Bu çalışmada günümüzde maden kaynak kestiriminde kullanım yaygınlığı artmaya başlayan derin sinir ağları, destek vektör makineleri ve XGBoost yaklaşımları kullanılarak bir demir yatağında tenör kestirimleri gerçekleştirilmiştir. Elde edilen sonuçlar endüstride yaygın bir şekilde kullanılan Krigleme yöntemi ile karşılaştırılmıştır. Çalışmaların gerçekleştirilebilmesi için öncelikle demir yatağını katı modeli yapılmış ve bu katı modeli temsil eden blok model oluşturulmuştur. Daha sonra girdi olarak bu kompozitlerin X, Y ve Z değerleri kullanılmış çıktı olarak ise tenör değerleri dikkate alınmıştır. Yukarıda değinilen üç makine öğrenmesi yaklaşımı ile modeller ayrı ayrı eğitilmiştir. Yaklaşımların kendine has parametrelerinin tahmininde deneme yanılma yöntemi tercih edilmiştir. Eğitilen modeller ile blok model kestirimleri gerçekleştirilmiştir. Sonuçlar makine öğrenme algoritmalarının da yaygın kullanılan Krigleme gibi yumuşatma özelliğinin bulunduğunu göstermektedir. Diğer bir değişle, elde edilen sonuçların standart sapması kompozitlerin standart sapmasından düşüktür. Diğer bir önemli bulgu da makine öğrenme yöntemlerinin veri kümesi dışında bulunan değerleri tahmin edecek şekilde eğitilebileceğidir. Bu durum konumsal tenör kestirimlerinde istenilen bir özellik değildir. Ayrıca eğitilen modeller genel itibari ile kompozitlerin ortalamalarına yakın sonuçlar çıkarsa da Derin Sinir Ağları modeli kompozitlerin ortalamasından ciddi sapma göstermiştir. Bu durum tüm makine öğrenme yaklaşımlarının doğrudan konumsal kestirimde kullanılamayacağını ve elde edilen sonuçların dikkatlice incelenmesi gerektiğini göstermektedir
Primary Language | Turkish |
---|---|
Subjects | Mining Engineering (Other) |
Journal Section | Articles |
Authors | |
Early Pub Date | December 23, 2024 |
Publication Date | |
Submission Date | October 18, 2024 |
Acceptance Date | December 12, 2024 |
Published in Issue | Year 2024 Volume: 15 Issue: 4 |