مدلسازی ارزش خالص فعلی در پروژههای معدنی با استفاده از الگوریتمهای هوشمند و رگرسیون چند متغیره آماری | ||
| پژوهشهای دانش زمین | ||
| مقاله 1، دوره 15، شماره 3 - شماره پیاپی 59، 1403، صفحه 1-17 اصل مقاله (1.55 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.48308/esrj.2024.104718 | ||
| نویسنده | ||
| محمد رضائی* | ||
| گروه مهندسی معدن، دانشکده مهندسی، دانشگاه کردستان، سنندج، ایران | ||
| چکیده | ||
| مقدمه شاخص ارزش خالص فعلی یکی از مهمترین پارامترهای اقتصادی برای ارزیابی پروژههای سرمایهگذاری معدنی است. با توجه به وجود عدم قطعیت در پارامترهای تأثیرگذار بر ارزش خالص فعلی در اکثر پروژههای معدنی، تخمین دقیق آن فرآیندی مشکل بوده و نیازمند استفاده از روشهای مناسب است. در تحقیق حاضر، از سه مدل سیستم فازی، شبکه عصبی و رگرسیون چند متغیره آماری برای تعیین ارزش خالص فعلی در پروژه سرمایهگذاری معدن طلای زرشوران تکاب استفاده شده است. علاوه بر قیمت فلز، تأثیر هزینهها و نرخ تنزیل هم در تعیین ارزش خالص فعلی بهعنوان شاخصی برای ارزیابی پروژه معدن طلای زرشوران تکاب با استفاده از مدلهای فوقالذکر در نظر گرفته شده است. یکی از مزایای تحقیق حاضر نسبت به تحقیقات مشابه قبلی، استفاده از دو الگوریتم هوشمند سیستم فازی و شبکه عصبی برای مدلسازی ارزش خالص فعلی با دقت بیشتر است. الگوریتمهای فوق، روشهایی کارا در حل مسائل دارای ابهام و عدم قطعیت از جمله پروژههای سرمایهگذاری معدنی بوده و باعث کاهش ریسکهای سرمایهگذاری میشوند. با در نظر گرفتن چالشهای مدیریتی موجود در تصمیمگیری بر سر توجیه اقتصادی پروژههای مختلف و وجود محدودیتهای زمان و منابع، استفاده از این مدلها به روشن نمودن آینده اقتصادی یک پروژه سرمایهگذاری معدنی و تصمیمگیری نهایی کمک شایانی میکند. مواد و روشها در این تحقیق از سه مدل سیستم فازی، شبکه عصبی و رگرسیون چند متغیره آماری برای تعیین ارزش خالص فعلی و ارزیابی پارامترهای تأثیرگذار بر آن در پروژه سرمایهگذاری معدن طلای زرشوران تکاب استفاده و نتایج حاصله با همدیگر، با دادههای واقعی و با مطالعات مشابه قبلی مقایسه شده است. قیمت طلا (عنصر اصلی)، قیمت نقره (عنصر همراه) و نرخ تنزیل بهعنوان پارامترهای ورودی جهت ارزیابی ارزش خالص فعلی در نظر گرفته شده است. استفاده از منطق فازی در مدلسازی ارزش خالص فعلی که همواره با عدم قطعیت همراه است، میتواند به نتایج واقعیتری منجر شود. همچنین، استفاده از شبکه عصبی با توجه به قابلیت بالای آن در مواجهه با دادههای مبهم و دارای نویز که به نوعی در ارزیابی پروژههای معدنی دخیل هستند، میتواند مثمرثر واقع شود. نتایج و بحث با استفاده از روش سعی و خطا، توابع عضویت مثلثی و ذوزنقهای، موتور استنتاج ممدانی و تابع غیرفازیساز مرکز ثقل بهعنوان پارامتراهای بهینه در مدل فازی پیشنهادی انتخاب شد. همچنین، شبکه عصبی با تابع آموزش پسانتشار خطا از نوع لونبرگ-مارک کواردت، تابع انتقال لگاریتم سیگموئید با ساختار 3-5-10-1 و متوسط جذر مربعات خطای 0032/0 بهعنوان شبکه بهینه انتخاب گردید. به علاوه، یک رابطه آماری چند متغیره خطی برای پیشبینی ارزش خالص فعی ارائه شد. براساس شاخصهای ارزیابی عملکرد ضریب تصمیمگیری، خطای مطلق و خطای نسبی، نتایج حاصل از مدلهای پیشنهادی با همدیگر و همچنین با دادههای واقعی و مطالعات مشابه قبلی مقایسه گردید. مقایسه فوق نشان داد که عملکرد دو مدل فازی و عصبی در پیشبینی ارزش خالص فعلی قابل قبول بوده و در مقایسه با مدل آماری تطابق بسیار بهتری با دادههای واقعی دارند. با این حال، عملکرد سیستم فازی تا حدودی بهتر از شبکه عصبی پیشنهادی در این تحقیق و مطالعات قبلی بوده و نتایج حاصل از آن تطابق نسبتاً بهتری با دادههای واقعی دارد. در نهایت، آنالیز حساسیت نتایج حاصل از مدل فازی با استفاده از روش میدان کسینوسی انجام شد (با توجه به دقت بیشتر آن). نتایج حاصله نشان داد که قیمت طلا دارای بیشترین تأثیر و نرخ تنزیل دارای کمترین تأثیر بر ارزش خالص فعلی است. نتیجه گیری در این تحقیق، کاربرد موفقیت آمیز دو مدل هوشمند مبتنی بر منطق فازی و شبکه عصبی در پیش بینی ارزش خالص فعلی در پروژه سرمایهگذاری معدنی طلای زرشوران ارائه گردید. همچنین، یک معادله رگرسیون چند متغیره خطی با عملکرد نسبتاً قابل قبول برای تخمین ارزش خالص فعلی پیشنهاد شد. ارزیابی نتایج حاصل از مدلهای پیشنهادی نشان داد که عملکرد مدل فازی در تخمین ارزش خالص فعلی پروژههای معدنی تا حدودی بهتر از مدل شبکه عصبی پیشنهادی در این تحقیق و مطالعات قبلی بوده و عملکرد هر دو مدل بهتر از مدل آماری است. براساس نتایج آنالیز حساسیت مدل فازی (دقیقترین مدل پیشنهادی)، اثبات گردید که قیمت طلا و نرخ تنزیل به ترتیب بیشترین و کمترین تأثیر را بر ارزش خالص فعلی دارند. با توجه به نتایج فوق، میتوان نتیجه گرفت که از تکنیکهای هوشمند پیشنهادی در این تحقیق (بهویژه مدل فازی) میتوان با قابلیت اطمینان خوبی در ارزیابی پروژههای سرمایهگذاری معدنی بهمنظور پوشش عدم قطعیت و کاهش ریسک سرمایه گذاری استفاده نمود. | ||
| کلیدواژه‌ها | ||
| آنالیز حساسیت؛ ارزش خالص فعلی؛ رگرسیون چند متغیره؛ سیستم فازی؛ شبکه عصبی | ||
| عنوان مقاله [English] | ||
| Modeling the net present value in mining projects using the intelligent models and statistical multivariate regression | ||
| نویسندگان [English] | ||
| Mohammad Rezaei | ||
| Department of Mining Engineering, Faculty of Engineering, University of Kurdistan, Sanandaj, | ||
| چکیده [English] | ||
| Introduction Net present value (NPV) index is one of the most important economic parameters in evaluating the mining investment projects. Considering the inherent uncertainty in effective parameters on the NPV in most of the mining projects, its precise estimation is a difficult process and application of the suitable methods is required. In this paper, fuzzy system, neural network and multivariate regression models are used for NPV determination in the Zarshuran gold mine project. In spite of the metal value, the effects of costs and discount rate on the NPV are also considered as an index for evaluation the Zarshuran gold mine project of Takab using the above models. One of the advantages of this research compared to the previous similar studies is the utilization of two new intelligent algorithms i.e., fuzzy system and neural network for modeling the NPV index with higher accuracy. These algorithms are efficient tools to solve the problems having ambiguity and uncertainty such as the mining investment projects and reduce the investment risks. Considering the management challenges in deciding on the economic justification of various projects and the existence of time and resource limitations, the use of these models helps clarify the economic future of a mineral investment project and make the final decision. Materials and Methods In this study, three new models including fuzzy system, neural network and statistical multivariate regression were used to determine the NPV and evaluate the effective parameters on this index in the Zarshuran gold mine investment project of Takab. The obtained results of the above models were compared with each other, with the real data, and with the similar previous studies. Gold price (main element), silver price (byproduct element) and discount rate were considered as input parameters for evaluating the NPV. Application of the fuzzy logic in NPV modeling, which is always accompanied by uncertainty, can lead to more realistic results. Also, the utilization of neural network can be effective due to its high capability in dealing with vague and noisy data that are somehow involved in the evaluation of mining projects. Results and Discussion Using the trial and error method, triangular and trapezoidal membership functions, Mamdani inference motor and center of gravity decentralization function were determined as the optimum parameters of the proposed fuzzy model. Also, a neural network with training function of Levenberg-Marquardt back-propagation type, transfer function of sigmoid logarithm kind, 3-5-10-1 structure and root mean square error of 0.0032 was found as an optimum network. Moreover, a statistical multivariate linear relation was proposed to predict the NPV. According to the performance evaluation indices including determination coefficient, absolute error and relative error, results of the proposed models were compared with each other, with the actual data, and with the previous similar investigations. The above comparison proved that the performance of both fuzzy and neural models in predicting the NPV is acceptable and they have a much better agreement with real data in comparison with the statistical model. However, the performance of fuzzy model is somewhat better than the proposed neural network models in this research and previous studies and its results are more consistent with the actual data. Finally, the sensitivity analysis of the fuzzy model results (due to its greater accuracy) are conducted using the cosine amplitude method (CAM). Accordingly, it was confirmed that the gold price has the highest effect and the discount rate has the least effect on the NPV index. Conclusion The present study proved the successful application of two new intelligent-based models including fuzzy logic and neural network algorithms to predict the NPV in the Zarshuran gold mine investment project. Also, a linear multivariate regression relation proposed to forecast the NPV index with a relative acceptable performance. Evaluation the results of proposed models showed that the fuzzy model performance was somewhat better than the proposed neural network models in this study and previous studies and both were much higher than the statistical model in predicting mining projects NPV. Based on the sensitivity analysis of the fuzzy model results (the most accurate proposed model), it was proved that the gold price and discount rate have the highest and lowest effects on the NPV, respectively. Considering the above results, it can be concluded that the proposed intelligent techniques in this research (especially the fuzzy model) can be used with good reliability in the evaluation of mining investment projects in order to cover their involved uncertainty and reduce the investment risk. | ||
| کلیدواژه‌ها [English] | ||
| Sensitivity analysis, Net present value, Multivariate regression, Fuzzy system, Neural network | ||
| مراجع | ||
|
Banda, W., 2023. A system dynamics model for assessing the impact of fiscal regimes on mining projects, Resources Policy, v. 81, p. 103408. Califf, R.M., Rasiel, E.B. and Schulman, K.A., 2008. Considerations of net present value in policy making regarding diagnostic and therapeutic technologies, American Heart Journal, v. 156(5), p. 879-885. Camus, J.P., 2002. Management of mineral resources: Creating value in the mining business, Society for Mining, Metallurgy and Exploration Inc, Littleton, 107 p. Case, K.E. and Fair, R.C., 1989. Principles of microeconomics, Prentice-Hall, Englewood Cliffs, 610 p. Dehghani, H. and Ataee-pour, M., 2012. Determination of the effect of operating cost uncertainty on mining project evaluation, Resources Policy, v. 37(1), p. 109-117. Dimitrakopoulos, R., Farrelly, C.T. and Godoy, M., 2002. Moving forward from traditional optimization: Grade uncertainty and risk effects in open pit design, Transactions of the Institutions of Mining and Metallurgy, Mining Technology, v. 111(1), p. 82-88. Dimitrakopoulos, R., Martinez, L.S. and Ramazan, S., 2007. A maximum upside/minimum downside approach to the traditional optimization of open pit mine design, Journal of Mining Science, v. 43(1), p. 73-82. Ghannadpour, S.S., Hezarkhani, A. and Roodpeyma, T., 2017. Comparing Neural Networks with Data Mining techniques to simulate Cu; case study: Parkam Kerman. Researches in Earth Sciences, v. 7(4), p. 22-36 (In Persian). Ghezelbash, R., Maghsoudi, A. and Daviran, M., 2019. Implementation of Fuzzy-AHP and Fuzzy-GAMMA approaches for discovering the prospectivity areas of Au mineralization in Takhte-Soleyman district. Researches in Earth Sciences, v. 10(1), p. 143-162 (In Persian). Giovanni, F.S., Carlos, C. and Cindy, P., 2017. NPV risk simulation of an open pit gold mine project under the O'Hara cost model by using GAs, International Journal of Mining Science and Technology, v. 27, p. 557-565. Godoy, M.C. and Dimitrakopoulos, R., 2004. Managing risk and waste mining in long-term production scheduling, SME Transactions, v. 316, p. 43-50. Hagan, M.T., Demuth, H.B., Beale, M.H. and Jesứs, O.D., 1996. Neural network design (2nd Edition), PWS Publishing Co, Boston, MA, USA. Jennrich, R.I., 1995. An introduction to computational statistics-regression analysis, Englewood Cliffs, NJ, Prentice Hall. Jong, Y.H. and Lee, C.I., 2004. Influence of geological conditions on the powder factor for tunnel blasting, International Journal of Rock Mechanics and Mining Sciences, v. 41, p. 533-538. Kamel, A., Elwageeh, M., Bondua, S. and Elkarmoty, M., 2023. Evaluation of mining projects subjected to economic uncertainties using the Monte Carlo simulation and the binomial tree method: Case study in a phosphate mine in Egypt, Resources Policy, v. 80, p. 103266. Kavakh, N., 2015. Evaluation of mining investment projects with a new software, Arabian Journal of Geosciences, v. 8(8), p. 6353-6362. Khoshjavan, S., Mazlumi, M., Rezai, B. and Rezai, M., 2010. Estimation of hardgrove grindability index (HGI) based on the coal chemical properties using artificial neural networks, Oriental Journal of Chemistry, v. 26(4), p. 1271-1280. Klir, G., 1995. Fuzzy set theory, foundations and applications, Plenum Press, New York. MacAvoy, P.W., 1988. Explaining metal prices: Economic analysis of markets in the 1980s and 1990s, Kluwer Academic, Boston, 132 p. Majdi, A. and Rezaei, M., 2013. Application of artificial neural networks for predicting the height of destressed zone above the mined panel in longwall coal mining, 47th US Rock Mechanics/Geomechanics Symposium, San Francisco, California, USA, p. 1665-1673. Mehregan, N. and Yavari, K., 2006. Explaining the capital flow of mine & industry sector in Iran, The Economic Research (Sustainable Growth and Development), v. 5(4), p. 71-88 (In Persian). Miranda, O., Brandão, L.E. and Lazod, J.L., 2017. A dynamic model for valuing flexible mining exploration projects under uncertainty, Resources Policy, v. 52, p. 393-404. Oraee, K., Sayadi, A.R. and Tavassoli, S.M.M., 2011. Economic evaluation and sensitivity-risk analysis of Zarshuran gold mine project, SME Annual Meeting February, Denver, Colorado, USA. Rajabi, M., Rahmannejad, R., Rezaei, M. and Ganjalipour, K., 2017. Evaluation of the maximum horizontal displacement around the power station caverns using artificial neural network, Tunnelling and Underground Space Technology, v. 64, p. 51-60. Rendu, J.M., 2007. Orebody modeling, mine planning, reserve evaluation and the regulatory environment, Orebody Modeling and Strategic Mine Planning, p. 219-226. Rezaei, M., 2018. Development of an intelligent model to estimate the height of caving–fracturing zone over the longwall gobs, Neural Computing and Applications, v. 30, p. 2145-2158. Rezaei, M., Asadizadeh, M., Majdi, A. and Hossaini, M.F., 2015. Prediction of representative deformation modulus of longwall panel roof rock strata using Mamdani fuzzy system, International Journal of Mining Science and Technology, v. 25, p. 23-30. Rezaei, M., Hossaini, M.F., Majdi, A. and Najmoddini, I., 2017. Determination of the height of destressed zone above the mined panel: An ANN model, International Journal of mining and Geo-Engineering, v. 51, p. 1-7. Rezaei, M., Majdi, A. and Monjezi, M., 2014. An intelligent approach to predict unconfined compressive strength of rock surrounding access tunnels in longwall coal mining, Neural Computing and Applications, v. 24, p. 233-241. Ronyastra, I.M., Saw, L.H. and Low, F.S., 2024. Monte Carlo simulation-based financial risk identification for industrial estate as post-mining land usage in Indonesia, Resources Policy, v. 89, p. 104639. Samis, M., Davis, G.A., Laughton, D. and Poulin, R., 2006. Valuing uncertain asset cash flows when there are no Options: A real options approach, Resources Policy, v. 30, p. 285-298. Sayadi, A.R., Tavassoli, S.M.M., Monjezi, M. and Rezaei, M., 2014. Application of neural networks to predict net present value in mining projects, Arabian Journal of Geosciences, v. 7, p. 1067-1072. Sefidari, E., Zamanzadeh, S.M., Dashti, A., Tavakol, M.H. and Yasmi, S., 2018. Estimation and modeling of the TOC using hybrid neural network and geostatistical approaches in the one of the Iranian fields. Researches in Earth Sciences, v. 9(3), p. 94-109 (In Persian). Shafiee, S., Topal, E. and Nehring, M., 2009. Adjusted real option valuation to maximize mining project value - A case study using century mine, In: Project Evaluation Conference, p. 125-134. Sugeno, M., 1993. A fuzzy–logic based approach to qualitative modeling, IEEE Transaction on fuzzy systems, v. 1, p. 7-31. Taylor, J., Moosa, I. and Cowling, B., 2000. Micro economics, John Wiley & Sons, 508 p. Tzamos, S. and Sofianos, A.I., 2006. Extending the Q system’s prediction of support in tunnels employing fuzzy logic and extra parameters, International Journal of Mining Science and Technology, v. 43, p. 938-949. Volkmann, S.E., Lehnen, F. and Kukla, P.A., 2019. Estimating the economics of a mining project on seafloor manganese nodules, Mineral Economics, v. 32, p. 287-306. Wang, L.X., 1997. A course in fuzzy system and control, Prentice Hall. Wiesemann, W., Kuhn, D. and Rustem, B., 2010. Maximizing the net present value of a project under uncertainty, European Journal of Operational Research, v. 202, p. 356-367. Yasrebi, A.B., Hezarkhani, A. and Afzal, P., 2017. Application of Present Value-Volume (PV-V) and NPV-Cumulative Total Ore (NPV-CTO) fractal modelling for mining strategy selection, Resources Policy, v. 53, p. 384-393.
| ||
|
آمار تعداد مشاهده مقاله: 1,394 تعداد دریافت فایل اصل مقاله: 560 |
||