سامانه مدیریت نشریات علمی دانشگاه شهید بهشتی

آریافر, احمد, خسروی, وحید, فرشادمهر, محمد امین, یوسفی, سعید. (1399). استفاده از مدل ترکیبی فاکتوری- فرکتالی جهت شناسایی پتانسیل‌های معدنی طلا، آرسنیک و آنتیموان در ورقه 1:100000 بصیران، خراسان جنوبی، شرق ایران. , 11(2), 127-142. doi: 10.52547/esrj.11.2.127
احمد آریافر; وحید خسروی; محمد امین فرشادمهر; سعید یوسفی. "استفاده از مدل ترکیبی فاکتوری- فرکتالی جهت شناسایی پتانسیل‌های معدنی طلا، آرسنیک و آنتیموان در ورقه 1:100000 بصیران، خراسان جنوبی، شرق ایران". , 11, 2, 1399, 127-142. doi: 10.52547/esrj.11.2.127
آریافر, احمد, خسروی, وحید, فرشادمهر, محمد امین, یوسفی, سعید. (1399). 'استفاده از مدل ترکیبی فاکتوری- فرکتالی جهت شناسایی پتانسیل‌های معدنی طلا، آرسنیک و آنتیموان در ورقه 1:100000 بصیران، خراسان جنوبی، شرق ایران', , 11(2), pp. 127-142. doi: 10.52547/esrj.11.2.127
آریافر, احمد, خسروی, وحید, فرشادمهر, محمد امین, یوسفی, سعید. استفاده از مدل ترکیبی فاکتوری- فرکتالی جهت شناسایی پتانسیل‌های معدنی طلا، آرسنیک و آنتیموان در ورقه 1:100000 بصیران، خراسان جنوبی، شرق ایران. , 1399; 11(2): 127-142. doi: 10.52547/esrj.11.2.127

استفاده از مدل ترکیبی فاکتوری- فرکتالی جهت شناسایی پتانسیل‌های معدنی طلا، آرسنیک و آنتیموان در ورقه 1:100000 بصیران، خراسان جنوبی، شرق ایران

پژوهشهای دانش زمین
مقاله 8، دوره 11، شماره 2 - شماره پیاپی 42، 1399، صفحه 127-142    اصل مقاله (1.36 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.52547/esrj.11.2.127
نویسندگان
احمد آریافر* ؛ وحید خسروی؛ محمد امین فرشادمهر؛ سعید یوسفی
گروه مهندسی معدن، دانشکده مهندسی، دانشگاه بیرجند، بیرجند، ایران
چکیده
انتخاب مناسب­ترین روش برای شناسایی مقادیر آنومالی از زمینه یکی از چالش­های مهم در زمینه اکتشافات ژئوشیمیایی می­باشد. در این خصوص روش­هایی همچون روش­های آماری، هوش مصنوعی، محاسبات نرم و روش­های ترکیبی توسعه یافته­اند که هریک از این روش­ها دارای مزایا و معایبی می­باشند. هدف این تحقیق شناسایی پتانسیل­های معدنی عناصر طلا، آرسنیک و آنتیموان در برگه 1:100000 بصیران با استفاده از مدل ترکیبی فاکتوری- فرکتالی است. برای این منظور تعداد 585 نمونه ژئوشیمیایی اخذ شده از رسوبات آبراهه­ای که برای 20 عنصر آنالیز شده ­است مورد مطالعه قرار گرفت. برای رسیدن به هدف ابتدا داده­ها توسط روش فاکتوری R مد مطالعه و تعداد 5 فاکتور استخراج گردید که با توجه به هدف، فاکتور سوم که ترکیب خطی از عناصر آنتیموان، آرسنیک و طلا بود انتخاب شد. مقادیر امتیازات فاکتوری محاسبه و نقشه امتیازات فاکتوری رسم شد. سپس روش فرکتالی غلظت -مساحت بر روی امتیازات فاکتوری مولفه سوم اعمال و مقادیر حد آستانه تعیین گردیدند و در نهایت براساس این مقادیر نقشه مدل ترکیبی فاکتوری- فرکتالی رسم شد. مقایسه این نقشه با نقشه فرکتالی غلظت - مساحت نشان داد که شدت بخشی آنومالی­ها با مدل ترکیبی بهتر انجام شده است. به منظور اعتبارسنجی نتایج حاصله از مدل ترکیبی، تعداد 6 نمونه کانی سنگین از منطقه اخذ و مطالعه شد. نتایج حاصله از مطالعات کانی سنگین بیانگر وجود ذرات طلا در این نمونه­ها بود. مقایسه نتایج مطالعات کانی سنگین و مدل­های آماری نشان می­دهد که انطباق خوبی (بیش از 90 درصد) بین نتایج وجود دارد زیرا که نمونه­های کانی سنگین منطبق بر نواحی آنومالی می­باشد.
کلیدواژه‌ها
بصیران؛ خراسان جنوبی؛ رسوبات آبراهه‌ای؛ ژئوشیمی ناحیه‌ای؛ مدل ترکیبی فاکتوری- فرکتالی
عنوان مقاله [English]
Using hybrid factor-fractal model for identification of Au, As, Sb mineral potential in Basiran 1:100000 sheet, south Khorasan, east of Iran
نویسندگان [English]
Ahmad Aryafar؛ vahid Khosravi؛ Mohammad Amin Farshadmehr؛ Saeed Yousefi
Department of Mining, Faculty of Engineering, University of Birjand, Birjand, Iran
چکیده [English]
Introduction
One of the main challenges about geochemical exploration is the selection of an appropriate method for anomaly separation from background. In this field, many approaches including statistical methods, artificial intelligence, soft computing and compositional methods have been developed. Each method has some weak and strong points. Research literature showed the statistical hybrid models were used less in this field.
Materials and Methods
Nowadays, the hybrid models have been considered to enhance the intensity of geochemical anomalies. Until now, only some hybrid models were used. The most important of them are neuro-fuzzy and genetic algorithm model, multifractal-neural network model, fractal-U statistic model, fractal-wavelet model and factor analysis-neural network model. The previous studies indicate that the univariate and multivariate statistic methods and artificial neural networks were mainly used as hybrid model. The main goal of this research is the identification of mineral potential of Au, Sb and As in Basiran 1:100000 sheet, which is located in 180 Km of West of Birjand, through using factor-fractal hybrid model. For this purpose, the 585-stream sediment geochemical data, which were taken by Trade, Mine and Industry Organization of South Khorasan, were analyzed for 20 elements including of Sb, As, Au, Ba, Se, Mn, Ti, Cr, Zn, Cu, Fe, Co, Ag, Sn, Mo, Ni, Pb, W, Hg and Bi.
Results and Discussion
In first step, the data have been studied by R-mode factor analysis and 5 factors were extracted. With respect to the goal, the third factor with the best linear combination of Sb, Au and as elements, was elected. Afterwards, the factor scores were calculated and depicted on the map of factor’s scores. Consequently, fractal method was applied on the concentration area based on third factor scores, and the thresholds values were determined. Finally, based on threshold values, the map of hybrid factor-fractal model was illustrated. Comparison of both obtained results using hybrid model and concentration-area fractal model indicated that the hybrid model is more effective. As indicated in the following figure, the position of heavy metal samples are located on identified mineralized zone using factor-fractal hybrid model.
Conclusion In this paper, recognition of mineral potential of Au, as and Sb using factor-fractal hybrid model, is a new idea and innovation. For validation of hybrid model results, 6 heavy metal samples were gained and studied. The results of heavy metal studies confirmed the existence of gold particles in samples. The drawn results stated a good agreement (more than 90 percent) between heavy metal locations and identified mineral potential area by using the hybrid model.
کلیدواژه‌ها [English]
Basiran, South Khorasan, Stream sediment, Regional geochemistry, Factor-fractal hybrid model
مراجع
  1. -آریافر، ا.، 1383. تحلیل داده‌های ژئوشیمی اکتشافی برای شناسایی نواحی امید بخش ورقه 1:50000 خوسف، پایان‌نامه کارشناسی‌ارشد اکتشاف معدن، دانشگاه صنعتی شاهرود، 180 ص.
  2. -افضل، پ.، خاکزاد، ا.، معارف وند، پ.، رشیدنژاد عمران، ن. و فداکار القلندیس، ی.، 1389. استفاده از روش فرکتالی عیار – حجم در جدایش زون‌ها در کانسارهای پورفیری، نشریه علوم زمین، شماره 78، ص 168 - 172.
  3. -بهروزی، ا. و ناظر، ن.خ.، 1371. نقشه زمین‌شناسی بصیران به مقیاس 1:100،000، انتشارات سازمان زمین‌شناسی کشور.
  4. -پیروزبخت، م.، احدی، م. و اسفندیاری، ب.، 1387. کاربرد روش فرکتالی عیار – مساحت جهت تعیین و جداسازی ناهنجاری‌ها از زمینه در نقشه‌های ژئوشیمیایی رسوبات آبراهه‌ای (مطالعه موردی: برگه 1:50000 سه چاهون)، دومین کنفرانس مهندسی معدن ایران، دانشگاه تهران، تهران.
  5. -پولادزاده، م.، 1379. اکتشافات ژئوشیمیایی ناحیه-ای در محدوده برگه 1:50000 شوی، پایان‌نامه کارشناسی‌ارشد، دانشگاه تهران.
  6. -حسنی پاک، ع.ا. و شرف الدین، م.، 1390. تحلیل داده‌های اکتشافی، انتشارات دانشگاه تهران، تهران، چاپ سوم، 345 ص.
  7. -سازمان زمین‌شناسی کشور، 1379. گزارش اکتشافات ژئوشیمیایی سیستماتیک در محدوده برگه 1:100،000 بصیران، وزارت صنایع و معادن.
  8. -عزمی، ح.، 1379. اکتشاف ژئوشیمیایی ناحیه‌ای در محدوده برگه 1:50،000 کانی سیب، پایان‌نامه کارشناسی‌ارشد اکتشاف معدن، دانشگاه تهران.
  9.  
  10.  
  11. -Afzal, P., FadakarAlghalandis, Y., Khakzad, A. and Moarefvand, P. and RashidnejadOmran, N., 2011. Delineation of mineralization zones in porphyry Cu deposits by fractal concentration – volume modeling", Journal of Geochemical Exploration, v. 18, p. 220-232.
  12. -Afzal, P., Harati, H., Fadakar Alghalandis, Y. and Yasrebi, A.B., 2013. Application of spectrum–area fractal model to identify of geochemical anomalies based on soil data in Kahang porphyry-type Cu deposit, Iran. Chemie der Erde/Geochemistry, v. 533, p.73- 543.
  13. -Afzal, p., Ahmadi, K. and Rahbar, K., 2016b. Application of fractal-wavelet analysis for separation of geochemical anomalies, Journal of African Earth Sciences, doi: 10.1016/ j.jafrearsci.2016.08.017.
  14. -Afzal, p., Mirzaei, M., Yousefi, M., Adib, A., Khalajmasoumi, M., Zia Zarifi, A., Foster, P. and Yasrebi, A.B., 2016a. Delineation of geochemical anomalies based on stream sediment data utilizing fractal modeling and staged factor analysis, Journal of African Earth Sciences, v. 119, p. 139-149.
  15. -Agterberg, F.P. and Cheng, Q., 1999. Introduction to Special Issue on Fractals and Multifractals, Computers & Geosciences, v. 25, p. 947-948.
  16. -Aryafar, A. and Doulati Ardejani, F., 2013, R-mod factor analysis, a popular multivariate statistical technique to evaluate water quality in Khaf-Sangan basin, Mashhad, Northeast of Iran, Arabian Journal of Geosciences, v. 6(3), p. 893-900.
  17. -Asadi Harooni, H., Kianpouryan, S., Lu, Y.J. and McCuaig, T.C., 2014. Exploratory data analysis and C–A fractal model applied in mapping multi-element soil anomalies for drilling: A case study from the Sari Gunay epithermal gold deposit, NW Iran, Journal of Geochemical Exploration, v. 145, p. 233-241.
  18. -Carranza, E.J., 2009. Geochemical Anomaly and Mineral Prospectivity Mapping in GIS, Handbook of Exploration and Environmental Geochemistry, Elsevier Science, 368 p.
  19. -Chen, Y., Lu, L. and Li, X., 2014. Application of continuous restricted Boltzmann machine to identify multivariate geochemical anomaly, Journal of Geochemical Exploration, v. 140, p. 56-63.
  20. -Cheng, Q. and Li, Q., 2002. A fractal concentration – area method for assigning a color palette for image representation, Computers & Geosciences, v. 28, p. 567-575.
  21. -Cheng, Q., Xu, Y. and Grunsky, E., 1999. Integrated spatial and spectral analysis for geochemical anomaly separation, In: Lippard, S.J., Naess, A., Sinding-Larsen, R. (Eds.), Proceedings of the Fifth Annual Conference of the International Association for Mathematical Geology, Trondheim, Norway 6-11th August, v. 1, p. 87-92.
  22. -Daya, A.A., 2014. Comparative study of C–A, C-P, and N-S fractal methods for separating geochemical anomalies from background: A case study of Kamoshgaran region, northwest of Iran, Journal of Geochemical Exploration, DOI: 10.1016/j.gexplo.2014.12.015.
  23. -Keykha Hoseinpoor, M. and Aryafar, A., 2014. The Use of Robust Factor Analysis of Compositional Geochemical Data for the Recognition of the Target Area in Khusf 1:100000 Sheet, South Khorasan, Iran, International Journal of Mining and Geoengineering, v. 48(2), p. 191-199.
  24. -Keykha Hoseinpoor, M. and Aryafar, A., 2016. Using Robust Staged R-mode factor analysis and logistic function to identify probable Cu-mineralization zones in Khusf 1:100,000 sheet, east of Iran, Arabian Journal of Geosciences, v. 9(157), p. 1-11. DOI 10.1007/s12517-015-2266-9.
  25. -Li, Q. and Cheng, Q., 2006. Visual Anomaly: A GIS-based multifractal method for geochemical and geophysical anomaly separation in Walsh domain, Computer &Geosciences, v. 32, p. 663-672.
  26. -Mahvash Mohammadi, N., Hezarkhani, A. and Shokouh Saljooghi, B., 2016. Separation of a geochemical anomaly from background by fractal andU-statistic methods, a case study: Khooni district, Central Iran, http://dx.doi.org/10.1016/j.chemer.2016.09.001, 0009-2819/© 2016 Elsevier GmbH.
  27. -Mohammadzadeh, M.J. and Nasseri, A., 2017. Geochemical modeling of orogenic gold deposit using PCANN hybrid method in the Alut, Kurdistan province, Iran, Journal of African Earth Sciences (2017), doi: 10.1016/j.jafrearsci.2017.11.038.
  28. -Nazarpour, A., Sadeghi, B. and Sadeghi, M., 2014. Application of fractal models to characterization and evaluation of vertical distribution of geochemical data in Zarshuran gold deposit, NW Iran, Journal of Geochemical Exploration, doi: 10.1016/j.gexplo.2014.08.007.
  29. -Parsa, M., Maghsoudi, A., Yousefi, M. and Carranza, E.J.M., 2016. Multifractal interpolation and spectrum–area fractal modeling of stream sediment geochemical data: Implications for mapping exploration targets, Journal of African Earth Sciences, doi: 10.1016/ j.jafrearsci.2016.11.021.
  30. -Shahi, H., Ghavami, R., Rouhani, A.K., Kahoo, A.R. and Haroni, H.A., 2015. Application of Fourier and wavelet approaches for identification of geochemical anomalies, African Earth Sciences, doi: http:// dx.doi.org/10.1016/j.jafrearsci.2015.03.017
  31. -Shiva, M., 1998. Stream sediment geochemical exploration in the arid environment of East Iran. PhD thesis, the University of Natingham, UK.
  32. -Shiva, M. and Atkin, B.P., 2004. Determination of the elemental association in the stream sediment geochemical exploration using factor analysis in SHAHKOUH area, east Iran, Iranian Journal of Science & Technology, Transaction B, v. 28(B2), p. 1-8.
  33. -Sun, X., Zheng, Y., Wang, C., Zhao, ZH. and Geng, X., 2016. Identifying geochemical anomalies associated with Sb–Au–Pb–Zn–Ag mineralization in North Himalaya, southern Tibet, Ore Geology Reviews, v. 73, p. 1-12.
  34. -Yap, C.K., 2012. Application of Factor Analysis in Geochemical Fraction of Heavy Metals in the Surface Sediments of the Offshore and Intertidal Areas of Peninsular Malaysia, Sains Malaysiana, v. 41 (4), p. 389-394.
  35. -Wang, J. and Zuo, R., 2018. Identification of geochemical anomalies through combined sequential Gaussian simulation and grid-based local singularity analysis, Computers and Geosciences, doi: 10.1016/j.cageo.2018.05.010.
  36. -Zhao, J., Chen, S. and Zuo, R., 2015. Identifying geochemical anomalies associated with Au–Cu mineralization using multifractal and artificial neural network models in the Ningqiang district, Shaanxi, China, Journal of Geochemical Exploration, http://dx.doi.org/10.1016/j.gexplo. 2015.06.018, 0375-6742/© 2015 Elsevier B.V.
  37. -Ziaii, M., Doulati Ardejani, F., Ziaei, M. and Soleymani, A.A., 2012. Neuro-fuzzy modeling based genetic algorithms for identification of geochemical anomalies in mining geochemistry, Applied Geochemistry, v. 27, p. 663-676.
  38. -Zuo, R., Carranza, E.J. and Cheng, Q., 2012. Fractal/multiracial modeling of geochemical exploration data", Journal of Geochemical Exploration, v. 122, p. 1-3.
آمار
تعداد مشاهده مقاله: 10,114
تعداد دریافت فایل اصل مقاله: 5,853