TY - JOUR ID - 2095 TI - بررسی عملکرد زنجیره مارکوف تعمیم‌یافته در شبیه‌سازی متغیرهای گسسته در یک مطالعه موردی JO - روش های تحلیلی و عددی در مهندسی معدن JA - ANM LA - fa SN - 2251-6565 AU - محمودی, میترا AU - رنجینه خجسته, عنایت اله AU - شرقی, یوسف AD - دانشکده معدن، دانشگاه صنعتی سهند تبریز، آذربایجان شرقی، ایران Y1 - 2021 PY - 2021 VL - 11 IS - 28 SP - 37 EP - 50 KW - زمین‌آمار KW - متغیر گسسته KW - شبیه‌سازی شاخص پی‌درپی KW - زنجیره مارکوف جفت‌شده تعمیم‌یافته (GCMC) KW - احتمالات گذار DO - 10.22034/anm.2021.2095 N2 - مدل‌سازی ناهمگونی رخساره‌های زمین‌شناسی نقشی مهم در شناسایی موقعیت قرارگیری رخساره‌ها ایفا می‌کند. استفاده از روش‌های تخمین و شبیه‌سازی زمین‌آماری مبتنی بر واریوگرام به دلیل دقت بالا و لحاظ کردن عدم قطعیت مدل‌ها، امروزه کاربردهای مؤثر و چشمگیری در مدل‌سازی نهشته‌های معدنی داشته‌اند. با توجه به خطی بودن تخمینگرهای مرسوم زمین‌آماری، مدل‌سازی فضایی ویژگی‌های رخساره‌ها با کاستی‌هایی همراه است. الگوریتم شبیه­سازی شاخص پی‌درپی (SIS) روشی محبوب و پرکاربرد در حیطه مدل‌سازی رخساره­ها است که بر پایه­ی آنالیز ساختاری متغیر شاخص و مبتنی بر برآورد تابع توزیع احتمال محلی با کمک کریجینگ شاخص اجرا می­شود. این روش نیز زمانی که حجم داده‌های اولیه پایین است عملکرد مناسبی از خود نشان نمی‌دهد. روش زنجیره مارکوف تعمیم‌یافته (GCMC) یکی از مناسب‌ترین روش‌های زنجیره مارکوف در شبیه‌سازی متغیرهای گسسته در نهشته‌های رسوبی است. این روش برای شبیه‌سازی از روابط بین کلاسی و احتمالات گذار استفاده می‌کند. در این تحقیق از سه روش تخمین کریجینگ شاخص، روش‌های شبیه‌سازی SIS و GCMC در مدل‌سازی واحدهای کربناته یک مقطع انتخابی از نهشته آهک ارشتناب بستان‌آباد استفاده ‌شده است. در ادامه نتایج حاصل از هر سه روش باهم مقایسه شده و میزان بازتولید مقادیر نسبت حجمی و واریوگرام­ها مورد بحث قرار گرفت. درروش کریجینگ شاخص روند عمومی قرارگیری کلاس‌ها به‌خوبی تولید شده، اما هموارشدگی به‌صورت واضح در مقطع دیده می‌شود. در نتایج GCMC نحوه تولید الگوها نسبت به دو روش دیگر انطباق بهتری با واقعیت زمین‌شناسی منطقه دارد. این تحقیق نشان می‌دهد که روش SIS در تولید الگوها عملکرد ضعیف‌تری نسبت به GCMC داشته و الگوهای تولیدی متفاوت از وضعیت واقعی لایه‌بندی بوده و پراکندگی بیشتری از خود نشان می‌دهند. با توجه به نتایج منطقی و پیاده‌سازی آسان، روش GCMC ابزاری مناسب جهت پیش‌بینی اولیه و مدل‌سازی کلاس‌ها در محیط‌های رسوبی است. UR - https://anm.yazd.ac.ir/article_2095.html L1 - https://anm.yazd.ac.ir/article_2095_fdc0337f6696c59b383752b830f9c7c3.pdf ER -