مدل¬گذاری ژئوشیمیایی نمودارهای احتمال به منظور شناسایی مناطق آنومال کانی¬سازی طلا

چکیده :
 
یکی از اهداف استفاده از روش­های مدل­گذاری داده­های ژئوشیمیایی، تفکیک آنومالی­از زمینه می­باشد. در این تحقیق به منظور شناسایی محدوده آنومال عناصر همراه کانی­سازی طلا*، از نمونه­های برداشت شده رسوبات­آبراهه­ای کمک گرفته شده است. عنصر As با توجه به ارتباط ژنتیکی نزدیک با طلا و عنصر B به جهت بررسی رفتاری متفاوت با As به عنوان نمونه انتخاب و تجزیه و تحلیل گردیده است. مدل­گذاری داده­های نمودار احتمال مبین این امر است که عنصر As در دو فاز بعد از پراکندگی در سنگ افزایش غلظت یافته است. نتایج این روش نیز مقادیر آنومال این عنصر را با دقت بالایی از مولفه سین­ژنتیک تفکیک می­نماید.
عنصرB از رفتار نرمال پیروی نموده و در کرانه بالا بطور جزیی انحراف نشان می­دهد. رفتار این عنصر کاملاً متمایز از As بود و بنظر نمی­رسد که روند فرآیند کانی­سازی اثر قابل ملاحظه­ای بر روی آن داشته باشد.

*در این مقاله سعی شده تا بیشتر به تجزیه وتحلیل و مدل­گذاری اطلاعات به منظور تعیین مناطق امیدبخش پرداخته شود. از آنجا که مطالعات تکمیلی در منطقه کانی­سازی هنوز تمام نشده است، لذا از قیدکردن نام محدوده و جزئیات بیشتر در این خصوص صرف نظر گردیده است.

میرمهدی سیدرحیمی­نیارق، دانشجوی کارشناسی ارشد مهندسی اکتشاف معدن، دانشگاه صنعتی شاهرود
mirmahdi_rahimi@yahoo.com
رضا قوامی­ریابی، دکتری ژئوشیمی اکتشافی، دانشگاه پرتوریای آفریقای جنوبی، عضو هیئت علمی دانشگاه صنعتی شاهرود
@yahoo.com  Rghavami
مقدمه :
 
نمودار احتمال از تکنیک­های ترسیمی می­باشد که به برررسی رفتار متغیر مورد مطالعه و نحوه پراکندگی آن در جامعه می­پردازد[3]. یکی از محققین که این نمودارها را مورد تجزیه و تحلیل قرار داده است گیلبرت می­باشد[5]. این نمودارها که به صورت نرمال یا لگاریتمی قابل ترسیم می­باشند، به بررسی توزیع عیارهای عنصر مورد نظر در جامعه و معرفی زیر جوامع موجود در بین داده­های ژئوشیمیایی می­پردازد[7،2].
توزیع نرمال داده­ها نشان­دهنده روند خطی در نمودارهای مربوطه می­باشد، و انحراف از آن به معنی عدم تبعیت از توزیع نرمال خواهد بود. انحراف جزئی از روند خطی می­تواند به خطای تصادفی در نمونه­برداری، آماده­سازی، آنالیز و غیره مرتبط باشد[2].
دامنه کاربرد نمودارهای احتمال در اکتشافات معدنی متنوع بوده که از جمله می­توان به کاربرد آن در پروژهای ژئوشیمی، ژئوفیزیک، تخمین­ذخیره و تخمین میزان گاز یک مخزن گازی اشاره نمود[10]. غالباً جوامع آماری در پروژه­های اکتشافی غیرنرمال بوده و از چولگی مثبت برخوردار می­باشند، در این حالت زیر جامعه آنومال در کرانه سمت راست توزیع واقع شده و با جامعه زمینه در غلظت­های پایین قاطی می­شود. انتظار می­رود که مقادیر آنومالی(در مقیاس ناحیه­ای)ویا پیکره­های کانسنگ پرعیار(در مقیاس محلی) را در کرانه بالای داده­های ژئوشیمیایی قرار گرفته باشد[11].در بررسی داده­ها، این بخش از جامعه با انحراف نسبت به روند عمومی جامعه، خود را نشان می­دهد و گاهاً از طریق حذف زمینه(Deconvolution) به وضوح می­توان این داده­ها را مشخص نمود.
 
مختصری در خصوص تئوری توابع توزیع
الف) توزیع نرمال
توزیع نرمال یکی از متداول­ترین توزیع­های آماری است که با چولگی صفر مشخص می­شود. تابع چگالی احتمال این توزیع از معادله زیر پیروی می­کند[6]:
پارامتر مقیاس می­باشد پارامتر محل و)
در صورتی که باشد، تابع توزیع استاندارد نرمال به صورت زیر خلاصه خواهد شد[6]:
 
 
در جوامع کانی­سازی شده این رفتار کمتر متداول می­باشد.
 
ب) توزیع لاگ­نرمال
در داده­های اکتشافی که غالباً دارای چولگی می­باشند، روند از نرمال­بودن خارج شده ولی ممکن است در مقیاس لگاریتمی داده­ها رفتار نزدیک به نرمال از خود نشان دهند[1]. در این شرایط رفتار آنها به عنوان لاگ­نرمال معرفی شده که تابع چگالی احتمال آن از معادله زیر پیروی می کند[6]:
 
(پارامتر شکل، پارامتر محل و پارامتر مقیاس)       
 
اگر  باشند در این صورت توزیع لاگ­نرمال استاندارد را داریم که معادله آن به صورت زیر خواهد شد[6]:
بحث :
 
در نمودارهای احتمال علاوه بر تحلیل نحوه پراکندگی داده­ها می­توان به تعبیر و تفسیر رفتار متغیر آماری و از طریق مدل­گذاری نمودارها می­توان به بررسی زیر جوامع ، امکان جداسازی(Deconvolution) زیرجامعه آنومال و تحلیل تغییرات رفتار در داخل این زیر جامعه پرداخت[4]. در این راستا امکان تعیین محدوده کانی­سازی نیز فراهم خواهد گردید[10،9،8].
مشکل اصلی در تحلیل داده­ها، وجود هم­پوشانی بین زیر جامعه­ها می­باشد. چنانچه بتوان روندهای زیر جوامع را تشخیص و از طریق مدل­گذاری بر روی داده­ها آنها را از دل هم بیرون کشید، امکان آن فراهم خواهد شد تا هر زیر جامعه به صورت مجزا، حد و مرز آن مشخص گردد. بدین ترتیب امکان این امر میسر خواهد شد تا حتی در زیر جامعه آنومال نیز به تحلیل رفتار متغیر مورد مطالعه، مدل­گذاری مجدد آن و تعیین حدود هر روند پرداخت. آنچه در روند مدل­گذاری بایستی رعایت گردد، بیشترین انطباق ممکن بین داده­ها با مدل انطباق داده شده بر این اطلاعات می­باشد. روش­های متعدد وجود دارند که با استفاده از آنها امکان به حداقل رساندن انحرافات بین داده­ها و مدل میسر می­شود.
به منظور تشریح این موضوع، نمونه­ای از اطلاعات کانی­سازی طلا انتخاب شده و برای عناصر B ,As به تجزیه و تحلیل و مدل­گذاری اطلاعات در ادامه پرداخته می­شود.
 
الف)عنصر آرسنیک(As)
نمودار احتمال داده­های عنصر As در مقیاس لگاریتمی مطابق شکل (1) می­باشد. حاکی از آن است که رفتار عنصر آرسنیک بیشتر به لاگ­نرمال نزدیک می­باشد.گروه­های مختلف داده­های خام توسط دوایر توخالی کوچکی بر روی این نمودار مشخص گردیده­اند. با استفاده از تکنیک­های حداقل­سازی انحرافات سعی شده به مدل­گذاری داده­های خام پرداخته شود. منحنی خط پیوسته­ای که از بین دوایر توخالی عبور می­کند، مدلی است که بر روی داده انطباق داده شده است. مدل لگاریتمی مذکور سه روند (زیر جامعه) را مشخص نموده و برای هر روند میانگین، درصد و حد و مرز آنها را مطابق جدول (1)محاسبه گردیده است. زیر جامعه دو را می­تواند بعنوان قاطی­شدگی زیر جامعه اول و سوم در نظر گرفت.
در کرانه بالا این مدل ، مقدار As نسبت به داده­های خام مقدار انحراف دارد. علاوه بر این موضوع، درصد بالای زیر جامعه سوم، جداسازی و تحلیل مجدد این بخش از جامعه را می­طلبد.
در شکل(2) به تحلیل و مدل­گذاری مجدد این بخش از جامعه پرداخته شده است. بعد از جداسازی روندها، به محاسبه میانگین، درصد و حد و حدود هر زیر جامعه(جدول2)پرداخته شده است. آنچه در این میان قابل ملاحظه می­باشد، حضور 6% داده­ها در زیر جامعه سوم جدید است که روند جدید را در روی
 
جدول(1): نتایج محاسباتی مدل­گذاری
داده­های عنصر As  (ppm)
Thresholds
Percentage
Population
14.11-4.06
16.03
7.57
1
29.77-13.95
11.03
20.38
2
185.78-18.53
72.94
58.68
3
 
این مدل از خود نشان می­دهند و از روند عمومی مجزا گردیده­اند. می­توان این حدود را به عنوان آنومالی با در صد اطمینان بالایی معرفی کرد.
جدول (2): نتایج محاسباتی مدل­گذاری داده­های عنصر As
 (ppm) بعد از فرآیند Deconvolution
Thresholds
Percentage
Population
119.03-27.75
84.40
57.48
1
200.39-70.38
9.80
118.75
2
296.34-197.66
5.80
242.02
3
 
ب) عنصر بر(B)
نمودار احتمال داده­های عنصر بردر شکل(3) نشان داده شده است. همانگونه که مشاهده می گردد، این عنصر در مقایسه با As رفتار متفاوت از خود نشان می­دهد. نتایج محاسبه میانگین، درصد و حد وحدود این دو روند در جدول(3) آورده شده است. رفتار این عنصر به نرمال بسیار نزدیک بوده و مقدار جزئی در کرانه بالا انحراف نشان می­دهد.
جدول(3): نتایج محاسباتی مدل­گذاری
 داده­های عنصر B(ppm)
Thresholds
Percentage
Pop
111.42-5.22
98.98
58.32
1
244.69-83.86
1.02
164.28
2
 
نتیجه گیری :
 
همان طوری که در تحلیل و مدل­گذاری انجام شده بر روی داده­های عنصر As ملاحظه گردید،‌ در این روند از اطلاعات خام استفاده گردید و مدلی با بیشترین انطباق ممکن با داده­ها انتخاب گردید و سپس بر اساس مفهوم واقعی آنومال­بودن به معرفی این بخش از جامعه اقدام گردیده است. این روش گویای حذف مناسب اثرات سین­ژنتیک و تقویت مولفه اپی­ژنتیک که همان اثر ناشی از کانی­سازی طلا می­باشند، است. آنچه قابل مشاهده می باشد، تغییرات غلظت As در فازهای مختلف است که با شواهد زمین شناسی نیز تایید می گردند. با توجه به انطباق کامل محدوده آنومال As با محدوده کانی­سازی در صحرا، این روش به عنوان تحلیل قوی از تعیین مناطق آنومال می­تواند معرفی شود.
در این بررسی ،عنصر B با رفتار متمایل به نرمال تغییرات بارزی را از خود نشان نمی­دهد، گرچه در کرانه بالایی خود جزئی انحراف از روند عمومی را معرفی می­کند.
منابع فارسی :
 
1.       حسنی پاک، ع.ا.، (1377)، زمین آمار، انتشارات دانشگاه تهران.
2.       حسنی پاک، ع.ا.، شرف الدین، م.، (1384)، تحلیل داده­های اکتشافی، انتشارات دانشگاه تهران.
 
                   
 
  

کلید واژه ها: سایر موارد