مشخصات پژوهش

عنوان	کاربرد شبکه های عصبی چندلایه در پیش بینی میزان فسفر معدن سنگ آهن
نوع پژوهش	مقاله ارائه شده
کلیدواژه‌ها	برآورد فسفر، سنگ آهن، بهینه ساز Bayesian Regularization، Levenberg-Marquardt، Scaled Conjugate Gradient.
چکیده	فعالیت های استخراج سنگ آهن اغلب با چالش های زیست محیطی جدی همراه است؛ از جمله آزادسازی فسفر به محیط که می تواند کیفیت آب و سلامت اکوسیستم را تهدید کند. روش های سنتی برآورد محتوای فسفر در سنگ آهن معمولاً زمان بر، پرهزینه و نیازمند نمونه برداری گسترده هستند. این پژوهش رویکردی نوین مبتنی بر هوش مصنوعی ارائه می دهد که از شبکه های عصبی پرسپترون چندلایه (MLP) برای برآورد سریع و دقیق محتوای فسفر در محدوده معدن سنگ آهن چغارت استفاده می کند. داده های ورودی شامل مختصات UTM، توپوگرافی گمانه های اکتشافی و عمق نمونه ها بوده و مقدار فسفر به عنوان متغیر هدف در نظر گرفته شد. سه الگوریتم بهینه سازی پرکاربرد یعنی Levenberg-Marquardt (LM)، Bayesian Regularization (BR) و Scaled Conjugate Gradient (SCG) برای آموزش مدل به کار گرفته شدند. هر سه مدل از ساختار دو لایه مخفی (19 و 15 نورون) بهره بردند. نتایج ارزیابی با استفاده از معیارهای RMSE، MAPE و ضریب تعیین (R²) نشان داد که مدل مبتنی بر Bayesian Regularization عملکرد برتری نسبت به دو مدل دیگر داشته و دقت بسیار بالایی در پیش بینی محتوای فسفر ارائه می دهد. این رویکرد می تواند به عنوان ابزاری کارآمد برای پایش زیست محیطی، پیش بینی نقاط بحرانی و کاهش نیاز به نمونه برداری گسترده در معادن سنگ آهن مورد استفاده قرار گیرد. پیشنهاد می شود در تحقیقات آتی، ترکیب مدل های پیشرفته تر و افزایش حجم و تنوع داده های ورودی برای بهبود بیشتر دقت بررسی شود.
پژوهشگران	سید طاها موسوی پور تقی زاده (نفر اول)، سید مجید موسوی پورتقی زاده (نفر دوم)، امیرحسین نجف آبادی پور (نفر سوم)