کاربرد روش ANFIS-FCM در اکتشاف معادن گچ شوره مطالعه موردی: معدن گچ شوره انار

نویسندگان

1 دانشجوی دکتری مهندسی معدن، دانشگاه ارومیه، ارومیه

2 دانشجوی دکتری زمین‌شناسی زیست‌محیطی، دانشگاه ارومیه، ارومیه

3 دانشیار گروه مهندسی معدن، دانشگاه ارومیه، ارومیه

4 دانشیار گروه زمین‌شناسی، دانشگاه شهید باهنر کرمان، کرمان

چکیده

در نزدیکی معادن گچ در اثر انحلال املاح نمکی موجود در آب­های زیرزمینی، مقدار EC افزایش پیدا می­کند و نشانگر مفیدی جهت اکتشاف معادن گچ است اما به تنهایی در تشخیص این امر کافی نیست و باید عناصر دارای غلظت بالا و دخیل در افزایش EC مشخص گردند. هدف از این مطالعه بررسی کارآمدی روش  ANFIS-FCMدر اکتشاف معادن گچ شوره با استفاده از تغییرات هیدروژئوشیمیایی آب زیرزمینی است که به صورت موردی بر روی معدن گچ شوره انار آزموده شد. بدین منظور، 21 نمونه آب از چاه­های دشت برداشته و آنالیز شیمیایی نمونه­ها در آزمایشگاه صورت گرفت. سپس داده­های حاصل مورد تجزیه و تحلیل آماری قرار گرفتند و آماره­های توصیفی داده­ها و ماتریس همبستگی پارامترهای مورد مطالعه با استفاده از نرم­افزار SPSS بدست آمد. با تشکیل ماتریس همبستگی داده­ها، مشخص گردید که در نمونه­های نزدیک معدن گچ شوره، سدیم، منیزیم، کلسیم، منگنز، سلنیوم و سرب نسبت به سایر عناصر موجود، بیش­ترین همبستگی را با هدایت­الکتریکی (EC) داشته و همین­طور بیش­ترین همبستگی بین پارامترهای ذکر شده به چشم می­خورد. ورودی­های مدل شامل 6 عنصر مزبور و خروجی با توجه به هدف تحقیق، هدایت­الکتریکی انتخاب شد. داده­ها پس از استاندارد­سازی، وارد متلب شده و هدایت­الکتریکی با استفاده از روش ANFIS-FCM پیش­بینی گردید. هدایت­الکتریکی اندازه­گیری ­شده مستقیما برای مقایسه با هدایت­الکتریکی حاصل از روش هوشمند به کار رفت. بر اساس نتایج حاصل از این مدل، هدایت­الکتریکی نمونه­های آب زیرزمینی تخمین زده شده در محدوده مورد بررسی از دقت بسیار خوب و همبستگی بالایی نسبت به مقادیر اندازه­گیری شده برخوردار بوده است. در نتیجه روش هوشمند ANFIS-FCM روشی موثر در تشخیص معدن گچ شوره است. در صورت کاربرد این روش در آب­های زیرزمینی اطراف معادن گچ شوره دیگر در ایران و مشاهده وضعیت مشابه، کارآمدی آن در تشخیص معادن گچ شوره تایید می­شود.

کلیدواژه‌ها


عنوان مقاله [English]

Application of ANFIS-FCM method to salty gypsum mine exploration case study: Anar gypsum mine

نویسندگان [English]

  • H. Nazari 1
  • M. Dehghani 2
  • F. Hajizadeh 3
  • A. Abbas Nejhad 4
چکیده [English]

Electrical conductivity increases in groundwater around the gypsum mines because of ions dissolution. this is a useful indicator in gypsum mines exploration, but not enough to that aim, so the elements with high concentrations involved in increasing EC should be identified. This study aims to investigate the efficiency of ANFIS-FCM method to exploration of salty gypsum mines using hydrogeochemical changes of groundwater, which was tested on a case: Anar salty gypsum mine. to this aim, 21 water samples were taken from wells across the plain and chemical analysis of samples was performed in the laboratory. Then, the resulted data were statistically analyzed and descriptive statistics of the data and correlation matrix of the studied parameters were obtained using SPSS software. Forming a data correlation matrix, it was found that in samples near the salty gypsum mine, some ions had the highest correlation with electrical conductivity (EC) including sodium, magnesium, calcium, manganese, selenium and lead, while the mentioned parameters had the highest correlation. The 6 mentioned elements selected as the model inputs and the electrical conductivity was the output according to purpose of the current research. After standardization, the data were entered into MATLAB and the electrical conductivity was predicted using ANFIS-FCM method. The measured electrical conductivity was used directly to compare with the electrical conductivity of the intelligent method. Based on the model results, the estimated electrical conductivity in the study area had very good accuracy and high correlation with the measured values. As a result, ANFIS-FCM intelligent method is an effective method to diagnose the salty gypsum mine. If this method is used in groundwater around other salty gypsum mines in Iran and a similar result be observed, its efficiency in diagnosing the salty gypsum mines is confirmed.

کلیدواژه‌ها [English]

  • Electrical Conductivity
  • ANFIS-FCM Method
  • Groundwater
  • Anar Plain
باقرزاده، م. ر (1387) گزارش ادامه مطالعات دشت رفسنجان سال آبی 87- 86، شرکت سهامی آب منطقه­ای، معاونت پایه منابع آب، 70 ص.
بهرام­پور، آ (1386) بررسی ژئوشیمی، پتروگرافی، پترولوژی پلاگ­های ساب­ولکانیک آج­بالا و آج­پایین، شهر بابک- دهج، رساله کارشناسی­ارشد زمین­شناسی، ص 30.
بیکی­حسن­آباد، ح.، رستمی، ف (1396) روش نوین نشت­یابی در شبکه­های آبرسانی با استفاده از ANFIS، اولین کنفرانس ملی پژوهش­های کاربردی در علوم و مهندسی، 5 مرداد 96.
حجت، آ.، رنجبر، ح (1390) اصول ژئوالکتریک کاربردی، موسسه انتشارات ستایش.
دهقانی، ر.، پورحقی، ا.، خیرایی، م (1395) مقایسه روش­های سیستم استنتاج فازی- عصبی تطبیقی، شبکه­عصبی مصنوعی و برنامه­ریزی ژن در تخمین میزان سختی آب زیرزمینی (مطالعه مـوردی: دشت مازندران)، نشریه یافته­های نوین زمین­شناسی کاربردی، دوره 10، شماره­ 19، ص 62-51.
سعیدی­رضوی، ب.، عرب، ع (1397) پیش­بینی سطح آب زیرزمینی با استفاده از مدل­های منطق فازی، شبکه عصبی و سری زمانی، مجله هیدروژئولوژی، سال سوم، شماره 2، ص 81-69.
شیخ­الاسلامی، م. ر.، جوادی، ح. ر.، اسدی­سرشار، م.، آقاحسینی، ا.، کوه­پیما، م.، وحدتی دانشمند، ب (1392) دانشنامه گسله­های ایران، سازمان زمین­شناسی و اکتشافات معدنی کشور.
صدیقیان، س (1387) پترولوژی و ژئوشیمی، ساخت و منشا جریان­های گدازه­ای طاقدیس شان­آباد، جنوب­غرب رفسنجان، رساله کارشناسی­ارشد زمین­شناسی (پترولوژی)، دانشگاه شهید باهنر کرمان، ص 10- 8.
گلستانی، م.، درگاهی، س.، آروین، م.، شفائی­مقدم، ه (1394) پترولوژی و ژئوشیمی گابروهای افیولیت­ملانژ بافت، جنوب­غرب کرمان، نشریه یافته­های نوین زمین­شناسی کاربردی، دوره 9، شماره­ 17، ص 55-43.
معافی، ح (1385) بررسی اثر برداشت آب­های زیرزمینی بر نشست زمین در دشت رفسنجان با استفاده از سیستم اطلاعات جغرافیایی، دانشکده کشاورزی دانشگاه شهید باهنر کرمان، گروه مهندسی آب، ص 55 تا 60.
مهندسان مشاور کاواب (1381) طرح مطالعاتی بیلان آب محدوده­ی رفسنجان، جلد اول و دوم، ص 50 تا 142.
نبوی، م. ح (1355) دیباچه­ای بر زمین­شناسی ایران، انتشارات سازمان زمین­شناسی کشور.
نجفی، ا.، یوسفی، م. ح.، ایلیاتی، ع (۱۳۹۴) اکتشاف منابع معدنی برجا با استفاده از باندهای حرارتی لندست 8 (مطالعه موردی: معدن گچ باغک کاشان)، پنجمین کنفرانس بین­المللی رویکردهای نوین در نگهداشت انرژی، تهران.
Akbarzadeh, S., Arof, A. K., Ramesh, S., Khanmirzaei, M. H., Nor, R. M (2014) Prediction of Conductivity by Adaptive Neuro-Fuzzy Model, PLoS ONE, 9(3): e92241.
Andrew, H. M., Jean, M. M., Richard, B. W., Christopher, T. M (2020) Using stream-side groundwater discharge for geochemical exploration inmountainous terrain. Journal of Geochemical Exploration, 209, 106415.
Banerjee, P., Singh, V. S., Chattopadhyay, K., Chandra, P. C., Singh, B (2011) Artificial neural network model as a potential alternative for groundwater salinity forecasting. Journal of Hydrology, 398(4): 212–220.
Bezdek, J. C (1973) Fuzzy mathematics in pattern classification, Cornell university, Ithaca.
Dehghani, M., Abbasnejad, A (2010) Pollution of Anar Plain with Lead due to traffic of Kerman –Yazd – Tehran Road. The First Conference of  Energy and Environment, Shahid Bahonar University of Kerman, Iran.
Dehghani, M., Abbasnejad, A (2010) Variation concentration of selenium in Groundwater of Anar Plain. The First Interrnational Symposium of Medical Geology, Geological Survey of Iran, Tehran, Iran.
Dehghani, M., Abbasnejad, A (2011) Pollution of Anar Plain with Respect to Cadmium, Arsenic, Lead  and  Nitrate. Environmental sciences, 56: 87-100.
Deverel, S., Fio, J., Duborovsky, N (1994) Distribution and mobility of selenium in groundwater in the western San Joaquin valley of California. In: selenium in environment (eds. W. T. Frankenberger and S. Benson).
Dolati Kordestani, M., Nohegar, A., Janizadeh, S (2018) Assessment of some Artificial Intelligence (AI)-based models for groundwater quality prediction (case study: Garoo plain), Desert Ecosystem Engineering Journal, 6(17): 27-42.
Emamgholizadeh, S., Moslemi,  Kh., Karami, Gh (2014) Prediction the Groundwater Level of Bastam Plain (Iran) by Artificial Neural Network (ANN) and Adaptive Neuro-Fuzzy Inference System (ANFIS), European Water Resources Association (EWRA), 28(15): 5433-5446.
Ghalib, H. B (2017) Groundwater chemistry evaluation for drinking and irrigation utilities in east Wasit province, Central Iraq. Applied Water Science, 7(7): 3447-3467.
Hasebe, M., Nagayama, Y (2002) Reservoir operation using the neural network and fuzzy systems for dam control and operation support. Advances in Engineering Software, 33: 245–260.
Honslow, A. W (1995) Water Quality Data Analysis and interpretation. Oklahoma State University Stillwater, Oklahoma. Lewis Publishers, 397 p.
Jang, J. S. R., Sun, C. T., Mizutani, E (1997) Neuro-Fuzzy and Soft Computing A Computional Approach to Learning and Machine Intelligence. Prentice Hall, 640p.
Kazemi Azar, F (2006) Modelling of groundwater resources of Rafsangan Plain and evaluation of abstraction (in Persian). M. S. thesis, Shahid Bahonar University, pp. 75- 77.
Kosko, B (1992) Neural Networks and Fuzzy Systems. A Dynamical Approach to Machine Intelligence, Prentice Hall, Englewood Cliffs, NJ, 449p.
Lu, R. S., Lo, S. L (2002) Diagnosing reservoir water quality using self-organizing maps and fuzzy theory. Water Research, 36: 2265–2274.
MATLAB user’s guide (2006) Fuzzy logic Toolbox, by the math works Inc.
Moosavi, V., Vafakhah, M., Shirmohammadi, B., Behnia, N (2013) A Wavelet-ANFIS Hybrid Model for Groundwater Level Forecasting for Different Prediction Periods, Water Resources Management journal, 27(5): 1301-1321.
Nadiri, A., Chitsazan, N., Tsai, F. T. C., Asghari Moghaddam, A (2014) Bayesian artificial intelligence model averaging for hydraulic conductivity estimation, Journal of Hydrologic Engineering, 19(3): 520-532.
Nava, P., Taylor, J (1996) The Optimization of Neural Network Performance through Incorporation of Fuzzy Theory. In: 11th Conference on Systems Engineering, 897-901.
Nayak, P. C., Sudheer, K. P., Rangan, D. M., Ramasastri, K. S (2004) A neuro-fuzzy computing technique for modeling hydrological time series. Journal of Hydrology, 291: 52–66.
Sengor, A. M. C (1990) A new model for the late Paleozoic- Mesozoic tectonic evolution of Iran and implications for Oman . in The Geology and tectonics of the Oman region, Geol. Soc. Spec. Publ. London, 4: 797-831.
Siegle, F. R (2002) Environmental Geochemistry of Potentially Toxic Metals. Springel- Verlag Berlin Heidelberg, 202- 226.
Srinivasan, K., Fisher, D (1995) Machine Learning Approaches to Estimating Software Development Effort. IEEE Transactions on Software Engineering, 21(2): 126–137.
Todd, D., Mays, L (2005). Groundwater Hydrogeology. New York: John Wiley and Sons.
Tutmez, B., Hatipoglu, Z., Kaymak, U (2006) Modelling electrical conductivity of groundwater using an adaptive neuro-fuzzy inference system. Computers & Geosciences, 32: 421–433.
Wang, G., You, G., Xu, Y (2008) Investigation on the Nanjing gypsum mine flooding. In Geotechnical engineering for disaster mitigation and rehabilitation (pp. 920-930). Springer, Berlin, Heidelberg.
Zeng, B., Shi, T., Chen, Z., Liu, X., Xiang, S., Yang, M (2018) Mechanism of groundwater inrush hazard caused by solution mining in a multilayered rock-salt-mining area: a case study in Tongbai, China. Natural Hazards and Earth System Sciences, 18(1): 79.