پیش‌بینی فلزات سنگین در پساب اسیدی معدن با استفاده از مدل  سیستم استنتاج عصبی-فازی تطبیقی چند متغیره

Posted on فوریه 11, 2018

در این مطالعه، بر طبق ماتریس همبستگی (جدول 4-2)، pH، SO4 و Mg که بیشترین وابستگی به غلظت فلزات سنگین (مس، منگنز و روی) دارند به عنوان ورودی شبکه و خروجی شبکه غلظت فلزات سنگین از جمله مس، آهن، منگنز و روی انتخاب شدند. از نقطه نظر الزامات انفیس چند خروجی، متغیرهای مستقل و وابسته نسبت به فاصله، توسط یک فرآیند تبدیل، نرمالیزه شدند. در اینجا، یک برنامه کامپیوتری در محیط نرم افزار متلب توسعه داده شده است و آلودگی فلزات سنگین براساس سه پارامتر ذکر شده، مدل شده‌اند.

نرمال­سازی داده­ها (ورودی و خروجی) در محدوده (1,1-) با استفاده از معادله (4-1) انجام شد و سپس تعداد 44 داده آموزشی و 11 داده آزمون به صورت تصادفی انتخاب شدند[54]:

(4-1)

در این معادله:

: پارامتر نرمال شده؛

: پارامتر حقیقی؛

: کمینه پارامتر حقیقی؛

: بیشینه پارامتر حقیقی هستند.

جدول4-2ماتریس همبستگی بین غلظت فلزات سنگین و متغییرهای مستقل[54]

  pH SO4 Cl HCO3 Ca Mg Cu Fe Mn Zn TDS  EC
pH 1                      
SO4 713/0- 1                    
Cl 046/0- 035/0- 1                  
HCO3 310/0 507/0- 534/0 1                
Ca 308/0- 645/0 088/0 014/0- 1              
Mg 625/0- 694/0 004/0- 238/0- 121/0 1            
Cu 697/0- 663/0 101/0- 199/0 238/0 121/0 1          
Fe 021/0 078/0 195/0- 255/0- 164/0- 008/0- 022/0- 1        
Mn 758/0- 668/0 160/0- 305/0- 173/0 709/0 809/0 068/0 1      
Zn 710/0- 624/0 186/0- 306/0- 204/0 659/0 720/0 156/0 910/0 1    
TDS 407/0- 649/0 235/0- 334/0- 509/0 366/0 390/0 099/0 563/0 613/0 1  
EC 779/0- 767/0 212/0 096/0- 475/0 727/0 757/0 081/0- 739/0 628/0 334/0 1

 

4-2-1-معیارهای ارزیابی عملکرد مدل

دو معیار برای ارزیابی اثربخشی هر شبکه­ و توانایی آن برای پیش­بینی­های دقیق مورد استفاده قرار گرفت. معیار بازده  را می‌توان به شرح زیر محاسبه کرد:

(4-1)

که در آن  نشان دهنده درصد عدم اطمینان اولیه شرح داده شده توسط مدل است. بهترین انطباق بین مقادیر اندازه­گیری شده و پیش­بینی شده که بعید است رخ بدهد جایی است که  باشند. و اگر  باشد بدان معنی است که عملکرد مدل برای پیش‌بینی خیلی ضعیف است.

همچنین محاسبه میانگین مربعات خطا[1] بین مقادیر اندازه‌گیری شده و پیش‌بینی شده، به صورت زیر ارائه می‌گردد:

(4-3)

که در آن:

: مقدار اندازه­گیری شده؛

: مقدار پیش­بینی شده است.

لازم به ذکر می‌باشد که هرچه MSE پایین‌تر باشد یعنی مدل، عملکرد خوبی از خود نشان داده است.

4-3-نتایج حاصل از سیستم استنتاج عصبی-فازی تطبیقی چندخروجی

در این مطالعه، آموزش و تست سه مدل MANFIS-GP، MANFIS-SCM وMANFIS-FCM  برای مجموعه داده‌ها انجام شد. مقدار R2 و MSE به دست آمده برای مجموعه داده‌های آموزشی نشان دهنده  قابلیت یادگیری مدل ساخته شده است؛ همچنین نتایج حاصل از داده‌های ارزیابی نشان دهنده پتانسیل تعمیم و توانایی بالای روش MANFIS-SCM برای مدل‌سازی سیستم است. خصوصیات مدل‌های MANFIS در جدول (4-3) نشان داده شده است.

 

جدول 4-3-خصوصیات مدل‌های MANFIS

پارامترهای MANFIS MANFIS

(GP)

MANFIS

(SCM)

MANFIS

(FCM)

نوع توابع عضویت Gaussian Gaussian Gaussian
خروجی توابع عضویت Linear Linear Linear
تعداد گره‌ها 286 310 166
تعداد پارامترهای خطی 500 152 80
تعداد پارامترهای غیر خطی 30 228 120
تعداد کل پارامترها 530 380 200
تعداد داده‌های آموزش 44 44 44
تعداد داده‌های آزمون 11 11 11
تعداد قوانین فازی 125 38 20

 

تعداد قوانین بدست آمده برای MANFIS-GP، MANFIS-SCM و MANFIS-FCM به ترتیب 125، 38 و 20 می‌باشد. بعلاوه، توابع عضویت پارامترهای ورودی برای مدل‌های مختلف در شکل (4-5) تا (4-7) نشان داده شده است.

 

 

 

 

 

 

 

 

 

 

 

 

 

شکل 4-8 -توابع عضویت به دست آمده توسط مدل MANFIS-GP

 

 

 

 

 

 

 

شکل 4-9-توابع عضویت به دست آمده توسط مدل MANFIS-SCM

 

 

 

 

 

 

شکل 4-10-توابع عضویت به دست آمده توسط مدل MANFIS-FCM

 

 

مقایسه بین نتایج بدست آمده از سه مدل در جدول (4-4) نشان داده شده است. همانطوری که در این جدول مشاهده می‌کنید روشMANFIS-SCM  نسبت به دو روش دیگر برای پیش‌بینی فلزات سنگین رودخانه شور مدل بهتری است.

 

جدول 4-4-مقایسه بین نتایج حاصل از سه مدل برای مجموعه داده‌های آزمون

 

مدل MANFIS

Cu   Fe    

Mn

     

Zn

  MSE R2 MSE R2 MSE R2 MSE R2
MANFIS-GP 1796/0 59/0 522/0 003/0 0838/0 37/0 0497/0 75/0
MANFIS-SCM 0096/0 79/0 0995/0 016/0 0112/0 801/0 0208/0 807/0
MANFIS-FCM 025/0 31/0 0716/0 023/0 0256/0 66/0 852/0 79/0

 

شاخص‌های عملکرد به دست آمده در جدول (4-4) کارایی بالای مدل MANFIS-SCM را نشان می‌دهد که می‌تواند با موفقیت در برآورد فلزات سنگین در پساب اسیدی معدن استفاده شود. علاوه بر این، همبستگی بین مقادیر اندازه‌گیری شده و پیش‌بینی شده فلزات سنگین در پساب اسیدی معدن برای داده‌های آزمون در شکل (4-8) تا (4-11) نشان داده شده است. همچنین، مقایسه بین مقادیر اندازه‌گیری شده و پیش‌بینی شده فلزات سنگین در پساب اسیدی معدن توسط مدل MANFIS-SCM برای 55 مجموعه داده در مراحل آزمون در شکل (4-12) تا (4-15) نشان داده شده است. همانطور که در این شکل‌ها نشان داده شده است، نتایج حاصل از مدل MANFIS-SCM یک مدل با برازش خوب برای دو مجموعه داده­های­ غلظت­های مس، منگنز و روی و با برازش ضعیف برای غلظت آهن را فراهم ساخت. مدل با برازش ضعیف برای یون آهن نتیجه همبستگی پایین بین آهن و متغیرهای مستقل در جدول (4-1) است.

 

 

 

 

 Cuاندازه گیری شده (آموزش)

)الف)

 

 Cu اندازه‌گیری شده (آزمون)

(ب)

شکل 4-11-همبستگی بین مقادیر اندازه گیری شده و پیش‌بینی شده مس توسط مدل  MANFIS-SCM الف) مجموعه داده‌های آموزشی، ب) مجموعه داده آزمون

 

 

 

 Fe اندازه‌گیری شده (آموزش)

(الف)

 Fe اندازه‌گیری شده (آزمون)

(ب)

شکل4-12-همبستگی بین مقادیر اندازه گیری شده و پیش‌بینی شده آهن توسط مدل  MANFIS-SCM الف) مجموعه داده‌های آموزشی، ب) مجموعه داده آزمون

 

 

 

 Mn اندازه‌گیری شده (آموزش)

 

(الف)

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 Mn اندازه‌گیری شده (آزمون)

(ب)
شکل 4-13-همبستگی بین مقادیر اندازه گیری شده و پیش‌بینی شده منگنز توسط مدل  MANFIS-SCM الف) مجموعه داده‌های آموزشی، ب) مجموعه داده آزمون

 

 

 

 

 

 Zn اندازه‌گیری شده (آموزش)

(الف)

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 Zn اندازه‌گیری شده (آزمون)

(ب)

شکل 4-14-همبستگی بین مقادیر اندازه گیری شده و پیش‌بینی شده روی توسط مدل  MANFIS-SCM الف) مجموعه داده‌های آموزشی، ب) مجموعه داده آزمون

 

 

اندازه‌گیری شده
پیش‌بینی شده توسط

 

 

 

تعداد نمونه‌ها

شکل 4-15-مقایسه بین اندازه گیری و پیش‌بینی شده Cu با استفاده از مدل MANFIS-SCM برای مجموعه داده‌های آزمون

 

پیش‌بینی شده توسط

 

 

 

اندازه‌گیری شده
تعداد نمونه‌ها

شکل 4-16-مقایسه بین اندازه گیری و پیش‌بینی شده Fe با استفاده از مدل MANFIS-SCM برای مجموعه داده‌های آزمون

 

 

 

اندازه‌گیری شده
پیش‌بینی شده توسط

 

 

 

تعداد نمونه‌ها

شکل 4-17-مقایسه بین اندازه گیری و پیش‌بینی شده Mn با استفاده از مدل MANFIS-SCM برای مجموعه داده‌های آزمون

 

 

پیش‌بینی شده توسط

 

 

 

اندازه‌گیری شده
تعداد نمونه‌ها

شکل4-18-مقایسه بین اندازه گیری و پیش‌بینی شده Zn با استفاده از مدل MANFIS-SCM برای مجموعه داده‌های آزمون

 

 

در ادامه برای تثبیت درستی روش به مقایسه نتایج بدست آمده با روش رگرسیون خطی چندگانه می‌پردازیم.

4-4-رگرسیون خطی

روش رگرسیون یکی از روش‌های آماری است که اغلب به طور گسترده مورد استفاده قرار گرفته است. تحلیل رگرسیون چندگانه یک روش آماری چند متغیره است که برای بررسی ارتباط بین یک متغیر وابسته منفرد و مجموعه‌ای از متغیرهای مستقل بکار برده می‌شود. هدف از تحلیل رگرسیون چندگانه استفاده از متغیرهای مستقل هستند که مقادیر آن‌ها برای پیش‌بینی متغیر وابسته منفرد شناخته شده است.

اگر بخواهیم واژه رگرسيون را از لحاظ لغوی تعریف نماییم، این واژه در فرهنگ لغت به معني پسروی، برگشت و بازگشت است. اما اگر آن را از دید آمار و ریاضیات تعریف کنیم اغلب جهت رساندن مفهوم “بازگشت به يک مقدار متوسط يا ميانگين” به کار مي‌رود. بدين معني که برخي پديده‌ها به مرور زمان از نظر کمي به طرف يک مقدار متوسط ميل مي‌کنند. به طور کلی رگرسيون خطي براي مدل كردن مقدار يك متغير كمي وابسته كه بر رابطة خطي‌اش با يك يا چند پيشگو بنا شده است به كار مي‌رود.

در حقيقت تحليل رگرسيوني فن و تکنيکي آماري براي بررسي و مدل‌سازي ارتباط بين متغيرها است. رگرسيون تقريباً در هر زمينه‌اي از جمله مهندسي، فيزيک، اقتصاد، مديريت، علوم زيستي، بيولوژي و علوم اجتماعي برای برآورد و پیش‌بینی مورد نیاز است. مي‌توان گفت تحليل رگرسيوني، پرکاربردترین روش در بين تکنيک‌هاي آماري است.

4-4-1-رگرسیون خطی چندگانه

رگرسیون خطی چندگانه[2] روشی است که برای ارتباط خطی بین یک متغیر وابسته و یک یا چند متغیر مستقل مورد استفاده قرار می‌گیرد. شکل عمومی‌آن به شرح زیر است:

(4-4)

 

که در این رابطه  متغیر پیش‌بینی شده و مقادیر  ضرایب رگرسیون می‌باشند، که در آن ضرایب   متغیرهای مستقل را شامل می‌شوند و  خطای بین متغیر اصلی و پیش‌بینی شده را نمایان می‌سازد.

تحليل‌گر در ابتدا حدس مي‌زند که بين دو متغير نوعي ارتباط وجود دارد، که این رابطه به شکل يک خط بين دو متغير وجود دارد؛ سپس به جمع‌آوري اطلاعات کمي از دو متغير (متغیر وابسته و متغیر مستقل) مي‌پردازد و اين داده‌ها را به صورت نقاطي در يک نمودار دو بعدي رسم مي‌کند.

در صورتي که نمودار نشان دهنده اين باشد که داده‌ها تقريباً در امتداد يک خط مستقيم پراکنده شده‌اند، حدس تحليل‌گر تأييد شده و اين ارتباط خطي به صورت رابطه (4-4) نمايش داده مي‌شود. معمولاَ فرض می‌شود که خطاها یکدیگر را خنثی می‌کنند، به عبارت دیگر مجموع خطاها برابر صفر است. همچنین فرض می‌شود خطای موجود در یک مشاهده، رابطه‌ای با خطاهای دیگر ندارد و در نهایت تغییرات بین خطاها ثابت در نظر گرفته می‌شود. این سه فرض برای ساختن یک مدل ضروری است و روش‌های بسیاری برای پی بردن به وجود (یا عدم برقراری) این فرض‌ها وجود دارد. یکی از دلایل استفاده‌های نادرست از رگرسیون معمولاَ نادیده گرفتن این فرض‌ها است که موجب استدلال‌های غلط خواهد شد.

در صورتي که در مدل رگرسيوني فقط يک متغير مستقل وجود داشته باشد، مدل را مدل رگرسيوني خطي ساده مي نامند[[i] ]. هدف از تحلیل رگرسیون مشخص کردن پارامترهای معادله رگرسیون و مقایسه کمی‌میزان جفت و جور شدن مدل با متغیر مستقل می‌باشد[[ii]]. از نرم افزار SPSS برای انجام آنالیز رگرسیون استفاده شد.

SPSS يك نرم‌افزار بسيار معتبر و قوي در زمينه تحليل‌هاي آماري است كه سال‌ها مورد استفاده قرار گرفته است. در اين نرم‌افزار يك كاربرگ براي ورود داده‌‌ها در اختيار شما قرار مي‌گيرد. پس از وارد كردن داده‌ها، فرمان‌هاي مورد نظر خود جهت انجام انواع محاسبات، تبديل‌ها، رسم نمودارها و تحليل‌ها را مي‌توانيد اعمال كنيد و سپس نتيجه كار خود را در يك صفحه ديگر مشاهده نماييد.

4-5-نتایج حاصل از رگرسیون خطی چندگانه

در این مطالعه، آنالیز رگرسیون با استفاده از داده­های آموزشی و آزمون‌ به کار رفته در داده­های شبکه عصبی-فازی انجام شد. غلظت­های فلزات سنگین به عنوان متغیرهای وابسته و pH، SO4 و Mg به عنوان متغیرهای مستقل در نظر گرفته شدند. روابط تخمینی رگرسیون برای فلزات سنگین به صورت زیر ارائه می­گردند:

(4-5)
(4-6)
(4-7)
(4-8)

 

نتایج آماری از مدل رگرسیون خطی چند متغیره در جدول (4-5) نشان داده شده است. غلظت فلزات سنگین با توجه به معادلات (4-5) تا (4-8) برآورد شده است.

 

 

 

 

 

جدول 4-5-مشخصات آماری از مدل رگرسیون چندگانه

معادله روش متغیرهای مستقل ضریب خطای استاندارد تخمین خطا  استاندارد مقدارT نسبتF Sig.level R2
(4-5) Enter مقدار ثابت 976/36 51/17 731/21 437/1 23/38 157/0 692/0
    PH 566/11-    301/3 50/3-   001/0  
    SO4 015/0   013/0 205/1   234/0  
    Mg 587/0    170/0 455/3    001/0  
(4-6) Enter مقدار ثابت 802/5 48813/4 599/6 880/0 192/0 383/0 015/0
    PH 242/0-   846/0 286/0-   776/0  
    SO4 002/0   003/0 714/0   478/0  
    Mg 3118/0   044/0 688/0   495/0  
(4-7) Enter مقدار ثابت 233/37 3/6 77/10 197/3 398/3699 003/0 73/0
    PH 264/6-   370/1 167/4   001/0  
    SO4 0.007-   005/0 992/0   327/0  
    Mg 12/0   006/0 172/2   036/0  
(4-8) Enter مقدار ثابت 156/16 48/3 127/5 151/3 34/28 003/0 62/0
    PH 843/2-   658/0 322/4-   0/0  
    SO4 003/0   003/0 262/1   213/0  
    Mg 051/0   034/0 506/1   138/0  

 

شکل 4-19 همبستگی بین غلظت فلزات سنگین اندازه‌گیری شده و پیش­بینی شده با استفاده از MLR برای داده‌های آزمون و آموزش را نشان می­دهد.

 

الف)همبستگی بین غلظت فلزات سنگین اندازه‌گیری شده و پیش­بینی شدهCu(آموزش داده)

 

 

 

ب)همبستگی بین غلظت فلزات سنگین اندازه‌گیری شده و پیش­بینی شدهCu(آزمون داده)

 

ج)همبستگی بین غلظت فلزات سنگین اندازه‌گیری شده و پیش‌بینی شدهFe (آموزش داده)

 

د)همبستگی بین غلظت فلزات سنگین اندازه‌گیری شده و پیش‌بینی شدهFe  (آزمون داده)

 

 

 

 

 

 

 

 

ه)همبستگی بین غلظت فلزات سنگین اندازه‌گیری شده و پیش‌بینی شده Mn (آموزش داده)

 

 

و)همبستگی بین غلظت فلزات سنگین اندازه‌گیری شده و پیش‌بینی شدهMn  (آزمون داده)

 

 

ی)همبستگی بین غلظت فلزات سنگین اندازه‌گیری شده و پیش‌بینی شدهZn  (آموزش داده)

 

 

 

 

م)همبستگی بین غلظت فلزات سنگین اندازه‌گیری شده و پیش‌بینی شدهZn  (آزمون داده)

شکل 4‑19 -همبستگی بین غلظت فلزات سنگین اندازه‌گیری شده و پیش­بینی شده با استفاده از MLR برای داده‌های آزمون و آموزش

 

همانطور که در شکل (4-19) دیده می‌شود پیش­بینی­های نامناسب از فلزات سنگین توسط مقادیر منفی نشان داده شده که از مهم­ترین نقطه ضعف‌های روش رگرسیون خطی چندگانه نسبت به روش سیستم استنتاج عصبی-فازی تطبیقی چند متغیره است (جدول4-6).

جدول4-6-مقایسه نتایج بدست آمده از روش MANFIS-SCM و MLR

 

Method

Cu    

Fe

    

Mn

 

Zn

R2(train) R2(test) R2 (train) R2 (test) R2 (train) R2(test) R2 (train) R2 (test)
MANFIS-SCM 99/0 79/0 24/0 016/0 98/0 80/0 98/0 80/0
MLR 63/0 75/0 032/0 04/0 65/0 55/0 52/0 45/0

 

ضریب همبستگی پایین بین پیش­بینی مدل و داده­های اندازه­گیری شده با روش رگرسیون خطی چندگانه توانایی پایین آن در پیش­بینی فلزات سنگین را شرح می­دهد.

[1]  Mean Square Error(MSE)

[2]  Multiple Linear Regression (MLR)

[i]   Regression: A Comparison Report,” Finance India,Vol. xxi , No.3, pp. 923-930. 2007.

 

[ii] Kuzmanovski, I. Aleksovska. S.”Optimization of artificial neural networks for prediction of the unit cell parameters in orthorhombic perovskites; Comparison with multiple linear regression,” Chemometrics and Intelligent Laboratory Systems 67, 167– 174.2003

 

 

 

واژگان فارسی به انگلیسی

 

اطلاعاتی بر پایه داده Data-driven

 

اطلاعاتی برپایه‌ی ادراک Knowledge-driven
باطله‌های فرآوری Tailing
باقی مانده اکسیژن شیمیایی Chemical oxygen demand
بر پایه دانش Knowledge base
بیزین Bayesian

 

پارتیشن‌بندی شبکه Grid Partitioning
پدیده بیش از اتصالات over fitting phenomenon
پساب اسیدی معدن Acid Mine Drainage
تابع عضویت Membersip Function
ترینبر Trainbr

 

تندترین شیب Steepest decant
تنسینگ Tansing
تیوباسیلوس فرو اکسیدان thiobacillus ferroxidants
رادباز Radbaz
رایانش نرم Soft Computing

 

رگرسیون خطی چندگانه Multiple linear regression
روباره‌های معادن Overburden
روش حداقل مربعات Least square method
روش خوشه‌بندی کاهشی Subtractive clustering method
روش فازی میانگین-c Fuzzy C-means method
ریشه میانگین مربع خطا Root Mean Square Error
زون اکسید Oxide Zone

 

زون سوپرژن Supergene Zone
زون هیپوژن Hypogene Zone
سیستم استنتاج عصبی-فازی تطبیقی Adaptive neuro-fuzzy inference system (ANFIS)
سیستم استنتاج عصبی-فازی تطبیقی چندخروجی Multi-outputs Adaptive Neuro-fuzzy System (MANFIS)
سیستم استنتاج فازی Fuzzy Inference System(FIS)
سیستم استنتاج فازی خالص Pure fuzzy inference system

 

 

سیستم استنتاج فازی ممدانی Mamdani fuzzy inference system
سیستم فازی تاکاگی-سوگنو-کانگ Takagi Sugeno Kang FIS
سیستم فازی تطبیقی Adaptive FIS
سیستم‌های هوشمند Intelligent Systems
شبکه عصبی مصنوعی Artificial Neural Network
شبکه عصبی مصنوعی پس انتشار Back Propagation Neural Network(BPNN)
شبکه عصبی مصنوعی پس انتشار Back-propagation
شبکه عصبی مصنوعی رگرسیون عمومی General Regression Neural Network(GRNN)
شبکه عصبی مصنوعی مدولار Modular Neural Network
طرح معدن کاری Mine plan
غلظت اکسیژن محلول Dissolved oxygen
غیر فازی ساز DeFuzzifier
فازی ساز Fuzzifier

 

قوانین اگر-آنگاه If-then rule
کانی‌های محلول Dissolved minerals
کل جامد محلول Total dissolved solids
کواری‌ها Quarries
الگوریتم آموزشی ترکیبی Hybrid Learning algorithm

 

الگوریتم تنظیم Regularization
محاسبه واریانس بین دو چیز Variance Account For(VAF)
معادن روباز نواری Back filled open cast mining
منطق فازی Fuzzy logic

 

مؤلفه تجربی Empirical

 

مؤلفه مفهومی Conceptual

 

هیپ Heap

واژگان انگلیسی به فارسی

 

 

پساب اسیدی معدن Acid Mine Drainage
سیستم فازی تطبیقی Adaptive FIS
سیستم استنتاج عصبی-فازی تطبیقی Adaptive neuro-fuzzy inference system
شبکه عصبی مصنوعی Artificial Neural Network
معادن روباز نواری Back filled open cast mining
شبکه عصبی مصنوعی پس انتشار Back Propagation Neural Network
شبکه عصبی مصنوعی پس انتشار Back-propagation
بیزین Bayesian

 

باقی مانده اکسیژن شیمیایی Chemical oxygen demand
مؤلفه مفهومی Conceptual

 

اطلاعاتی بر پایه داده Data-driven

 

غیر فازی ساز DeFuzzifier
کانی‌های محلول Dissolved minerals
غلظت اکسیژن محلول Dissolved oxygen
مؤلفه تجربی Empirical

 

فازی ساز Fuzzifier

 

روش فازی میانگین-c Fuzzy C-means method
سیستم استنتاج فازی Fuzzy Inference System
منطق فازی Fuzzy logic

 

شبکه عصبی مصنوعی رگرسیون عمومی General Regression Neural Network
پارتیشن‌بندی شبکه Grid Partitioning
هیپ Heap
الگوریتم آموزشی ترکیبی Hybrid Learning algorithm

 

زون هیپوژن Hypogene Zone
قوانین اگر-آنگاه If-then rule
سیستم‌های هوشمند Intelligent Systems
بر پایه دانش Knowledge base
اطلاعاتی برپایه‌ی ادراک Knowledge-driven
روش حداقل مربعات Least square method
سیستم استنتاج فازی ممدانی Mamdani fuzzy inference system
تابع عضویت Membersip Function
طرح معدن کاری Mine plan
شبکه عصبی مصنوعی مدولار Modular Neural Network
سیستم استنتاج عصبی-فازی تطبیقی چندخروجی Multi-outputs Adaptive Neuro-fuzzy System
رگرسیون خطی چندگانه Multiple linear regression
پدیده بیش از اتصالات over fitting phenomenon
روباره‌های معادن Overburden
زون اکسید Oxide Zone

 

سیستم استنتاج فازی خالص Pure fuzzy inference system

 

کواری‌ها Quarries
رادباز Radbaz
الگوریتم تنظیم Regularization
ریشه میانگین مربع خطا Root Mean Square Error
رایانش نرم Soft Computing

 

تندترین شیب Steepest decant
روش خوشه‌بندی کاهشی Subtractive clustering method
زون سوپرژن Supergene Zone
باطله‌های فرآوری Tailing
سیستم فازی تاکاگی-سوگنو-کانگ Takagi Sugeno Kang FIS
تنسینگ Tansing
تیوباسیلوس فرو اکسیدان thiobacillus ferroxidants
کل جامد محلول Total dissolved solids
ترینبر Trainbr

 

محاسبه واریانس بین دو چیز Variance Account For(VAF)
پساب اسیدی معدن Acid Mine Drainage
سیستم فازی تطبیقی Adaptive FIS
سیستم استنتاج عصبی-فازی تطبیقی Adaptive neuro-fuzzy inference system
شبکه عصبی مصنوعی Artificial Neural Network
معادن روباز نواری Back filled open cast mining
شبکه عصبی مصنوعی پس انتشار Back Propagation Neural Network
شبکه عصبی مصنوعی پس انتشار Back-propagation
بیزین Bayesian

 

باقی مانده اکسیژن شیمیایی Chemical oxygen demand
مؤلفه مفهومی Conceptual

 

اطلاعاتی بر پایه داده Data-driven

 

غیر فازی ساز DeFuzzifier
کانی‌های محلول Dissolved minerals
غلظت اکسیژن محلول Dissolved oxygen
مؤلفه تجربی Empirical

 

فازی ساز Fuzzifier

 

سیستم استنتاج فازی Fuzzy Inference System
منطق فازی Fuzzy logic

 

شبکه عصبی مصنوعی رگرسیون عمومی General Regression Neural Network
هیپ Heap
الگوریتم آموزشی ترکیبی Hybrid Learning algorithm

 

زون هیپوژن Hypogene Zone
قوانین اگر-آنگاه If-then rule
سیستم‌های هوشمند Intelligent Systems
بر پایه دانش Knowledge base
اطلاعاتی برپایه‌ی ادراک Knowledge-driven
روش حداقل مربعات Least square method
سیستم استنتاج فازی ممدانی Mamdani fuzzy inference system
تابع عضویت Membersip Function
طرح معدن کاری Mine plan
شبکه عصبی مصنوعی مدولار Modular Neural Network
سیستم استنتاج عصبی-فازی تطبیقی چندخروجی Multi-outputs Adaptive Neuro-fuzzy System
رگرسیون خطی چندگانه Multiple linear regression
پدیده بیش از اتصالات over fitting phenomenon
روباره‌های معادن Overburden
زون اکسید Oxide Zone

 

سیستم استنتاج فازی خالص Pure fuzzy inference system

 

کواری‌ها Quarries
رادباز Radbaz
الگوریتم تنظیم Regularization
ریشه میانگین مربع خطا Root Mean Square Error
رایانش نرم Soft Computing

 

تندترین شیب Steepest decant
زون سوپرژن Supergene Zone
باطله‌های فرآوری Tailing
سیستم فازی تاکاگی-سوگنو-کانگ Takagi Sugeno Kang FIS
تنسینگ Tansing
تیوباسیلوس فرو اکسیدان thiobacillus ferroxidants
کل جامد محلول Total dissolved solids
ترینبر Trainbr

 

محاسبه واریانس بین دو چیز Variance Account For(VAF)

 

 

 

 

 

 

 

 

 

 

 

 

Abstract:

Groundwater from pyrite oxidation and acid mine drainage (AMD) generation, and release and transport of toxic metals are common the worst environmental problems associated with the mining industry. Estimation of the heavy metals in AMD is a major task in developing an appropriate remediation strategy. In besides of, high concentrations of heavy metals in AMD may be harmful to human beings and animals. Expert systems are widely used in many applications. In this study, a multi-output adaptive neuro-fuzzy inference system (MANFIS) was used for modeling of heavy metals in AMD of Sarcheshmeh porphyry copper deposit. The aim of this paper is to estimate the concentration of cu and Fe ,Mn,Zn  from AMD using  MANFIS and multiple linear regression (MLR), by taking pH, sulphate (SO4) and magnesium (Mg) concentrations in AMD into account in Shur River, Sarcheshmeh porphyry copper deposit, southeast Iran. Three MANFIS models were implemented, grid partitioning (GP), subtractive clustering method (SCM) and fuzzy c-means clustering method (FCM). A comparison was made between these three models and the results show the superiority of  MANFIS-SCM model. The results obtained indicate that  MANFIS-SCM model has strong potential to estimation of the heavy metals with high degree of accuracy and robustness. The comparison between the predicted concentrations and the measured data resulted in the correlation coefficients, R2, 0.79, 0.016, 0.80 and 0.80 for Cu, Fe, Mn and Zn ions using MANFIS-SCM method. However, the correlation coefficients were low for the results predicted by MLR method (0.75, 0.04, 0.55 and 0.45 for Cu, Fe, Mn and Zn ions, respectively).  As a matter of fact, MANFIS method has provided a better estimation of the heavy metals   and resulted the running time faster compared with that of  MLR.

 

Keywords: Multi output adaptive neuro-fuzzy inference system, Acid mine drainage, Heavy metals, Multiple linear regression.

 

 

 

Department of Mininig Engineering

 

Submitted in Partial Fulfillment of the

Requirements for the Degree of Master of Science (M.Sc.)

in Mine Engineering, Exploration

 

Prediction of the pollution of heavy metals in acid main drainage using artificial intelligence from the Shur River of the Sarcheshmeh porphyry copper mine

 

Department of Mechanical Engineering

Arak University of Technology

 

By:

nona soleimanpourmoghadam

 

 

Supervisors:

Azadeh Agah, Ph.D

Hadi Fattahi, Ph.D

 

 

 

 

summer 2014