چکیده: در این پژوهش، روشی نوین برای تحلیل داده‌های قطبش القایی طیفی ارائه شده است که بر مبنای شبکه‌های عصبی کانولوشنی استوار است. این روش به منظور بهبود دقت و سرعت در استخراج پارامترهای مواد معدنی از داده‌های توسعه یافته است. با استفاده از یک مجموعه داده گسترده و شبیه‌سازی شده، شبکه عصبی با حالت‌های مختلفی از پارامترها و پاسخ مدل آموزش دیده است تا بتواند روابط پیچیده بین داده‌های قطبش القایی طیفی و پارامترهای مدل را شناسایی کند. این حالت‌ها با استفاده از روش‌های مختلف آماری همانند استفاده از تبدیلات لگاریتمی و استخراج مولفه های اصلی خطی و غیر خطی و استخراج مولفه های مستقل از داده‌های قطبش القایی طیفی برای آموزش مدل آماده شده‌است. نتایج حاصل از اعمال این روش بر روی داده‌های واقعی منطقه کرویان نشان می‌دهد که این روش قادر است با دقت بالایی پارامترهای مواد معدنی را پیش‌بینی کند و در نتیجه، ابزاری قدرتمند برای اکتشافات معدنی محسوب می‌شود. مزایای اصلی این روش عبارتند از: سرعت بالا، دقت بالا، سادگی و کارایی در مدل‌سازی روابط پیچیده بین داده‌ها. در این روش، مدل پیشرو تئوری محیط موثر برای شبیه‌سازی داده‌های قطبش القایی طیفی و شبکه عصبی کانولوشنی برای یادگیری الگوهای موجود در داده‌ها و پیش‌بینی پارامترهای مواد معدنی مورد استفاده قرار گرفته است. با این رویکرد، چالش‌های موجود در روش‌های سنتی وارون‌سازی داده‌های قطبش القایی طیفی، مانند محاسبات پیچیده و روابط غیرخطی، برطرف شده است.