مقدمه

عناصر نادر خاکی منابع مهم استراتژی هستند، زیرا مصرف و تقاضای این عناصر بالاست، ذخایر آنها دارای توزیع جغرافیایی ناچیزی هستند و منابع آنها رو به پایان است. عناصر نادر خاکی بهطور گسترده در زمین توزیع شده و الگوی آنها برای توضیح محیط رسوبی، فرایند و ساختار حوضه های رسوبی به کار برده شده است. عناصر نادر خاکی به عنوان مهم ترین ابزار در ترسیم محیط ژئوشیمیایی در طول تشکیل کانی های همزاد و پسین زاد استفاده میشوند. برای ده ها سال، زمین شناسان عقیده داشتند که عناصر کمیاب حاصل فرایند قوی و موثر

بیوژئوشیمیایی هستند، و به خاطر بخش های کوچک در فرایند رسوبی و حمل و نقل به وجود آمده اند. از طرف دیگر مشکلات محیط زیستی به وجود آمده به خاطر گسترش فعالیت های صنعتی و کشاورزی یک موضوع نگران کننده بوده است. بنابراین در سالهای اخیر، محتوا، شکل شیمیایی و سمی بودن عناصر کمیاب در سیستمهای مختلف خاک مورد مطالعه قرار گرفته است. همچنین برخی پژوهشگران اثرات عناصر کمیاب را بر مقدار نیتر وژن و فسفر خاک مورد مطالعه قرار داده اند. برخی مطالعات انجام شده در سال های اخیر نشان می دهد که عناصر کمیاب در هنگام تغیرات شرایط آب و هوایی و هنگام تشکیل خاک متحرک هستند. در سال های اخیر روشهای هوش مصنوعی در بسیاری از رشته-های علمی به عنوان یکی از روشهای سنتی آماری ارائه شده است . مطالعات اخیر نشان میدهد که مدل های هوش مصنوعی مانند روشهای شبکه عصبی و منطق

فازی به صورت موفقیت آمیز برای مدلسازی عناصر نادر خاکی در مناطق مختلف، مدلسازی آلودگیها و پیشبنی پدیده های غیرخطی استفاده شده است .(Nunnari et al, 2004;Perez-Roaa et al, 2006)

باعنایت به توانایی بالای شبکههای عصبی مصنوعی در مدلسازی، برآورد فرایندهای پیچیده و بهین هسازی مسائل مختلف مهندسی، این فرضیه مطرح میشود که شبکه ی عصبی مصنوعی می تواند با دقت مناسبی مقادیر عناصر نادر خاکی موجود در رسوبات آبراهه ای منطقه ی اشتهارد را شبیهسازی کند.

در مدل های شبکه عصبی مصنوعی با افزایش تعداد متغیرهای ورودی، پیچیدگی محاسباتی و حافظه ی مورد نیاز مدل به سرعت افزایش یافته و آموزش مدل مشکل و ناکارآمد میشود. همچنین در مدلسازی پدیدههای گذرا با استفاده از این مدل ها نیاز به عمل پیش پردازش بر روی اطلاعات ورودی یا خروجی است.

با وجود این به دلیل توانایی بالای روش شبکه عصبی مصنوعی در مدلسازی پدیده های پیچیده و غیرخطی استفاده از آن در سیستم تخیمن ذخیره و شبیه-سازی فلزات مختلف در یک منطقه موفقیتآمیز گزارش شده است. انتخاب متغیرهای ورودی یک گام مهم در روش شبکه عصبی و انفیس (ANFIS) است. این تکنیک ها برای حذف متغیرهای اضافی طراحی نشده اند. در مواردی که تعداد متغیرهای ورودی زیاد باشد، متغیرهای اضافی، بی ربط به موضوع ممکن است شامل مجموعهی دادهها باشد. متغیرهای معنادار می تواند پنهان شده باشند

۶۳

مجله زمین شناسی کاربردی پیشرفته

.(Seasholtz and Kowalski, 1993; Noori et al, 2009a) بنابراین، کاهش متغیرهای ورودی توصیه شده است. روش های مختلفی برای کاهش تعداد
متغیرهای ورودی مانند روش انتخاب پیشرو ( Chen et al,1989; Wang et

al 2006 )و روش تست گاما Corcoran et al, 2003; ) (GT)

(Moghaddamnia et al, 2009وجود دارد.

در این مطالعه، روش انتخاب متغیرهای ورودی با استفاده از تکنیک انتخاب پیشرو به منظور شبیه سازی مقادیر عناصر نادر خاکی با روش شبکه ی عصبی با کل دادهها مقایسه شده است.

زمینشناسی منطقهی اشتهارد

در منطقه مورد بررسی سازندهای کهن تر از ائوسن دیده نمی شود. واحدهای

چینهنگاشتی این ورقه به ترتیب از قدیم به جدید به شرح زیر است(شکل:(۱
ائوسن
ائوسن میانی

واحدt1 ائوسن میانی در منطقه به پنج واحد سنگی تفکیک شده است که عبارتند از:
– سنگهای این واحد دربرگیرنده توفهای سبز است که بخشی بزرگ از
سنگهایی۱ که این واحد را پدید می آورد ایگنیمبریت و گدازه داسیتی قرمز رنگ
اند. واحدt2 – واحدی دربرگیرنده لایه های توفی کرم رنگ با ترکیب ریولیتی
است. توفهای۱ آن گاهی دچار پدیده کائولینی شدن شده اند.

واحد۱b – این واحد دربرگیرنده یک لایه بازالت سیاه رنگ است. گسترش
لایه بسیار اندک و کم گستره است و در میان توفهای کرم رنگ جای
سطحی این ∈
گرفته است.
واحد ۱ – شامل لایه های آهکی ناپیوسته عدسی شکل به رنگ کرم و سیاه
است. این واحد در بین توفهای کرم رنگ مشاهده می گردد.

واحدig – این واحد شامل گدازه های داسیتی قرمز رنگ و ایگنیمبریت
داسیتی قرمز رنگ است. در بین توفهای سبز بهصورت افقی دیده می شود.
∈۱
ائوسن بالایی
مجموعه سنگهای ائوسن بالایی با رنگ تیره شان به آسانی از سری سبز
ائوسن میانی قابل تشخیص است. برخلاف سری سبز میانی که نشان از ولکانیسم
زیر دریایی دارد، مجموعه ائوسن بالایی نشان دهنده ولکانیسم قاره ای تا دریایی

کم ژرفا(ساحلی) است. ائوسن بالایی در منطقه شامل واحدی زیر است:
واحدig – این واحد بطور عمده از ایگنیمبریت گدازه قهوه ای رنگ با ترکیب
اسیدی پدید آمده است. در آن لایه های گدازه ای آندزیتی و تراکیتی نیز دیده
∈۲
می شود. ∈۲
واحدt1 -بطور عمده از توفهای با ترکیب ریولیتی پدید آمده که در آن گدازه
ریولیتی نیز مشاهده می شود. رنگ این واحد سفید و در بخشهایی اندک به
خاکستری می گراید.
واحد t2a ∈۲ta – به رنگ قهوه ای تیره تا سیاه است و از گدازه های
اندزیتی،لاتیتی و بازالتی پدید آمده است.

۶۴

واحدt2 پاییز۹۲، شماره ۹
– از توف و لاپیلی توف پدید آمده است. ریز بالشهای گدازه ای
بازیک تیره در زمینه ای توفی و سفید دیده می شود.
∈۲
واحدpa1 – یک واحد گدازه ای با ترکیب میانه است که افقهای ایگنیمبریتی
در آن یافت می∈۲شود. سنگهای این واحد به طور عمده از نوع اندزیت تا پیروکسن
اندزیت اند. در افقهای بالایی آن چند لایه بازیک(بازالتی) جای گرفته است.
واحدt3 – این واحد ناپیوسته یا عدسی شکل از نوع توف برش یا لاپیلی توف
است که در ۲زمینه اسیدی این برشها بالشهای گدازه ای بازیک تیره جای دارند.

واحدpa2 – بطور عمده در برگیرنده اندزیت مگاپورفیریک است که در میان
آن چند∈۲لایه بازالتی و نیز ایگنیمبریت قرمز و قهوه ای با ترکیب اندزیتی تا
داسیتی دیده میشود. در سمت خاور، هسته یک طاقدیس را در کوه قوش گونی و در سمت باختر آن یک ساختمان گنبدی شکل را در کوه جوشالو پدید آورده
است.
واحدob,d – خاکستری رنگ است و سنگهای پدید آورده آن الیوین بازالت،
اندزیتیک بازالت∈۲و ایگنیمبریت گدازه با ترکیب داسیتی است.
واحدpa – آغازش با گدازه های حد واسط شیشه ای است و برگیرنده
∈۲

سنگهایی از جنس پیروکسن اندزیت پورفیری، الیوین بازالت، اندزیتیک بازالت، ماسه سنگهای ولکانوژنیک خاکستری، ایگنیمبریت با ترکیبی تراکیتی تا اندزیتی،
بازالت، کوارتز لاتیت و هیالو داسیت است.
واحدigd – یک و احد ایگنیمبریت گدازه ای خاکستری رنگ با ترکیب

داسیتی است∈.۲
واحد۲rt – یک واحد ناپیوسته با گسترش محدود است، تنها در پایین ترین
بخش خاوری منطقه دیده می شود. از توفهای کرم رنگ ریز دانه با ترکیب
ریولیتی تا داسیتی و از نوع ویتریک توف پدید آمده است.
واحدap – یک واحد ناپیوسته با گسترش محدود است، و تنها در سمت خاور
بر روی rt∈۲
واحد ۲ جای گرفته است. این واحد از سنگهای اندزیت پورفیری تا مگا

پورفیری پدید آمده است.

ob – بر روی واحدap
واحد ۲ جای گرفته و رنگ آن خاکستری تا خاکستری
روشن است. این واحد بطور عمده۲ از الیوین بازالت و هیالو الیوین بازالت زئولیت دار
∈ ∈
پدید آمده است.
واحد۲bb ∈ – تیره رنگ وستبر است و از آگلومرا با قلوه های بسیار درشت به
قطر ۳۰ سانتیمتر پدید آمده است. همه قلوه ها ترکیب بازیک(بازالتی) دارند.

واحدab – در برگیرنده سنگهای گدازه ای و گدازه های شیشه ای تیره و
ایگنیمبریت۲ گدازه خاکستری تا قهوه ای رنگ اندزیتی است. سنگهای آن در
برگیرنده اندزیت، پیروکسن، اندزیت ایگنیمبریت گدازه، بازالت و هیالو داسیت است.
واحد-b در برگیرنده دایکهای بازالتی است که در واحدهای ائوسن نفوذ کرده است.

الیگوسن

در این زمان توده های نفوذی با ترکیب گرانیتی تا دیوریتی دیده می شود که

واحد ائوسن بالایی و میانی را قطع کرده اند.
واحدa – از سنگهای آپلیتی با رنگ روشن پدید آمده است. گسترش این
واحد در نزدیکی توده بزرگ گرانیتی شمال باختر عباس آباد است.
O

واحد- g مجله زمین شناسی کاربردی پیشرفته
در برگیرنده توده گرانیتی است. این توده ها تا اندازه ای دگرگونگی و
آلتراسیون مجاورتی در اطراف خود پدید آورده اند. این توده ها در بخش های
O
ائوسن بالایی نفوذ کرده اند.
واحدd – این واحد شامل توده دیوریتی است. این دیوریتها به نسبت
O

درشت بلوراند. این توده ها دگرسانی ناچیزی در پیرامون خود پدید آوردهاند. ولی کانی سازی و دگرگونی چشم گیری را در پیرامون خود موجب نشدهاند. این توده ها در مجموعه ائوسن میانی نفوذ کردهاند.
نئوژن

نئوژن در منطقه با نهشتههای تخریبی – تبخیری قرمز رنگی آغاز میشود که بگونه ای دگرشیب بر روی واحدهای ولکانیک ائوسن جای میگیرد. این نهشتهها، به گمان، همارز سازند قرمز بالاییاند. نهشتههای نئوژن در منطقه به واحدهای زیر
تفکیک شده است.
واحدmsl – درب رگیرنده مارن قرمز رنگ با میان لایه های ژیپس و نمک،
ماسهسنگ و سیلتستون سبز و سنگهای آهکی نازک لایه است. این واحد بگونهای
M
دگرشیب برروی ولکانیکهای ائوسن جای میگیرد.
واحدm.g – دربرگیرنده شیل و مارن خاکستری با میان لایه ژیپس است
بخشی از نهشتههای نئوژن است برروی آبرفتهای عهد حاضر
این واحد که M Q12
رانده شده است و قاعده آن معلوم نیست.
واحدrsh – بگونه ای همشیب بر روی واحد m.g جای گرفته و در برگیرنده
M M
مارن و شیل قرمز با میان لایه هایی از ژیپس و نمک است.
M واحد rsh بهگونهای هم M
واحدsh – برروی شیب جای گرفته و بطور عمده
دربرگیرنده شیل قرمز است. sh M
واحدsh.sl – بگونهای همشیب برروی واحد جای گرفته و دربرگیرنده
تناوبی از لایه های شیلی قرمز و نمک است.
M
واحدs.g – بگونه ای همشیب برروی واحد sh.sl جای گرفته و شامل تناوبی
M M
از ماسه سنگ کرم تا خاکستری و لایههای ژیپس است.
M M
واحدs – این واحد بگونه ای همشیب برروی واحدs.g جای گرفته و ماسه
سنگهای کرم تا قهوهای است.
واحدm – این واحد بطور همشیب برروی واحدs جای گرفته و دربرگیرنده
تناوبی از مارن کرم تا خاکستری با میانلایههای مارن قهوهای همراه با قلوه و شن
M M
است.
پلیو- کواترنر
واحدc – با دگرشیبی به نسبت زیاد برروی نهشتههای رسوبی نئوژن
بطور عمده دربرگیرنده کنگلومرای سخت نشده تا کمی سیمانی شده
جای گرفته PLQو
است. جنس قلوه های این کنگلومرا بطور عمده سنگهای ولکانیک ائوسن و نیز
سنگهای گرانیتی الیگوسن است که میان لایه هایی از ماسه، سیلت و رس در آن دیده میشود.

نمونهبرداری و آنالیزهای شیمیایی

یکی از مراحل مهم و اساسی هر فاز اکتشافی طراحی نقاط نمونه برداری است که بعنوان اساس و پایه کار بایستی بدون خطاو یا با کمترین خطا صورت گیرد.

پاییز۹۲، شماره ۹

طراحی یاد شده با بررسی و شناخت حوضه های آبریزو شب که آبراهه ها و با هدف نمونه برداری از رسوبات رودخانه ای انجام می گیرد. در پژوهش حاضر نخست با بررسی نقشه های توپوگرافی ۱:۵۰٫۰۰۰منطقه محدوده حوضه های آبریز بررسی و سیستم آبراهه ها تکمیل گردید. سپس با استفاده از نقشه زمین شناسی منطقه، با در نظر گرفتن واحدهای سنگی مستعد کانی سازی، توده های نفوذی، همبری های مهم، سیستمهای گسلی، معادن قدیمی و فعال و … و همچنین با استفاده از نقشه ژئو مغناطیس هوایی و بررسی وضعیت جغرافیای منطقه ، راههای دسترسی و با توجه به زمان و بودجه پروژه، امر طراحی نمونه ها در ورقه انجام می شود.پس از طراحی نمونه ها روی نقشه های توپوگرافی مربوطه، این نقشه به منظور رقومی شدن محل نمونه ها و آبراهه ها ، جاده ها، روستاها اسکن شدند و لیست نمونه ها تهیه و در اختیار گروههای صحرایی قرار گرفت. مختصات دقیق هر نمونه همراه با نقشه های نمونه برداری و دستگاهGPSکمک شایانی در تسهیل امر نمونه برداری می کنند. به طور کلی چگالی نمونه ها در ورقه اشتهارد با توجه به وضعیت رخنمونهای سنگی آن به تقریب یک نمونه ژئوشیمیایی برای هر ۳/۴ کیلومتر مربع درکل ۳۵۷نمونه است . گروههای نمونه بردار با استفاده ازنقشه توپوگرافی و مختصا ت نقاط ثبت شده در دستگاه موقعیت یاب جهانی (GPS)، نمونه ها را برداشت کردند. نمونه ها پس از مرحله آماده سازی صحرایی در کیسه

های مناسب ریخته و شماره آنها بهصورت برچسب بروی نمونه ها ثبت می شود. لیست نمونه های برداشت شده در پایان هر روز در محل کمپ صحرایی کنترل و به نقشه های اصلی پیشرفت کار منتقل می شوند. نمونه برداری ژئو

شیمیایی از بستر رودخانه برداشت شده است نمونهها در معرض هوا خشک شدند سپس از الک ۰/۱۸ میلی متر عبور داده شدهاند. تعداد استگاههای نمونهبرداری ۳۵۷ عدد است. وزن نمونهها حدود ۳۰۰ گرم است. آمادهسازی نمونه ها با فرایند خردایش آغاز شده است. نمونه ها پس از کنترل نهایی شماره همراه با لیست مربوطه برای آنالیز به آزمایشگاه ارسال می شود. سیر آماده سازی نمونه ها با خردایش آغاز و با پودر کردن نمونه ها تا قطر ۲۰۰ مش ادامه می یابد. نمونه ها پس از همگن سازی اولیه در حجمی در حدود ۲۵ سانتی متر مکعب تا حدود ۲۰۰ مش پودر شده و مابقی آنها به صورت بایگانی ذخیره می شود. نوع وتعیین روش آنالیز و عناصر مورد درخواست به گسترش واحدهای سنگی گوناگون، نوع کانی سازی موجود در ناحیه مورد مطالعه و دیگر عوامل بستگی دارد. الگوهای متداول در تجزیه شیمیایی عناصر را امروزه روشهای اسپکترومتری جذب اتمی، کالوریمتری ، اسپکتروگراف تابشی و فلوئورسانس اشعه X تشکیل می دهند. در طرح اکتشافات ژئوشیمیایی ناحیه ای در ورقه۰۰۰ ،۱ :۱۰۰ اشتهارد ، نمونه ها پس از عبور از الک ۰/۱۸ میلی متر، پودر شدند ۰/۷۴) میلی متر). پس از آمادهسازی نمونهها، این نمونهها برای ۴۵ عنصر توسط شرکت توسعه علوم زمین مورد آنالیز قرار گرفتند که روش آنالیز در مورد عنصر طلا برای مقادیر بالا جذب اتمی و برای مقادیر پایین اسپکتروگراف نشری، برای عنصر قلع فلوئورسانس اشعه X وبرای بقیه عناصر روش ICP-OES بوده است. برای مقادیر بالای طلا، از روش اسپکترومتری جذب اتمی و برای مقادیر پایین از روش اسپکترومتری نشری

استفاده شده است.

۶۵

مجله زمین شناسی کاربردی پیشرفته پاییز۹۲، شماره ۹

شکل .۱ نقشهی زمینشناسی ۱۰۰۰۰۰ منطقهی اشتهارد

شبکهی عصبی مصنوعی

روش شبکهی عصبی مصنوعی یک روش ریاضیاتی است که دارای مجموعه-ی به هم پیوسته ای از عناصر پردازش شده است. شبکهی عصبی مصنوعی متعارف دارای سه لایه است . بسیاری از کارهای تئوری و آزمایشگاهی نشان داده-اند که یک لایه ی پنهان منفرد برای این روش کافی است تا بتواند هر پدیدهی غیرخطی را تخمین بزند ( Cybenko,1989;Jalili- Ghazizadeh and (Noori,2008;Noori et al,2009c؛ زیرا سلولهای میانی بهطور مستقیم نمیتوانند به سلولهای خروجی متصل شوند. در این مطالعه از یک مدل بر اساس

یک شبکه عصبی پیشرو با یک لایهی پنهان منفرد استفاده شده است.

انتخاب پیشرو

زمانی که تعداد متغیرهای کمکی ( N ) کم باشد، میتوان با محاسبهی یک معیار منطقی (RMS)، مدل پیشبینی را به دست آورد.همچنان که تعدا متغیرها افزایش مییابد، محاسبات نیز خیلی سریع افزایش مییابد. به همین دلیل است که استفاده از الگوریتم های گام به گام مانند انتخاب پیشرو متداول است. روش انتخاب پیشرو به منظور مدلسازی بسیار قوی بهطور موفقیت آمیز توسط بسیاری

از محققین استفاده شده است( Wang et al,2006;Chen et .(al,2004;Eksioglu et al,2005;Khan et al,2007 در این روش، که بر اساس مدل رگرسیون خطی است، گام اول مرتبسازی متغیرهای مستقل بر طبق همبستگی شان با متغیر وابسته است. متغیر مستقلی که بهترین همبستگی را با متغیر وابسته داشته باشد به عنوان اولین ورودی انتخاب میشود. دیگر متغیرها نیز یکی یکی بر حسب ضریب همبستگی شان با متغیر وابسته ورودی اضافه میشوند. این مرحله N-1 بار به منظور تخمین اثر هر متغیر بر روی مدل خروجی تکرار میشود. سرانجام از میان Nزیرمجموعه دادهی بهدست آمده، مجموعه دادهی با R2بهینه به عنوان زیرمجموعه ی ورودی مدل انتخاب شده است.

بحث و نتایج انتخاب ورودی روش انتخاب پیشرو

در این مطالعه، روش انتخاب پیشرو به عنوان تکنیک انتخاب ورودی خطی به منظور انتخاب بهترین زیرمجموعه از ۴۵ متغیر ورودی استفاده شد. به عبارت دیگر، یک مدل خطی با استفاده از بهترین ضریب همبستگی زیرمجموعهای از ورودی ها توسعه داده شد. اولا همبستگی بین هر متغیر ورودی و خروجی مورد نظر تخمین زده شد. دوما متغیر با بالاترین ضریب همبستگی یعنی مقداز سدیم برای لانتانیوم ( R2=0.87) و اورانیوم برای سریوم((R2= 0.86 به عنوان اولین و مهمترین ورودی انتخاب شد. سپس متغیرهای باقیمانده یکی یکی به داخل مدل فراخوانده شدند و متغیر جدیدی که بهترین مدلسازی را نتیجه میدهد به عنوان

ورودی جدید انتخاب شد و به متغیر قبلی انتخاب شده اضافه شد.

برای ارزیابی بهترین مدلسازی از ضریب همبستگی استفاده شد. این مرحله چندین بار تکرار شد تا زمانی که اضافه کردن متغیر جدید به ورودیها اثر قابل توجهی بر روی بهبود مدل خروجی نداشته باشد. به عبارت دیگر اگر افزایش در میزان R2 بیش از % ۵ باشد، متغیر جدید اضافه میشود.در نهایت، متغیرهای ورودی با بیشترین اثر بر روی خروجی، انتخاب شده و دیگر متغیرها حذف می-شوند. نتایح روش انتخاب پیشرو نشان داده است که ۲۳ متغیر ورودی برای سریم ( قلع، آلومینیوم، آرسنیک، برلیوم، کادمیوم، کبالت، سزیوم، مس، آهن، جیوه، پتاسیم، لانتانیوم، مولیبدن، نیکل، سرب، روبیدیم، اسکاندیم، استرانسیم، تلوریم، تالیم، اورانیوم، وانادیم و ایتریوم ) و ۲۳ متغیر ورودی هم برای لانتانیوم(مختصات x، نقره، آرسنیک، باریم، بریلیوم، کادمیوم، سریوم ، سزیوم، آهن، جیوه، مولیبدن، سدیم، نیوبیوم، سرب، گوکرد، انتیموان، اسکاندیوم، تلوریم، توریوم، اورانیوم، تنگستن، زیرکونیوم ) بر طبق اهمیت شان به عنوان متغیرهای ورودی انتخاب شده است. به عبارت دیگر این ۲۳ عنصر دارای بیشترین تاثیر بر روی مدل پیشبینی میزان عناصر لانتانیوم و سریوم موجود در منطقهی مورد مطالعه است.

۶۶

مجله زمین شناسی کاربردی پیشرفته

توسعهی مدل شبکهی عصبی مصنوعی

برای ارزیابی اثر انتخاب ورودی بر روی مدل شبکهی عصبی مصنوعی، دو
مدل توسعه داده شد. اولا، مدل شبکه عصبی مصنوعی با استفاده از همهی
متغیرهای ورودی یعنی ۴۵ عنصر آنالیز شده توسعه داده شد. ثانیا، متغیرهای
ورودی حاصل از روش انتخاب پیشرو به عنوان ورودی شبکه عصبی مصنوعی در نظر گرفته شد؛ یعنی ۲۳ عنصر برای لانتانیوم و ۲۳ عنصر برای سریوم.

(جدول۱و(۲ نتایج کالیبراسیون و تست مدل را نشان می دهند. بر طبق این جداول، دقت همهی مدل ها نسبتا مشابه است، اما مدل انتخاب پیشرو بهتر است، زیرا مدل انتخاب پیشرو نه تنها دقت بالاتری دارد، بلکه تعداد ورودی کمتری هم
دارد. از میان این دو مدل، مدل انتخاب پیشرو به دلیل تعداد ورودی کمتر به
عنوان بهترین مدل انتخاب شد. برای محاسبه ی میزان لانتانیوم و سریوم در
منطقه ی مورد مطالعه، یک کد عددی در نرمافزار((MATLAB توسعه داده شد.
بنابراین، مدلهای شبکهی عصبی مصنوعی و انتخاب پیشرو از دادههای
حاصل از نمونهبرداری در منطقه بهدست آمده است. نتیجهی این مدلها نشان داد که مقادیر لانتانیوم و سریوم پیش بینی شده در حین مراحل تست و کالیبراسیون توسط تخمین فواصل اطمینان نتایج شبیهسازی کمی شدهاند.نتیج حاصل از مدلسازی مقادیر لانتانیوم و سریوم برای مدل شبکهی عصبی مصنوعی در مرحله-ی کالیبراسیون در (شکلهای ۲و۳ و۴ )به ترتیب نشان داده شده است. همچنین نتایج حاصل از مدلسازی مقادیر لانتانیوم و سریوم برای مدل شبکهی عصبی مصنوعی در مرحله ی تست در (شکلهای ۳و (۵به ترتیب نشا ن داده شده است.

نتایج مدل انتخاب پیشرو در مراحل کالیبراسیون و تست برای لانتانویم و سریوم در (شکلهای ۶، ۷، ۸و(۹ نشان داده شده است. با توجه به نتایج حاصل از مدل-

سازی شبکه ی عصبی مصنوعی و انتخاب پیشرو (شکلهای ۴،۲ ، ۶و (۸ بدیهی
است که در مرحلهی کالیبراسیون، هر دو مدل روند کاهش و افزایش در مقادیر
لانتانیوم و سریوم را پیشبینی می کنند. یک روند مشابه نیز در مرحلهی تست
(شکلهای ۳، ۵، ۷و ۹ ) مشاهده شده است. با توجه به مقادیر ضریب همبستگی،
هر دو مدل (شبکه ی عصبی مصنوعی و انتخاب پیشرو) در پیشبینی مقادیر
لانتانیوم و سریوم قابل قبول هستند؛ اگرچه مدل انتخاب پیشرو بهتر است. زیرا

پاییز۹۲، شماره ۹

مقادیر ضریب همبستگی مدل انتخاب پیشرو برای مدل پیشبینی مقادیر لانتانیوم و سریوم برای بالاتر از مقادیر حاصل از مدل شبکهی عصبی مصنوعی است (جدول ۱و .( ۲ بنابراین، در این پژوهش، مدل انتخاب پیشرو به عنوان بهترین مدل برای پیشبینی مقادیر لانتانیوم و سریوم در منطقه ی مورد مطالعه انتخاب شد.