسایی مواد معدنی، آلتراسیون ها و ساختار های تکتونیکی.

تحلیل داده‌ های ژئوفیزیکی (Geophysical Data Analysis – GDA)

ضبط داده‌ های ژئوفیزیکی مانند مغناطیس‌ سنجی و ژئوالکتریکی بهترین و به صرفه ترین روش جهت شناسایی ساختار های زیرسطحی می باشد.

• پردازش سیگنال  (Signal Processing – SP): شناسایی الگوهای زیرسطحی مرتبط با ذخایر معدنی به وسیله یادگیری ماشین و یادگیری عمیق.
• مدل‌ سازی سه‌ بعدی (D Modeling3): ایجاد مدل‌های سه‌بعدی بر اساس نتایج دریافت شده از تحلیل داده های ژئوفیزیکی.

تحلیل داده‌ های حفاری (Drilling Data Analysis – DDA)

داده‌ های حفاری‌ های اکتشافی حجم عظیمی از اطلاعات درباره ترکیب سنگ‌ ها و مواد معدنی در محل گمانه های اکتشافی را در اختیار زمین شناسان و مهندسین معدن قرار می دهد. 

• تحلیل سری‌ های زمانی (Time Series Analysis – TSA): تحلیل تغییرات ترکیب مواد معدنی در عمق‌های مختلف و تطبیق آن با داده های آموزشی در ماشین.
• خوشه‌ بندی (Clustering): دسته‌بندی داده‌های حفاری به گروه‌های مشابه برای شناسایی نواحی با پتانسیل معدنی مشابه که اغلب این فرآیند بر اساس یادگیری بدون نظارت یا Unsupervised Learning انجام می شود.

استفاده از سیستم‌ های خبره (Expert Systems)

سیستم‌های خبره بر مبنای دانش تخصصی و قوانین استخراج شده از کارشناسان زمین‌ شناسی و معدنی عمل می‌کنند. بر اساس مصوبات وزارت صنعت، معدن و تجارت و همچنین دستورالعمل جهانی JORC و تجربه کارشناسان خبره شرکت زمین پی جویان نگار، سیستم های کمک کننده جهت تصمیم گیری  ایجاد می شوند.

• سیستم‌های پشتیبانی تصمیم (Decision Support Systems – DSS): این سیستم ها به کارشناسان جهت تصمیم‌گیری‌ های بهتر در زمینه اکتشاف و استخراج معادن کمک می نمایند.