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

نظری, حسنیه; دهقانی, مژگان; حاجی زاده, فرنوش; عباس نژاد, احمد

doi:10.22084/nfag.2020.22396.1426

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

10.22084/nfag.2020.22396.1426

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

مراجع

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.