Institutional Repository [SANDBOX]
Technical University of Crete
EN  |  EL

Search

Browse

My Space

Υπολογισμός αποθεμάτων και ποιοτικών χαρακτηριστικών κοιτασμάτων με χρήση τεχνητών νευρωνικών δικτύων

Oikonomidou Ioanna

Full record


URI: http://purl.tuc.gr/dl/dias/71C380A7-2255-430D-A81E-3CB84EF50B7E
Year 2018
Type of Item Diploma Work
License
Details
Bibliographic Citation Ιωάννα Οικονομίδου, "Υπολογισμός αποθεμάτων και ποιοτικών χαρακτηριστικών κοιτασμάτων με χρήση τεχνητών νευρωνικών δικτύων", Διπλωματική Εργασία, Σχολή Μηχανικών Ορυκτών Πόρων, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2018 https://doi.org/10.26233/heallink.tuc.78913
Appears in Collections

Summary

Ο υπολογισμός της περιεκτικότητας και της εκτίμησης των αποθεμάτων ενός κοιτάσματος αποτελεί ένα ιδιαίτερα κρίσιμο στάδιο στη διαδικασία του σχεδιασμού μιας εκμετάλλευσης. Οι χρησιμοποιούμενες μέθοδοι ποικίλλουν ανάλογα με τον τύπο του κοιτάσματος, τη σχεδιαζόμενη μέθοδο εκμετάλλευσης, τον απαιτούμενο βαθμό ακρίβειας καθώς και με το πλήθος και τη μορφή των δεδομένων που έχουν προκύψει από την προηγηθείσα έρευνα. Οι τοπικές μέθοδοι εκτίμησης που βασίζονται στη γεωστατιστική (Kriging) είναι σήμερα οι επικρατούσες, αφού υπερέχουν σε ακρίβεια των άλλων (γεωμετρικές, αριθμητικές) και παρέχουν τη δυνατότητα εκτίμησης του σφάλματος. Η ορθή εφαρμογή της μεθόδου Kriging έχει συγκεκριμένες απαιτήσεις όσον αφορά τις στατιστικές παραμέτρους των δεδομένων, ενώ απαιτεί και υπολογισμό βαριογραμμάτων. Επιπλέον, η μέθοδος Kriging λόγω του μεσοσταθμικού της χαρακτήρα (βέλτιστος αμερόληπτος γραμμικός εκτιμητής) οδηγεί σε εξομάλυνση των εκτιμώμενων τιμών και υπόκειται στους περιορισμούς της γραμμικότητας. Είναι όμως γνωστό ότι τα χαρακτηριστικά των κοιτασμάτων επηρεάζονται από παράγοντες που σχετίζονται με τις συνήθως πολύπλοκες γεωλογικές διαδικασίες γένεσης των και αποτελούν εξόχως μη γραμμικά συστήματα. Η πρόοδος που έχει γίνει τα τελευταία χρόνια στο χώρο της τεχνητής νοημοσύνης και ιδιαίτερα στον τομέα των νευρωνικών δικτύων και των μεθόδων μηχανικής μάθησης, προσφέρουν έναν τελείως διαφορετικό τρόπο προσέγγισης του προβλήματος. Η πρόκληση για εφαρμογή νευρωνικών δικτύων σε τέτοια προβλήματα, προέρχεται από το γεγονός ότι αποτελούν μη γραμμικά συστήματα που επιδέχονται εκπαίδευση, είναι δυναμικά προσαρμοζόμενα και δεν απαιτούν απλοποιήσεις και παραδοχές για την εφαρμογή τους. Στην εργασία αυτή μελετάται η δυνατότητα εκτίμησης της περιεκτικότητας και των αποθεμάτων ενός κοιτάσματος χαλκού με χρήση τεχνητών νευρωνικών δικτύων. Χρησιμοποιήθηκαν νευρωνικά δίκτυα ευθείας προώθησης με οπισθοδιάδοση του σφάλματος (feedforward with backpropagation) αποτελούμενα από 3 εισόδους, μια έξοδο και ένα ενδιάμεσο επίπεδο νευρώνων. Ως είσοδοι χρησιμοποιούνται οι συντεταγμένες κάθε δείγματος και ως έξοδος η περιεκτικότητα (%) σε Cu. Ο βέλτιστος αριθμός των νευρώνων του ενδιάμεσου επιπέδου εκτιμήθηκε κατά τη διάρκεια εκπαίδευσης. H εκπαίδευσή τους βασίστηκε στα υπάρχοντα στοιχεία των δειγματοληπτικών γεωτρήσεων, που έγιναν κατά τη φάση της λεπτομερούς έρευνας του κοιτάσματος. Για την αποφυγή της υπερεκπαίδευσης των νευρωνικών δικτύου χρησιμοποιήθηκαν τόσο η τεχνική της έγκαιρης διακοπής (early stopping) όσο και ο έλεγχος του αριθμού των νευρώνων του εσωτερικού επιπέδου.Αναπτύχθηκαν 3 διαφορετικές παραλλαγές νευρωνικών δικτύων. Στην πρώτη περίπτωση αναπτύχθηκε ένα νευρωνικό δίκτυο το οποίο εκπαιδεύτηκε με τη χρήση όλων των δειγμάτων των γεωτρήσεων, προκειμένου να χρησιμοποιηθεί ως γενικός εκτιμητής του κοιτάσματος. Στη συνέχεια αναπτύχθηκε ένα δεύτερο νευρωνικό δίκτυο που εκπαιδεύτηκε με δείγματα που γειτονεύουν με μια συγκεκριμένη βαθμίδα εκμετάλλευσης. Το νευρωνικό αυτό δίκτυο έχει περισσότερο χαρακτηριστικά τοπικού εκτιμητή σε επίπεδο βαθμίδας εκμετάλλευσης. Τέλος, αναπτύχθηκε ένα τρίτο στο οποίο έγινε τροποποίηση των δεδομένων της εκπαίδευσης έτσι ώστε να δίνεται μεγαλύτερη βαρύτητα κατά την εκπαίδευση του νευρωνικού δικτύου στα δείγματα με αυξημένη περιεκτικότητα σε Cu. Τα αποτελέσματα που προέκυψαν συγκρίθηκαν με εκείνα της μεθόδου Kriging και έδειξαν ότι τα νευρωνικά δίκτυα που εκπαιδεύτηκαν με βάση το σύνολο των δεδομένων λειτουργούν κυρίως ως γενικοί εκτιμητές αποδίδοντας τη γενική τάση μεταβολής της περιεκτικότητας του Cu στο χώρο. Τα νευρωνικά δίκτυα για εκτιμήσεις σε επίπεδο βαθμίδας αποδίδουν καλύτερα τις τοπικές μεταβολές αλλά διαφέρουν σε σχέση με τη μέθοδο Kriging. Τέλος, τα νευρωνικά δίκτυα που εκπαιδεύτηκαν με βάση το τροποποιημένο σύνολο δεδομένων έδειξαν ότι μπορούν να αποδώσουν καλύτερα τις τοπικές μεταβολές της περιεκτικότητας του Cu στο χώρο αλλά και μπορούν να αποκαλύψουν περιοχές με αυξημένη περιεκτικότητα σε Cu.

Available Files

Services

Statistics