کاربرد شبکه های عصبی مصنوعی در مهندسی معدن

[XMEHRDADX 7,514]

چكيده

 

امروزه استفاده از شبكه‌هاي عصبي مصنوعي در رشته‌هاي مهندسي در حال افزايش است به‌طوري كه براي يك مهندس نحوه استفاده و عملكرد آن ضروري است. در اين مقاله ابتدا به توضيح مختصري درباره شبكه‌هاي عصبي مصنوعي مي‌پردازد و در نهايت به برخي از كاربردهاي آن در مهندسي معدن اشاره مي‌كنيم. شبكه‌هاي عصبي براي حل مسائلي به‌كار مي‌روند كه فرمول حل آنها ناشناخته است و مدل علت و معلولي يا براي آنها وجود ندارد و يا ابهام قابل ملاحظه‌اي در آن ديده مي‌شود، علت نبود روابط رياضي لازم براي تشريح چنين مسائلي اين است كه حتي خود مسئله به‌طور كامل و بدون ابهام شناخته شده است. در مهندسي معدن از شبكه‌هاي عصبي در زمينه‌هاي مختلفي از قبيل اكتشاف، تخمين ذخيره، مكانيك سنگ و كنترل فرآيند در كارخانه‌هاي فرآوري استفاده شده است، شبكه عصبي در مهندسي نفت هم چند كاربرد مخصوص هم دارد. كلمات كليدي: شبكه‌هاي عصبي مصنوعي، نرون، معدن، اكتشاف، مكانيك سنگ، فرآوري مواد معدني و دورسنجي.

 

 

مقدمه

 

فرض كنيد شما به عنوان يك مهندس معدن بر روي ميزان نفوذپذيري سنگ‌هاي مخزن سد آبي كار مي‌كنيد. تصور كنيد كه اطلاعاتي از قبيل تخلخل، جنس دانه‌ها، سيال پركننده حفرات، محيط رسوبي و فشار منفذي را در مورد چند نمونه سنگ كه توسط مغزه‌گيري به‌دست آمده داريد و نيز ميزان نفوذپذيري اين چند نمونه را هم با استفاده از روش‌هاي آزمايشگاهي مكانيك سنگ و معيارهاي مختلف در دسترس، محاسبه كرده‌ايد ولي هيچ‌گونه اطلاعي در مورد نحوه تاثير اين پارامترها بر ميزان نفوذپذيري سنگ‌ها نداريم پس ما اين اطلاعات و ميزان نفوذپذيري را به يك برنامه كامپيوتري مي‌دهيم حال كار اين برنامه تجزيه و تحليل‌هاي مشكلي است كه در نهايت منجر به يك مدل رياضي مي‌شود كه ما مي‌توانيم اطلاعات مربوط به يك سنگ جديد را به برنامه داده و برنامه به راحتي ميزان نفوذپذيري آن را به ما تحويل دهد، اين روند اساس كار شبكه‌هاي عصبي مصنوعي است.

 

شبكه‌هاي عصبي مصنوعي در واقع از ساختارهاي بسيار پيچيده مغز انسان الهام گرفته شده است كه در آن ميليون‌ها سلول عصبي از طريق ارتباطي كه با هم دارند به حل مسائل يا ذخيره‌سازي اطلاعات مي‌پردازند. وظيفه شبكه عصبي يادگيري است. در واقع شبكه عصبي همانند كودك خردسالي است كه در ابتدا هيچ چيز نمي‌داند. در اين فرآيند ابتدا از طريق آموزش يا همان مرحله كسب تجربه كه به كمك يك‌سري داده‌هاي ورودي و خروجي مطلوب انجام مي‌پذيرد، اجرا مي‌شود به اين صورت كه مجموعه‌اي از ورودي‌ها و خروجي‌هاي درست به شبكه داده مي‌شود و شبكه عصبي با استفاده از اين ورودي‌ها (مثال‌ها) مول رياضي پيچيده‌اي مي‌سازد كه در صورت دادن ورودي‌هاي جديد، پاسخ درستي را توليد كند.

 

 

 

ساختار شبكه عصبي

 

همان‌طوري كه ذكر شد شبكه‌هاي عصبي مصنوعي از يك‌سري واحدهاي ساختماني اوليه تشكيل مي‌شوند كه با هم تركيب شده و پس از انجام عمليات پردازش، يك خروجي را به‌دست مي‌دهند. اين واحدهاي اوليه به هم متصل هستند به‌طوري كه خروجي هر واحد به‌عنوان ورودي واحدهاي ديگر مورد استفاده قرار مي‌گيرد.

 

 

 

قواعد يادگيري شبكه‌هاي عصبي مصنوعي

 

در حال حاضر تعداد بسيار زيادي قاعده يادگيري براي شبكه‌هاي عصبي وجود دارد. هيچ‌كس دقيقا تعداد آنها را نمي‌داند طبقه‌بندي‌هاي مختلفي براي شبكه‌هاي عصبي وجود دارد اول بايد بدانيم كه زماني به پروانه يادگيري نياز است كه اطلاعات كامل در مورد اهداف موجود نباشد، جايي كه مي‌دانيم به علت عدم قطعيت در شرايط محيطي، سيستمي كه داراي خواص يا پارامترهاي ثابت باشد به‌طور كامل عمل كند رفتار سيستم‌هاي يادگيري توسط الگوريتم‌هاي بازگشتي بيان مي‌شود به همين خاطر در اين الگوريتم‌ها كه قوانين يادگيري اطلاق مي‌شود و عموما توسط معادلات ديفرانسيلي بيان مي‌شود به پروسه يادگيري نياز است چون اطلاعات ارتباط ورودي و خروجي كاملا مشخص نيستند. مي‌دانيم كه تجربه‌ها در مسير زمان حاصل مي‌شوند به عبارت ديگر هيچ‌كس آينده خود را تجربه نكرده است ميزان يادگيري ما به درجه كامل بودن اطلاعات قبلي ما بستگي دارد در حالت كلي دو نوع يادگيري موجود است تحت نظارت و بدون نظارت.

 

در يادگيري نظارتي به شبكه آموخته مي‌شود كه بين داده‌هاي آموزشي و خروجي‌هاي مربوط ارتباط برقرار كند در واقع يك معلم وجود دارد كه در مرحله يادگيري به شبكه مي‌گويد چقدر خوب كار مي‌كند (تقويت يادگيري) يا مي‌گويد رفتار صحيح چه بايد باشد (يادگيري كاملا نظارتي). در يادگيري بدون نظارت شبكه خودكار عمل مي‌كند. شبكه در اين حالت فقط به داده‌هايي كه به آن داده مي‌شود، نگاه مي‌كند، سپس بعضي از ويژگي‌هاي مجموعه داده‌ها را پيدا كرده و ياد مي‌گيرد كه اين ويژگي‌ها را در خروجي خود منعكس كند اينكه اين خصوصيات دقيقا چه هستند، به مدل خاص شبكه و روش يادگيري بستگي دارد. نوع ديگر طبقه‌بندي براساس توپولوژي سلول به يكديگر در داخل شبكه است كه به دو دسته تقسيم مي‌شوند شبكه‌هاي با تغذيه پيشرو و شبكه‌هاي با تغذيه برگشتي. در شبكه پيشرو اطلاعات ورودي (Input) را وارد كرده و به لايه‌ مياني (Hidden) و در نهايت به لايه خروجي (output) مي‌رود كه جواب ما در آنجا مشاهده مي‌شود كه در اين نوع توپولوژي لايه‌ها عينا به هم متصل هستند و حتما بايد يك پل ارتباطي بين آنها وجود داشته باشد و پرسشي نداريم و هميشه جهت اطلاعات از ورودي به خروجي است در حالي كه در شبكه برگشتي جهت جريان به‌صورت يك طرفه نيست بلكه چرخشي است كه اكثر شبكه‌هاي عصبي امروز مورد استفاده از نوع اول يعني تغذيه پيشرو است.

 

 

 

معرفي روش پس انتشار

 

رايج‌ترين تكنيك آموزش نظارتي، الگوريتم پس انتظار خطا است. يادگيري اين الگوريتم بر پايه قانون تصحيح خطا بنا شده است كه مي‌توان آن را تعميم الگوريتم مرسوم به حداقل ميانگين مربعات دانست. يادگيري از طريق اين روش (پس انتشار) دو مرحله دارد: مرحله پيشروي و مرحله بازگشت. در مرحله پيشروي ورودي‌ها به صورت لايه به لايه در شبكه پيش مي‌رود و در پايان يك‌سري خروجي به‌عنوان جواب حقيقي شبكه به‌دست مي‌آيد، در اين مرحله توازن اتصال ثابت است. در مرحله بازگشت، اوزان اتصال بر اساس قانون تصحيح خطا، تغيير مي‌كند. تفاضل پاسخ حقيقي شبكه و پاسخ مورد انتظار كه خطا ناميده مي‌شود در جهت مخالف اتصالات در شبكه منتشر مي‌شود و اوزان به‌گونه‌اي تغيير مي‌يابد كه پاسخ حقيقي شبكه به پاسخ مطلوب نزديكتر شود.

 

مراحل الگوريتم پس انتشار را مي‌توان به صورت زير بيان كرد:

 

شبكه يك مثال آموزشي را دريافت مي‌كند و با استفاده از اوزان موجود در شبكه كه در ابتدا به‌صورت تصادفي مقداردهي مي‌شود، خروجي‌ها را محاسبه مي‌كند.

 

خطا يعني اختلاف بين نتيجه محاسبه شده (خروجي) و مقدار مورد انتظار محاسبه مي‌شود.

 

خطا درون شبكه منتشر مي‌شود و اوزان براي حداقل كردن خطا از نو تنظيم مي‌شوند.

 

مهمترين بخش تنظيم اوزان است كه پس از محاسبه خطاي پيشگويي براي نمونه اول ورودي به سيستم، وزن‌ها از آخرين لايه به سوي نخستين لايه به تدريج طوري تغيير مي‌كنند كه خطاي پيشگويي كمتر مي‌شود. در واقع BP سرشكن كردن خطا بر روي سلول‌هاي (گره‌هاي) يك لايه و نيز لايه بعدي است پس از اين اطلاعات نمونه دوم به شبكه خوانده مي‌شود مسلما با همان وزن‌ها نمونه جديد مجددا خطا خواهد داشت. بنابراين روش توزيع معكوس مجددا دست به كار شده و وزن‌ها را طوري تغيير مي‌دهد كه كمترين خطا را (هم براي اين نمونه و هم براي نمونه قبلي) ايجاد كند به اين ترتيب پس از خواندن تعداد نمونه كافي به ورودي شبكه، اصطلاحا شبكه Converge يا همگرا شده يعني ميزان خطا به حداقل تعداد خود مي‌رسد. اين به معناي موفقيت در مرحله يادگيري است و شبكه آماده است تا براي مرحله پيشگويي به‌كار ‌رود.

 

توجه به اين نكته اهميت دارد كه اگر تعداد نرون‌ها و لايه پنهان مورد استفاده، بيش از حد معمول باشد، سيستم به جاي تجزيه و تحليل داده‌ها آنها را حفظ مي‌كند و اصطلاحا دچار over Training (over Fitting Oscillation) مي‌شود. در اين حالت مدل به‌دست آمده قادر خواهد بود كه داده‌هاي مشابهي را كه در مرحله يادگيري مورد استفاده قرار گرفته را دقيقا پيش‌بيني كند. اما اگر داده‌هاي جديدي كه در مرحله آموزش از آنها استفاده شده، به‌كار گرفته شود، سيستم عملكرد بسيار بدي را خواهد داشت و خطاي پيش‌بيني زياد خواهد شد. به‌منظور جلوگيري از اين پديده از روش اعتبارسنجي متقاطع استفاده مي‌شود در اين تكنيك مجموعه داده‌هاي اوليه به سه دسته آموزش، تست و اعتبار تقسيم‌بندي مي‌شوند اعتبار شبكه همزمان با آموزش در هر دور سنجيده مي‌شود و درست وقتي كه خطا روي داده‌هاي اعتبار شروع به بالا رفتن مي‌كند، آموزش شبكه قطع مي‌شود.

 

 

 

تفاوت روش محاسباتي متداول با روش محاسباتي شبكه‌هاي عصبي

 

در روش‌هاي معمولي، گام‌هاي محاسباتي از پيش تعيين شده و داراي توالي منطقي هستند، در مقايسه ANN‌ها نه توالي دارند و نه الزاما از پيش تعيين شده هستند در اين حالت پردازشگرهاي پيچيده مركزي وجود ندارند، بلكه تعداد زيادي پردازشگر ساده وجود دارد كه كاري جز گرفتن جمع وزني ورودي‌هايشان از ديگر پردازشگرها ندارند. مدل‌سازي كلاسيك از نخستين قدم خطاي بزرگي را مرتكب مي‌شود كه فقط در سيستم‌هاي ساده (خطي يا نزديك به خطي) قابل صرف‌نظر است. نخستين قدم در روش كلاسيك براي بررسي داده‌ها، بررسي شاخص‌هايي مثل ميانگين، انحراف معيار و... است. از اين مرحله به بعد در روش كلاسيك، كاري با تك‌تك نمونه‌ها نداريم و اهميت فردي آنها از بين مي‌رود. در واقع روش كلاسيك با عملي شبيه همگن كردن داده‌ها، پيچيدگي‌ روابط آنها را محو مي‌كند و به اين دليل از كشف اين پيچيدگي‌ها باز مي‌ماند. به اين دليل ترتيب سيستم كلاسيك در استخراج معني از داده‌هاي ضعيف و با بازده پايين عمل مي‌كند و در بسياري از موارد از كشف روابط بين داده‌ها ناكام مي‌ماند. اگر مي‌توانستيم سيستمي داشته باشيم كه با اهميت دادن به فردفرد داده‌ها آنها را تجزيه و تحليل كند و نيز بدون پيش‌داوري در مورد شكل تابع هر پارامتر (خطي يا غيرخطي بدون تابع) آن را ذخيره و ارزيابي كند، چنين سيستمي مي‌توانست نتايج بيشتري را از عمق داده‌ها بيرون بكشد. شبكه‌هاي عصبي مصنوعي اين قابليت را دارند و به همين خاطر بسيار مورد توجه قرار گرفته‌اند.

[XMEHRDADX 7,514]

كاربرد شبكه‌هاي عصبي مصنوعي در مهندسي معدن

 

1. كاربرد شبكه عصبي در اكتشاف ذخاير كانسارها

 

اكتشاف ذخاير معدني به دليل وجود خطا در داده‌ها، الگوهاي پنهان و خواص غيرخطي داده‌ها كار مشكلي است اما اين شرايط براي كاربرد شبكه عصبي مناسب است. در اين روش مثلا هدف ما كشف يك كانسار در منطقه‌اي خاص كه جمع‌آوري داده‌ها از آن مشكل مي‌باشد، است. مثلا براي يك منطقه فرضي 100 شماره زده‌ايم و همان‌طور كه قبلا شرح داده شده نتايج به‌دست آمده براي ورودي شبكه بايد از چند نوع خاص كاني‌ها استفاده شود و علت انتخاب هم بايد براساس حضور گسترده آن در ذخيره مورد نظر باشد و آموزش شبكه نيز مي‌تواند براي شما اجرا شود و هر چه اين گمانه‌ها از مناطق بهتري انتخاب شوند آموزش دقيق‌تر است. حال شبكه با اين اعمال نقشه كانتوري فاصله تا كانسار را پيش‌بيني مي‌كند البته بسياري معتقدند كه كاربر شبكه‌هاي عصبي در اكتشاف معدن، وقتي مفيد خواهد بود كه مقدار زيادي داده در دسترس باشد.

 

 

2. كاربرد شبكه عصبي در شبيه‌سازي زمين آماري

 

روش‌هاي بيش‌شماري زمين آماري دو دسته‌اند: الگوريتمي و غيرالگوريتمي. تقريبا روش‌هايي كه تا به امروز ارائه شده‌اند الگوريتمي بوده‌اند به اين معني كه شامل مجموعه دستورالعمل‌هاي خاصي براي ايجاد يك مجموعه مقادير بي‌شماري كه با معيارهاي معين تقريبا مطابقت داشته باشند، هستند. به اين روش انتقادهاي زيادي وارد است يكي از اين انتقادها برازش مدل به واريوگرام تجربي بازمي‌گردد كه شامل فرضيات غيرقابل‌توجهي است.

 

در اكثر موارد داده‌هاي كمي وجود دارند كه مي‌توانند دلالت بر مدل واريوگرام قابل اعتماد داشته باشند. مدل واريوگرام فرض شده، با تمام خطاهاي ذاتي آن در شبيه‌سازي استفاده مي‌شود از طرفي اين مدل به عنوان معيار ارزيابي شبيه‌سازي به‌كار مي‌رود.

 

شبيه‌سازي اينلينگ مثالي است از يك رهيافت غيرالگوريتمي ولي به مدل واريوگرام نياز دارد. در شبيه‌سازي شرطي شبكه‌هاي عصبي با دو رهيافت غيرالگوريتيمي به‌كار مي‌روند.

 

در اولين رهيافت شبكه‌هاي عصبي به‌عنوان مكمل تكنيك‌هاي موجود مانند شبيه‌سازي اينلينگ عمل مي‌كند. در رهيافت دوم با استفاده از قابليت تشخيص الگو شبكه مي‌تواند ساختار فضايي را به‌طور اتوماتيك شناخته و آن را مجددا توليد كند.

 

اين روش هيچ‌گونه نيازي به برازش مدل يا واريوگرام به داده‌هاي شرطي ندارد. اين رهيافت در واقع به شبيه‌سازي مستقيم مي‌پردازد و مراحل مياني برازش مدل را ندارد. شبكه عصبي مي‌تواند آموزش ببيند تا ارتباط ساختاري را از داده‌هاي شرطي شناخته و سپس مجموعه مقاديري با همان ساختار ايجاد كند.

[XMEHRDADX 7,514]

3. تعيين ذخيره با استفاده از تكنيك شبكه‌هاي عصبي

 

توزيع عيار ماده معدني به عوامل بسياري بستگي دارد تاثير بسياري از اين عوامل شناخته شده نيست و در مدل رياضي رايج در نظر گرفته نمي‌شود. بنابراين در هر مدل‌سازي براي توزيع عيار كانسار ساده‌سازي و فرضيايي در مورد تغييرات فضايي صورت مي‌گيرد. تقريبا در تمام روش‌هاي تخمين ذخيره فرض مي‌شود كه عيار تابعي از فاصله است. فاصله تنها عاملي است كه در نظر گرفته مي‌شود در حالي‌كه عوامل ديگري مانند ساختار زمين‌شناسي، محيط تشكيل، شكل ذخيره، تيپ كانسار و درجه كاني‌سازي نيز موثرند. جذابيت تكنيك عصبي به اين دليل است كه سيستم‌هايي پويا و غيرخطي در اختيار مي‌گذارند كه قابليت يادگيري دارند همچنين تخمين‌گرهايي بدون مدل هستند كه مي‌توانند به‌طور غيرخطي تخمين بزنند. اين تكنيك نياز به فرضياتي در مورد عوامل موثر در تغييرات فضايي عيار در اطراف يك گانه ندارد. نتايج حاكي از موفقيت شبكه عصبي در تخمين ذخيره است. اين تكنيك نيازي به مدل‌سازي رياضي پيچيده ندارد و تنها محاسبات ساده‌اي براي شناخت الگوي توزيع عيار در مرحله آموزش انجام مي‌دهد اين روش نه تنها ساده است بلكه قابل اعتماد هم هست و براي هر نوع توزيع عيار مي‌تواند به‌كار رود زيرا هيچ‌گونه فرضي در مورد توزيع عيار در نظر نمي‌گيرد. از هيچ وزن، شعاع تاثير فرضي يا برازش مدل به واريوگرام استفاده نمي‌كند و نيز هيچ‌گونه فرضياتي در مورد رابطه بين فاصله (دو بعدي يا سه بعدي) عيار ندارد.[4]

 

 

 

4. كاربرد شبكه‌هاي عصبي مصنوعي در ژئوفيزيك اكتشافي

الف. كسب اطلاعات سرعت صورت در لايه‌ها

نمودارهاي چاه اطلاعات مهمي از وضعيت مخازن به ما مي‌دهد اما اگر به هر دليلي اين اطلاعات ناقص باشند چه بايد كرد. در يكي از مطالعات انجام شده از چاه يك منطقه فقط 4 حلقه از آنها نمودار صوتي داشتند و براي مطالعات آناليز سرعت كه در عميات لرزه‌اي كاربرد دارد به اطلاعات صوتي بقيه چاه‌ها نياز بود براي حل اين مشكل از تكنيك شبكه‌هاي عصبي كمك گرفته شد به اين ترتيب كه داده‌هاي سرعت درون اين چهار چاه به داده‌هاي نمودار گاما و مقاومت آنها نسبت داده و سپس بقيه چاه‌ها كه همگي داراي اين نمودار بودند يك نمودار صوتي مصنوعي ساخته شد.

 

 

ب. توزيع خاص مختلف مخزن در مقاطع لرزه‌اي

 

يكي از علومي كه به ميزان زياد از شبكه‌هاي عصبي مصنوعي استفاده مي‌كند، علم ژئوفيزيك است بدين ترتيب كه با يافتن ارتباط ميان پارامترهاي لرزه‌اي و خصوصيات مخزني سعي در تشخيص نحوة گسترش خواص مخزني دارد زيرا تنها در محل چاه‌هاست كه داده‌هاي واقعي را مي‌توان كسب كرد و مابين چاه‌ها آنچه موجود است فقط اطلاعاتي است كه روي مقاطع لرزه‌اي قابل مشاهده است. براي مثال يكي از كاربردهاي آن تعيين مدل پيشگويي فشار جريان ته چاهي در جريان عمودي چند فازي است كه از جمله كاربردهاي شبكه‌هاي عصبي مصنوعي در مهندسي نفت است. [5]

 

 

 

5. كاربرد شبكه‌هاي عصبي در فرآوري مواد معدني

 

بهينه‌سازي، كنترل و ارزيابي عمليات‌ها و فرآيندهاي مختلف اغلب مستلزم در دست داشتن يك مدل دقيق، مناسب و همه‌جانبه است. براي ارائه چنين مدلي بايد كليه پارامترهاي موثر فرآيند شناسايي و تاثير همزمان اين عوامل بر خروجي سيستم و بر يكديگر به‌طور دقيق مشخص شود. در رويارويي با فرآيندهاي پيچيده‌اي كه داراي چندين ورودي و خروجي است، تعيين متغيرهاي اصلي سيستم و درك روابط حاكم بر آنها نياز به تحقيقات و مطالعات وسيع در خصوص رفتار ديناميكي فرآيند داشته و معمولا كاري وقت‌گير است.

 

امروزه چنين روشي جهت مدل‌سازي فرآيندهاي مختلف وجود دارد كه هر كدام مزايا و معايب خاص خود را دارا هستند. در چند سال اخير روش شبكه‌هاي عصبي مصنوعي به منظور مدل‌سازي و شبيه‌سازي فرآيندهاي مختلف مورد استفاده قرار گرفته‌اند كه نتايج قابل قبول و در بسياري موارد به مراتب دقيق‌تر از ساير روش‌هاي مدل‌سازي را در پي داشته‌اند. در اينجا به ذكر دو مثال در مورد كاربرد شبكه‌هاي عصبي مصنوعي در فرآوري مواد معدني بسنده مي‌كنيم:

 

 

الف. مدل‌سازي هيدروسيكلون توسط شبكه‌هاي عصبي مصنوعي

هيدروسيكلون وسيله‌اي است كه در صنعت فرآوري مواد معدني به‌منظور طبقه‌بندي موادي كه جدايش آنها توسط سرندها به‌طور موثر امكان‌پذير نيست مورد استفاده قرار مي‌گيرد. مواد به صورت پالپ و تحت فشار وارد هيدروسيلكون شده و به دو بخش دانه‌ريز (سرريز) و دانه درشت (ته‌ريز) تقسيم مي‌شوند. حد جدايش هيدروسيكلون بيانگر ابعاد ذراتي است كه 50 درصد آنها به بخش ته ريز منتقل شده‌اند. از اين پارامتر جهت ارزيابي هيدروسيكلون استفاده مي‌شود.

 

 

ب. مدل‌سازي عمليات فلوتاسيون با استفاده از شبكه‌هاي عصبي مصنوعي

 

در كارخانه‌هاي صنعتي به دليل وسعت عمليات و تنوع فرآيندها و دستگاه‌هاي مورد استفاده، مدل‌سازي كارخانه اغلب كاري مشكل و در مواردي غيرممكن است. از آنجا كه در مدل‌سازي به وسيله شبكه‌هاي عصبي اگرچه اطلاع از ماهيت سيستم مفيد است، اما چندان ضروري نيست و تنها مقادير اندازه‌گيري شده مورد استفاده قرار مي‌گيرند. به نظر مي‌رسد كه اين شبكه قابليت بالايي جهت مد‌ل‌سازي عمليات‌هاي پيچيده نظير كارخانه‌هاي صنعتي داشته باشند. در اين روش مي‌توان از نوعي چشم الكترونيك بر روي فرآيندهاي فلوتاسيون استفاده كرد كه اين چشم الكترونيك ويژگي‌هاي عمليات را نظير اندازه حباب‌ها، رنگ و ساير پارامترهاي مفيد را به شبكه انتقال داده و شبكه براساس آموزش‌هايي كه از قبل ديده است بهترين روش و راهكار را براي ادامه عمليات فلوتاسيون پيشنهاد مي‌كند. [6]

6. كاربرد شبكه‌هاي عصبي در مكانيك سنگ

 

مكانيك سنگ اصولا علمي است كه بيشتر بر مبناي آزمايشات و تجربيات بنا شده است و عموما در آن فرمول‌هايي جهت محاسبه دقيق پارامترهاي مهم نيست و بيشتر براساس فرمول‌هاي تجربي و آزمايشگاهي است. در شبكه‌هاي عصبي كه اخيرا در علم مكانيك سنگ مورد توجه قرار گرفته است از آن براي محاسبه و تخمين نتايجي كه فرمول‌بندي مشخصي ندارند و يا اينكه مدل‌سازي آنها بسيار وقت‌گير و مشكل و غيرقابل اطمينان باشد، استفاده شده است. به‌طور مثال از شبكه‌هاي عصبي براي تخمين ميزان نفوذپذيري، پايداري شيب‌ها، پايداري ديواره تونل‌ها و... استفاده شده است. در زير به نحوه استفاده از شبكه‌هاي عصبي براي تخمين ميزان نفوذپذيري مي‌پردازيم.

 

 

تعيين ميزان نفوذپذيري سازند

 

نفوذپذيري مهمترين پارامتر تعيين‌كننده سنگ در ميزان جريان سيالات مخزن است به‌طور معمول تفسير آناليز مغزه و تست چاه قابل اعتمادترين روش‌ها براي به‌دست آوردن ميزان نفوذپذيري سازند به حساب مي‌آيند كه هر دوي اين روش‌ها بسيار پرهزينه هستند. اگرچه نمودارهاي چاه اطلاعات با ارزشي درباره سنگ مي‌دهند اما ارتباط بين نفوذپذيري سنگ و پارامترهايي كه مي‌توان با استفاده از لاگ‌ها تعيين كرد (ميزان اشعه گاماي ساطع شده، مقاومت القايي و چگالي سنگ) يكي از موضوعات مورد بحث در مهندسي نفت است. دانشمندان با استفاده از ابزارهاي محاسباتي متداول موجود نتوانسته‌اند ارتباط منطقي بين اين موارد ايجاد كنند اما معتقدند كه با استفاده از شبكه‌هاي عصبي مي‌توان ارتباطات احتمالي موجود بين داده‌هاي فوق و ميزان نفوذپذيري را تعيين كرد كه در اين روش مختصات نقاط و براي دقت بيشتر شبكه، وضعيت هوازدگي خاك را به عنوان ورودي‌هاي شبكه و ميزان نفوذپذيري را به‌عنوان خروجي شبكه انتخاب مي‌كنيم. شبكه را آموزش داده و از آن براي تخمين نفوذپذيري سازند در نقاط ديگر استفاده مي‌كنيم. [7]

 

 

 

7. كاربرد شبكه‌هاي عصبي در دورسنجي و GIS

 

هدف از علم دورسنجي بررسي مناطق آلتره شده است كه بيشتر از روي تفسير عكس‌هاي هوايي ماهواره‌ها امكان‌پذير است كه تجزيه و تحليل‌هاي مربوط به اين عكس‌ها امروزه بيشتر توسط نرم‌افزارهايي انجام مي‌گيرد. در عكس‌هاي ماهواره‌اي هر پيكسل نماينده يك رنگ است. در بعضي مناطق امكان دارد يك نابهنجاري ايجاد شود كه نرم‌افزار قابل به تشخيص آن نباشد. چون اگر نرم‌افزارهاي موجود براساس فرمول‌بندي‌هاي نزديكترين همسايگي، عكس مجذور فاصله و... به تخمين پيكسل‌هاي جديد با شرايط جديد مي‌پردازند كه فقط بر فرمول‌هاي ثابت رياضي بنا شده است و هيچ‌گونه تحرك‌پذيري و انعطافي در آنها موجود نيست ولي در روش شبكه‌هاي عصبي چون شبكه ما حالت پويا دارد به بهترين نحو به تخمين پيكسل‌ها مي‌پردازد كه در اين روش، شبكه هر پيكسل را به‌عنوان يك ورودي دريافت كرده و فاصله‌هاي پيكسل‌هاي جديد را با فواصل انتخابي تخمين مي‌زند. مثلا مي‌توان پيكسل 30*30 و 90*90 را با شبكه‌هاي عصبي به پيكسل 15*15 كه دقيق‌تر است تبديل كرد و نيز مي‌توان آنومالي‌هاي دروغين را بهتر تشخيص داد. [8]

 

 

 

نتيجه‌گيري

 

امروزه در رشته‌هاي مهندسي، استفاده از روش شبكه‌هاي عصبي به علت اينكه ساير روش‌ها وقت‌گير و با دقت كمتري همراه هستند روزافزون شده است. از طرفي با توجه به عدم فرمول‌بندي و پويا بودن شبكه‌هاي عصبي، ايده خوبي براي تخمين و مدل‌سازي‌هاي مهندسي به‌شمار مي‌رود. در علوم معدني به علت اينكه نتايج حاصل از پژوهش‌هاي معدني به علت هزينه‌ها و وقت‌گير بودن بر پايه فرض و گمان است و يافتن الگويي مناسب و منطقي بين داده‌هاي معدني كاري مشكل است، استفاده از شبكه‌هاي عصبي جهت تخمين‌هاي دقيق و ارائه مدل‌هاي سازگارتر به‌صرفه است. در واقع شبكه‌هاي عصبي با توجه به كاركردهايي كه پيشتر به آنها اشاره شد، مي‌توانند راه‌هاي ساده‌تر و كم‌هزينه‌تر را پيش روي مهندسين معدن، جهت دستيابي به نتايجي دقيق‌تر، رهنمود كند.

 

 

 

مراجع

 

1. منهاج، محمدباقر، 1381، هوش محاسباتي (جلد اول) ـ مباني شبكه‌هاي عصبي، انتشارات دانشگاه صنعتي اميركبير.

 

2. البرزي، م (1382) آشنايي با شبكه‌هاي عصبي، انتشارات دانشگاه صنعتي شريف.

 

3. حسني پاك، علي‌اصغر و...، تحليل داده‌هاي اكتشافي، انتشارات دانشگاه تهران 1382.

 

4. Berry/M.j.A/Lin off G. (1997) Data Mining Techniques/John Wiley HYKINS. (1999) NN: A Comprehensive Foundation/ Prentice/HALL/ P. 845 (Dowd/P.A/Sarac/C. (1994)NN Approachto Geostatisitical Simulation Mathematical Geology/vol.26 pp. 41-103).

 

5. Arbogast, Jeffs., Franklin, MarkH., 1999, Artifical Neural Networks and high speed resitivity modeling software speed reservoir characterization, Petroleum Engineering International, 75, 2.

 

 

6. كاربرد شبكه‌هاي عصبي مصنوعي در شبيه‌سازي سيستم‌هاي فرآوري مواد معدني، آيت‌الله درويشي، صمد بنيسي، دومين كنگره متالورژي فلزات غيرآهني ايران، 1379.

 

7. استفاده از شبكه‌هاي عصبي براي تخمين نفوذپذيري سيامك هاشمي، دومين كنفرانس مكانيك سنگ ايران.

 

8. Benediksoon, H., Swain, P.H., & y Ersoy, O. K. (1990). Neural network approach versus statistical method in classification of multisource remote sensing data. IEEE Transaction on Geoscience and remote sensing, 28, 540-551.

 

 

 

 

پژمان طهماسبي، والح آقازاده و مهدي سرمدي