Συντάχθηκε 17-09-2020 13:40
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 25/09/2020 17:00
Λήξη: 25/09/2020 18:00
Τίτλος εργασίας: Ανάπτυξη νευρωνικών δικτύων με χαρακτηριστικά τοπικού εκτιμητή για υπολογισμό αποθεμάτων και ποιότητας κοιτασμάτων
Title: Development of neural networks based local estimators for ore reserves and grade estimation
Συμβουλευτική Επιτροπή:
Καθηγητής Μιχάλης Γαλετάκης, Σχολή ΜΗΧΟΠ (επιβλέπων)
Καθηγητής Χριστόπουλος Διονύσιος, Σχολή ΜΗΧΟΠ
Δρ. Γεώργιος Κρητικάκης, ΕΔΙΠ, Σχολή ΜΗΧΟΠ
Περίληψη
Ο υπολογισμός της περιεκτικότητας και της εκτίμησης των αποθεμάτων ενός κοιτάσματος είναι μια εξαιρετικά σημαντική διαδικασία καθώς αποτελεί βασικό πυλώνα της μελέτης και του σχεδιασμού μιας εκμετάλλευσης. Οι πιο διαδεδομένες διαδικασίες υπολογισμού περιεκτικότητας που συναντώνται και έχουν εφαρμογή έως και σήμερα είναι η γεωστατιστική μέθοδος Kriging, οι μέθοδοι των αντιστρόφων αποστάσεων και οι γεωμετρικές μέθοδοι. Στην παρούσα εργασία μελετήθηκε η δυνατότητα υπολογισμού αποθεμάτων και ποιότητας κοιτασμάτων με την βοήθεια τεχνητών νευρωνικών δικτύων (ΤΝΔ) με χαρακτηριστικά τοπικού εκτιμητή. Χρησιμοποιήθηκαν νευρωνικά δίκτυα ευθείας προώθησης με οπισθοδιάδοση του σφάλματος (feedforward with backpropagation). H εκπαίδευση των αναπτυχθέντων νευρωνικών δικτύων πραγματοποιήθηκε με βάση τα στοιχεία των δειγματοληπτικών γεωτρήσεων που έχουν ληφθεί κατά το στάδιο της έρευνας του κοιτάσματος. Αναπτύχθηκαν δυο διαφορετικοί τύποι νευρωνικών δικτύων με χαρακτηριστικά τοπικού εκτιμητή τα ΤΝΔ_distance και ΤΝΔ_xyz. Το ΤΝΔ_distance χρησιμοποιεί ως δεδομένα εισόδου τις συντεταγμένες X,Y,Z του εξεταζόμενου δείγματος, τις αποστάσεις di και τις περιεκτικότητες gi των n γειτονικών δειγμάτων, ενώ ως έξοδο την περιεκτικότητα g σε χρήσιμο συστατικό του εξεταζόμενου δείγματος. Το ΤΝΔ_xyz έχει ως εισόδους τις συντεταγμένες X,Y,Z του εξεταζόμενου δείγματος, τις συντεταγμένες Xi, Yi, Zi και τις περιεκτικότητες gi των n γειτονικών δειγμάτων, ενώ και αυτό έχει ως έξοδο την περιεκτικότητα g του εξεταζόμενου δείγματος. Για την επιλογή των βέλτιστων παραμέτρων των νευρωνικών δικτύων (αριθμός των γειτονικών δειγμάτων που χρησιμοποιούνται και το μέγεθος του κρυφού επιπέδου) χρησιμοποιήθηκε ο παραγοντικός σχεδιασμός και η ανάλυση επιφανειών απόκρισης (factorial design and response surface). Ως κριτήρια απόδοσης ορίστηκαν ο συντελεστής συσχέτισης R των υπολογισμένων τιμών με τις πραγματικές και το μέσο τετραγωνικό σφάλμα MSE. Τα δείγματα που χρησιμοποιήθηκαν για την εκπαίδευση των νευρωνικών δικτύων προέρχονται από κοίτασμα χαλκού που ερευνήθηκε με 40 γεωτρήσεις από τις οποίες προέκυψαν 1864 αρχικά δείγματα πυρήνων που ενοποιήθηκαν σε 410 σύνθετα δείγματα. Εξετάστηκαν τρεις διαφορετικές περιπτώσεις εκτίμησης της ποιότητας g και εκτίμησης των αποθεμάτων με νευρωνικά δίκτυα. Στην πρώτη περίπτωση αναπτύχθηκε απλό νευρωνικό δίκτυο το οποίο εκπαιδεύτηκε με όλα τα σύνθετα δείγματα των γεωτρήσεων χωρίς τη χρήση γειτονικών δειγμάτων (X,Y,Z ως είσοδο και g ως έξοδος). Στην δεύτερη περίπτωση χρησιμοποιήθηκαν τα νευρωνικά δίκτυα τοπικών εκτιμήσεων ΤΝΔ_distance και ΤΝΔ_xyz. Για αυτά τα ΤΝΔ ο βέλτιστος αριθμός γειτονικών σημείων υπολογίστηκε σε 3 και ο βέλτιστος αριθμός νευρώνων του κρυφού επιπέδου σε 10. Στη τρίτη περίπτωση, έγινε τροποποίηση στα δεδομένα εκπαίδευσης του νευρωνικού δικτύου ΤΝΔ_distance δίνοντας μεγαλύτερη βαρύτητα κατά την εκπαίδευση στα δείγματα με αυξημένη περιεκτικότητα. Τα αποτελέσματα που προέκυψαν συγκρίθηκαν χρησιμοποιώντας ως κριτήριο τον συντελεστή R (συσχέτιση υπολογισμένων και πραγματικών τιμών) και το μέσο τετραγωνικό σφάλμα της εκτίμησης (MSE). Οι τιμές του R και MSE έδειξαν ότι το ΤΝΔ_distance και το ΤΝΔ_xyz επιτυγχάνουν παραπλήσιας ακρίβειας προβλέψεις, που είναι ανώτερες εκείνων που επιτυγχάνει το απλό ΤΝΔ που δεν χρησιμοποιεί γειτονικά δείγματα. Η εκπαίδευση του ΤΝΔ_distance με το τροποποιημένο σύνολο δεδομένων πέτυχε καλύτερα αποτελέσματα αφού μειώθηκε σημαντικά το σφάλμα εκτίμησης σε περιοχές με υψηλή περιεκτικότητα. Τέλος η σύγκριση των αποθεμάτων που εκτιμήθηκαν από το ΤΝΔ_distance και με τη μέθοδο Kriging έδειξε ότι δεν υπάρχει σημαντική διαφορά.
