سیستم پیشنهاد دهنده برای شناسایی مکان مناسب برای اکتشاف معدن با استفاده از تجزیه مقدار تکین

نوع مقاله: مقاله پژوهشی

نویسندگان

دانشکده علوم ریاضی، دانشگاه یزد

10.29252/anm.2019.7749.1265

چکیده

اکتشاف معادن شامل چهار مرحله پی جویی، اکتشاف مقدماتی، اکتشاف تفضیلی و اکتشاف تکمیلی (یا حین استخراج) است. در مرحله پی‌جویی بعد از بررسی اطلاعات موجود محدوده اکتشافی و برداشت‌های اولیه بر اساس یک بررسی فنی و اقتصادی سرانگشتی، امکان‌سنجی ورود به مرحله اکتشاف مقدماتی صورت می‌گیرد. برای شروع مرحله پی‌جویی در مورد کانسار معدنی باید ابتدا ظرفیت کلی منطقه برای تشکیل مقدار قابل توجه ماده معدنی که دارای ارزش اقتصادی است، مشخص شود. به صورت معمول این ظرفیت یابی بر اساس دانش و تجربه‌ بالای زمین‌شناسان و مهندسین معدن صورت می‌گیرد، لذا این مرحله از اکتشاف مستلزم صرف هزینه‌هایی با ریسک بالاست و روش‌هایی که بتواند هزینه را کاهش داده و یا از عدم قطعیت‌های موجود بکاهد، مورد توجه هستند. از طرفی مجموعه‌ای از داده­های مرتبط با منطقه مورد مطالعه و مناطق اطراف با پراکندگی بالا موجود است که تحلیل آنها، می‌تواند هدف اشاره شده را برآورده نماید. با استفاده از روش‌های داده‌کاوی ریاضی مانند روش‌های مختلف خوشه‌بندی، می‌توان محدوده‌های دارای ماده معدنی مشخص را بر اساس شرایط زمین‌شناسی مشابه در مناطق مختلف دسته‌بندی کرد. تجزیه مقدار تکین یکی از ابزارهای پر استفاده در ریاضیات است و کاربرد آن بیشتر در مسائل خوشه‌بندی و سیستم‌های پیشنهاد‌دهنده است. در این مقاله با استفاده از تجزیه مقدار تکین و اطلاعات معادن فلزی استخراج شده از پایگاه داده‌ معادن ایران، استان‌ها خوشه‌بندی شده‌اند. استان‌هایی که در یک خوشه قرار می‌گیرند دارای بخش‌هایی با شرایط زمین‌شناسی مشابه‌اند و می‌توان انتظار داشت که اگر کانساری در یک استان وجود دارد، در استان‌های هم خوشه آن نیز امکان شناسایی آن کانسار وجود داشته باشد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

The Recommender System for Identifying a Suitable Area for Exploration of Mines by Using Singular Value Decomposition (SVD)

نویسندگان [English]

  • Seyed Abolfazl Shahzadeh Fazeli
  • Azam Sadeghian
Dept. of Mathematical Sciences, Yazd University, Iran
چکیده [English]

Summary
In this paper, by using the mines information of Iran provinces and singular value decomposition, the provinces of Iran are clustered. By using these information clusters, a recommender system is developed to help geologists and mining engineers.
 
Introduction
Mining exploration consists of prospecting, early exploration, detailed and complementary stages (even extraction process). Prospecting stage begins with gathering and studying the information of mining area and preliminary sampling. Based on thumbnail technical and economic review, the feasibility of entering the preliminary stage of exploration is realized. At the start of prospecting stage, the total capacity of the area for production of significant and economic mineral deposits must be identified. Usually detection of valuable deposits is performed according to knowledge and experience of geologists and mining engineers. Therefore, the stage of exploration involves high cost and risk. Thus, the methods that can reduce costs and uncertainties are considered. On the other hand, there is a collection of data related to the studied area and its surrounding with high dispersion that their analysis may help researchers reaching the mentioned goal. By using mathematical methods in data mining such as clustering data, the mines with specific deposits according to similar geological conditions could be classified.
 
MethodologyandApproaches
Singular value decomposition is one of the most powerful tools in mathematics. This method is widely used in clustering problems and recommender systems. In this paper, at the first stage, the provinces of Iran are clustered by using singular value decomposition and metal mines data which are extracted from the mines database. The provinces in the same clusters are similar in geological conditions. Finally, for exploration of a specific mineral deposit, the cluster province with higher number of the same mineral deposit are allocated top priority.
 
ResultsandConclusions
The results show that by using singular value decomposition and the mines information of Iran provinces, the provinces can be clustered.  Moreover, the provinces in the same clusters, are similar in geological conditions. It is expected that, if a mineral deposit was discovered in a province, it would be found in another province in the same cluster too.

کلیدواژه‌ها [English]

  • Mining exploration
  • Singular value decomposition
  • Clustering
  • Recommender system

در مرحله پی‌جویی اکتشاف معادن، کسب اطلاعات مقدماتی موقعیت جغرافیایی معدن، زمین‌شناسی، میزان تقریبی ذخیره، نحوه استخراج، حدود هزینه‌ها و درآمدها و شرایط بازار محصول و مواردی از این قبیل‌ ما را به یک توجیه فنی و اقتصادی سرانگشتی می‌رساند. بنابراین در مرحله پیجویی برای یافتن ماده معدنی مورد نظر، ابتدا باید بررسی کرد که محتمل‌ترین مکان برای تمرکز ماده مورد نظر کجاست و آنگاه در این محدوده، به جستجو پرداخت. به بیان دیگر، ابتدا باید ناحیه‌هایی را که احتمال وجود ماده معدنی در آنجا هست را مشخص ساخت]1[. مرحله اکتشاف مقدماتی و تفضیلی شامل نمونه‌برداری از منطقه و یافتن محلی است که در آن اجتماع ماده معدنی بیشتر است. به عبارت دیگر اگر هدف پی‌جویی تعیین محل ناهنجاری‌های مربوط به کانسار باشد، هدف اکتشاف تعیین حدود و ارزیابی آنها است. از آنجا که امروزه اغلب کانسارها در سطح زمین و در معرض دید نیستند، روش‌های جستجوی مستقیم باید با روش‌های غیر مستقیم تکمیل شوند]2[.

با توجه به اینکه امروزه ابزارهای ریاضی در بیشتر زمینه‌های علمی از جمله علوم طبیعی، مهندسی، پزشکی و علوم اجتماعی کاربرد دارند، می‌توان از این ابزار در مراحل مختلف اکتشاف کانسارها نیز استفاده کرد. در این مقاله از تجزیه مقدار تکین که یکی از ابزارهای قدرتمند در ریاضیات است در مرحله پی‌جویی برای انتخاب یک مکان مناسب برای اکتشاف معدن، استفاده شده است. با استفاده از تجزیه مقدار تکین، اطلاعات موجود خوشه‌بندی می‌شوند. در این کاربرد استان‌ها بر اساس معادن اکتشاف شده در آنها به خوشه‌هایی تقسیم می‌شوند که در هر خوشه استان‌هایی با معادن مشابه قرار می‌گیرند. نتایج نشان می‌دهند که استان‌های هم خوشه از لحاظ زمین‌شناسی نیز به هم نزدیک هستند و از این اطلاعات می‌توان مکان مناسب برای کشف یک معدن جدید را پیش‌بینی نمود.

[1] Madani, S.H.  (2011) Mineral Exploration, Publishing Company of textbooks (In Persian).
[2] Moon, C. J., Whateley, K.G. (2006) Introduction to Mineral Exploration BLACKWELL PUBLISHING.
[3] Zhou, X.  (2015) SVD-based incremental approaches for recommender systems. Computer and System Sciences, 717-733.
[4] Rokach, L. Maimon, O. (2005) Data Mining and Knowledge Discovery Handbook chapter: Clustering Methods, Springer US, 321-352.
[5] Datta, B. (2010) Numerical linear algebra and Applications. SIAM.
[6] Golub, G. H., Van Loan, C. F. (1996) Matrix computations, Hopkins University Press.
[7] Schaeffer, S. E, (2007) Survey: Graph clustering, Computer Science Review 1, 27-64.
[8] http://www.ngdir.ir.