Έμβλημα Πολυτεχνείου Κρήτης
Το Πολυτεχνείο Κρήτης στο Facebook  Το Πολυτεχνείο Κρήτης στο Instagram  Το Πολυτεχνείο Κρήτης στο Twitter  Το Πολυτεχνείο Κρήτης στο YouTube   Το Πολυτεχνείο Κρήτης στο Linkedin

Νέα / Ανακοινώσεις / Συζητήσεις

Παρουσίαση Διπλωματικής Εργασίας κ. Αντωνίας Ρογδάκη, Σχολή ΜΗΧΟΠ

  • Συντάχθηκε 08-01-2024 09:09 Πληροφορίες σύνταξης

    Ενημερώθηκε: 08-01-2024 09:21

    Τόπος: Εξ αποστάσεως-Με Τηλεδιάσκεψη
    Σύνδεσμος τηλεδιάσκεψης
    Έναρξη: 09/01/2024 13:15
    Λήξη: 09/01/2024 14:15

     

    Τίτλος: Χρήση προσαρμοζόμενων νευροασαφών συστημάτων (ANFIS) για την εκτίμηση αποθεμάτων και ποιότητας κοιτασμάτων.

     

    Τριμελής Εξεταστική Επιτροπή:

    1. Γαλετάκης Μιχαήλ, Καθηγητής (Επιβλέπων)

    2. Κομνίτσας Κωνσταντίνος, Καθηγητής

    3. Δρ. Γ. Σαράτσης, ΕΔΙΠ

     

    Περίληψη:

    Η εκτίμηση αποθεμάτων και ποιότητας κοιτασμάτων βασίζεται στη μοντελοποίηση της χωρικής διακύμανσης των γεωμετρικών και ποιοτικών χαρακτηριστικών τους, στην περιοχή έρευνας. Οι υφιστάμενες τεχνικές  βασίζονται,  είτε στη γεωμετρική συλλογιστική, είτε στις στατιστικές τεχνικές, και γενικά υποθέτουν ότι η χωρική κατανομή των χαρακτηριστικών του μεταλλεύματος είναι συνάρτηση της απόστασης. Ωστόσο, τα χαρακτηριστικά των κοιτασμάτων επηρεάζονται από παράγοντες, που σχετίζονται με τις πολύπλοκες γεωλογικές διεργασίες γένεσής τους και τα μοντέλα υπολογισμού τους θεωρούνται πολύπλοκα  μη γραμμικά συστήματα. Οι εξελίξεις στον τομέα της τεχνητής νοημοσύνης και συγκεκριμένα, στα νευρωνικά δίκτυα και την ασαφή λογική, παρέχουν μια νέα προσέγγιση για την επίλυση τέτοιων προβλημάτων. Η παρούσα διπλωματική εργασία, μελετά τη δυνατότητα εκτίμησης αποθεμάτων και ποιότητας κοιτασμάτων με χρήση προσαρμοζόμενων νευροασαφών συστημάτων (Adaptive Neuro-Fuzzy Inference Systems ή ANFIS), καθώς και τη σύγκρισή τους με τα νευρωνικά δίκτυα (NN) και τη μέθοδο Kriging. Η ανάπτυξη και εφαρμογή των NNs και ANFIS για την εκτίμηση των αποθεμάτων, βασίστηκε στα δεδομένα της έρευνας με γεωτρήσεις για ένα κοίτασμα χαλκού. Τα αρχικά δεδομένα των γεωτρήσεων (πυρήνες) μετατράπηκαν σε σύνθετα ενοποιημένα δείγματα ίσου μήκους. Τα δεδομένα αυτά χωρίστηκαν σε υποσύνολα που χρησιμοποιήθηκαν για την εκπαίδευση, και έλεγχο των NNs και ANFIS,  ενώ χρησιμοποιήθηκε η τεχνική της έγκαιρης διακοπής της εκπαίδευσης (early stopping) για την αποφυγή της υπερεκπαίδευσης (overtraining). Ο τύπος του νευρωνικού δικτύου που χρησιμοποιήθηκε ήταν ένα πλήρως διασυνδεμένο εμπρόσθιας τροφοδότησης με οπισθοδιάδοση του σφάλματος (feedforward with backpropagation), ενώ ο τύπος του νευροασαφούς συστήματος που επιλέχθηκε ήταν Sugeno 1ης τάξης.

    Τόσο στο NNs όσο και στα ANFIS που αναπτύχθηκαν, ως είσοδοι χρησιμοποιήθηκαν οι συντεταγμένες (Χ,Υ,Ζ) κάθε δείγματος και ως έξοδος η περιεκτικότητά του σε Cu. Τα αποτελέσματα που προέκυψαν (συνολικά αποθέματα, μέση ποιότητα, οι καμπύλες αποθεμάτων – περιεκτικότητας αλλά και οι χάρτες ισοπεριεκτικοτήτων χαλκού) συγκρίθηκαν με εκείνα που υπολογίστηκαν με τη χρήση της γεωστατιστικής μεθόδου Kriging. Από τη σύγκριση των αποτελεσμάτων προέκυψε ότι τόσο τα ANFIS όσο και τα νευρωνικά δίκτυα έχουν παρόμοια απόδοση και καλή συσχέτιση με τα αποτελέσματα της μεθόδου Kriging. Συνεπώς, φαίνεται ότι τα ANFIS και τα NNs μπορούν να αποτελέσουν ένα σύγχρονο αξιόπιστο εργαλείο για την εκτίμηση αποθεμάτων κοιτασμάτων.

     

     

     


© Πολυτεχνείο Κρήτης 2012