تحلیل داده‌های ژئوشیمیایی همیشه یکی از پیچیده‌ترین و پرخطاترین مراحل اکتشاف معدن بوده است. داده‌های ژئوشیمی، به دلیل تفاوت گسترده در مقیاس‌ها، وجود نویز، مقادیر پرت و اثر لیتولوژی، با روش‌های سنتی به‌سختی قابل تفسیر هستند. در پروژه‌های امروزی که هر تصمیم می‌تواند هزینه‌های سنگین مالی ایجاد کند، نیاز به رویکردی نو برای کشف الگوهای پنهان در داده‌ها حیاتی است. این پروژه با هدف استفاده از یادگیری ماشین بدون نظارت طراحی شد تا مدل بتواند بدون برچسب انسانی، ساختار طبیعی داده‌ها را یاد بگیرد و آنومالی‌های ژئوشیمیایی را با دقت بالا تشخیص دهد.
مسیر حل مسئله با پاک‌سازی کامل داده‌ها آغاز شد؛ مقادیر غیرواقعی اصلاح شدند، ستون‌های خالی حذف شد و عناصر مختلف نرمال‌سازی شدند تا هم‌پایه شوند. سپس داده‌ها بر اساس ماهیت زمین‌شیمیایی به دو گروه عناصر اصلی و عناصر ردیابی تقسیم شدند و برای هر گروه از روش‌های مقیاس‌گذاری متفاوت استفاده شد. چندین الگوریتم unsupervised مورد آزمایش قرار گرفت و در نهایت Autoencoder بهترین عملکرد را ارائه داد. این مدل با یادگیری رفتار داده‌های پس‌زمینه، توانست آنومالی‌ها را با نسبت خطای بازسازی ۲.۷۵ برابری شناسایی کند. پایداری مدل نیز با عدد ۰.۹۸ تأیید شد.
نتایج نشان داد که استفاده از هوش مصنوعی در نه‌تنها سرعت تحلیل را از چند هفته به چند روز کاهش می‌دهد. بلکه توانایی مدل در اولویت‌بندی نقاط آنومالی می‌تواند هزینه‌های حفاری را به شکل قابل توجهی کاهش دهد. از نظر علمی نیز این پروژه ثابت کرد که تحلیل داده‌های ژئوشیمیایی خام به‌وسیله یادگیری ماشین بدون نظارت، می‌تواند بینش‌های دقیق، تکرارپذیر و قابل تفسیر ارائه دهد.
این روش مسیر تازه‌ای برای اکتشاف معدنی باز می‌کند؛ جایی که مدل‌ها نه‌فقط ابزار کمکی، بلکه تصمیم‌یار واقعی در فرآیند کشف منابع می‌شوند.
برای دریافت متن کامل این مقاله کلیک کنید!