چکیده

یک رویکرد عصبی فازی مبتنی بر الگوریتم ژنتیک (GA) برای شناسایی آنومالی‌‌های ژئوشیمیایی از طریق پیاده‌سازی یک سیستم استنتاج فازی نوع تاکاگی، سوگنو و کانگ (TSK) در یک شبکه عصبی مصنوعی تطبیقی ​​پیش‌خور ۵ لایه‌ای استفاده می‌شود. این مقاله به بررسی اثربخشی عصبی-فازی مبتنی بر GA برای جداسازی کانی سازی زون پراکنده (ZDM) از کانی‌سازی پنهان و کاربرد آن برای شناسایی آنومالی‌های‌ ژئوشیمیایی در چشم انداز خشک استان متالوژنیک لوت در شرق ایران می‌پردازد. سایر الگوریتم‌های طبقه‌بندی مانند متالومتری، منطقه‌بندی، معیارها و طبقه‌بندی‌کننده‌های شبکه عصبی مصنوعی پساانتشاری نیز برای مقایسه استفاده می‌شوند. عملگرهای ژنتیکی با دقت طراحی شده‌اند تا شبکه عصبی مصنوعی را بهینه کنند و از مشکلات همگرایی زودرس و جایگشت اجتناب کنند. نتایج نشان می‌دهد که مدل عصبی فازی ترکیبی مبتنی بر GA می‌تواند نتایج دقیقی را در مقایسه با نتایج به‌دست‌آمده از تکنیک‌های دیگر ارائه دهد. به نظر می رسد تکنیک های عصبی فازی و مبتنی بر GA برای کاربردهای ژئوشیمی اکتشافی معمولی مناسب هستند. همراه با آمار و روش‌های ریاضی مرسوم، روش‌های ترکیبی را می‌توان توسعه داد که ممکن است گامی رو به جلو در استفاده از ژئوشیمی کاربردی باشد.

1-مقدمه

هدف اصلی ژئوشیمی اکتشافی ایجاد طرحی برای تشخیص کانی‌سازی پنهان تا حد امکان با در نظر گرفتن محدودیت‌های اقتصادی و فیزیکی است. در گذشته، چندین روش مبتنی بر ژئوشیمی برای پیش‌بینی محل کانه‌های پنهان ارائه شده است (لوینسون، 1980؛ گریگوریان، 1985، 1992؛ ضیایی و همکاران، 2007، 2009a). بیشتر این روش‌های مبتنی بر ژئوشیمی صرفاً به پیش‌بینی افق‌های سطح فرسایش مربوط می‌شوند. افقهای سطح فرسایشی با شناسایی و ارزیابی کمی آنومالی‌های ژئوشیمیایی که منعکس کننده حضور پیکره‌‌های کانه‌ای پنهان هستند، تعریف می‌شوند....