Valuation of mineral assets with machine learning approach
Maden varlıklarının makine öğrenmesi yaklaşımı ile değerlemesi
- Tez No: 986056
- Danışmanlar: PROF. DR. ABDULLAH ERHAN TERCAN
- Tez Türü: Doktora
- Konular: Maden Mühendisliği ve Madencilik, Mining Engineering and Mining
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Maden Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Maden varlıklarının adil, nesnel ve gerçekçi bir şekilde değerlemesi; doğal kaynakların içerdiği belirsizlik, ölçek büyüklüğü, yenilenemez ve karmaşık yapıları nedeniyle oldukça zordur. Değerlemede genellikle karşıt çıkarları bulunan iki taraf bulunur ve tarafların değerleme üzerindeki beklentileri farklıdır. Bu durum, tarafsız bir değerleme yapılmasını zorlaştırmaktadır. Geleneksel değerleme yöntemlerinin büyük ölçüde uzman görüşlerine dayanıyor oluşu ise farklı uzmanların aynı varlık için tutarsız değerler elde etmesine neden olmaktadır. Tez çalışması kapsamında tarafsız ve nesnel bir değerleme yaklaşımı geliştirmek amacıyla geçmişte satılan madenlerin gerçek satış değerleri ile bu madenlerin teknik verileri birleştirilerek kapsamlı bir veri tabanı oluşturulmuştur. Benzer varlıkların birlikte değerlendirilmesi amacıyla çalışmanın kapsamı altın madenleri ile sınırlı tutulmuştur. Basit doğrusal regresyondan yapay sinir ağları ve rastgele orman gibi karmaşık modellere kadar çeşitli makine öğrenmesi algoritması karşılaştırmalı olarak uygulanmıştır. Modeller günümüzde kabul görmüş optimizasyon teknikleriyle en iyi performansı gösterecek şekilde eğitilmiş, model başarısı yaygın performans ölçütleri ile test edilmiştir. Sonuç olarak, madenin değeri üzerinde etkili olan bu faktörlerin değer üzerindeki etkisi sayısal olarak ortaya konmuş ve teknik değerleri bilinen varlıklar, insan etkisinden bağımsız olarak tamamen nesnel bir şekilde değerlenebilmiştir. Gerçek satış değeri bilinen ve modelin önceden görmediği üretim yapan ve üretim yapmayan birer madenin değerlemesi yapılmış ve gerçek satış değerleriyle kıyaslanmıştır. Rastgele orman ve aşırı gradyan artırımı yöntemleriyle oldukça başarılı tahmin değerleri elde edilmiştir. Bu çalışma ile değerlemede nesnel yaklaşımların önemi vurgulanmış ve tamamen veriye dayalı değerleme yapılabilmesinin mümkün olduğu gösterilmiştir. Altın madenleri özelinde yapılan bu çalışma, veri tabanının geliştirilmesi ve çeşitlendirilmesi ile tüm madenlere kolaylıkla uygulanabilir. Bu yöntem, tek başına bir yaklaşım olarak uygulanabileceği gibi geleneksel yöntemlerle değerlemesi yapılan madenler için bir kontrol mekanizması olarak da kullanılabilir.
Özet (Çeviri)
Fair, objective and realistic valuation of mineral assets is quite challenging due to the inherent uncertainties, large scale, non-renewable nature and their complex structure. Typically, valuation involves two opposing parties with competing interests, which complicates achieving impartial valuation outcomes. Furthermore, traditional valuation methods largely rely on expert opinion, often resulting in inconsistent valuations for the same asset when valuated by different valuators. In this study, an objective data-driven valuation approach was developed based on the actual acquisition data of previously sold mines with corresponding technical data. To ensure consistency, the scope of the study was limited to gold mines. Various machine learning algorithms ranging from simple linear regression to advanced models such as artificial neural networks and random forest, were applied and evaluated comparatively. The models were trained and optimized using widely accepted techniques to maximize the predictive performance and the models were assessed using common performance metrics. As a result, the impact of factors influencing the value of mineral assets were quantified, enabling the valuation of assets with known technical data in a fully objective manner, independent of human bias. Valuations were conducted for one producing and one non-producing mine, which were not included in the training set, and the predicted values were compared with actual sales values. The random forest and extreme gradient boosting methods yielded highly accurate predictions. This study emphasizes the importance and necessity of objective valuation methodologies and demonstrates the practical applicability of fully data-driven approach. Although this study focused exclusively on gold mines, this method can be extended to other mineral types by further developing and diversifying the database. This method can be applied either as a standalone valuation approach or as a verification tool for mines valued by using traditional valuation methods.
Benzer Tezler
- Hyperspectral image classification with active learning and Bayesian convolutional neural networks
Aktif öğrenme ve Bayes evrişimsel sinir ağları ile hiperspektral görüntü sınıflandırma
MAHMOOD SIDDEEQ QADIR QADIR
Yüksek Lisans
İngilizce
2023
Yıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Dokuma kumaşlarda örgü tipinin ham kumaşın boyutları ve geometrik özellikleri üzerindeki etkilerinin araştırılması
Başlık çevirisi yok
EMEL ÖNDER
- İsmayıl Hakkı Baltacıoğlu'nun kültür ve eğitim kavramı üzerine bir inceleme
An Examination of the concepts of culture and education of Ismayıl Hakkı Baltacıoğlu
ABDULLAH DİKİCİ
- Gebelik ve doğum olgularında prolaktin düzeylerinin değerlendirilmesi
The Evaluation of prolactin values during pregnancy labour and in deliveries
TÜLİN AKAN
