چکیده: با توجه به اینکه امروزه روش‌‌های هوشمند و در راس آن روش‌‌های تشخیص‌‌الگو از روش‌های متداول تحلیل داده‌‌ها در اکثر رشته‌‌های علوم و مهندسی می‌‌باشد، ژئوشیمی اکتشافی نیز از این روش‌‌ها بهره برده و در تحلیل داده‌‌های ژئوشیمیایی از این روش‌‌ها برای جداسازی آنومالی از زمینه داده‌‌های سطحی استفاده شده است. در تحقیق حاضر سعی شده با استفاده از الگوریتم‌‌های خوشه‌‌بندی و طبقه‌‌بندی و روش‌‌های تشخیص‌‌الگو، ضمن تلفیق اطلاعات سطحی و عمقی کانسار مس پورفیری سوناجیل، تخمین غلظت عناصر در نقاط فاقد اندازه‌گیری و تخمین غلظت افق‌های مختلف عمقی انجام گیرد و تغییرات عمقی غلظت ژئوشیمیایی عناصر در سطوح مختلف، مدل‌‌سازی و بررسی گردد. با استفاده از شاخص‌‌های اعتبارسنجی، تعداد خوشه بهینه داده‌‌ها شناسایی و خوشه‌‌بندی داده‌‌ها بوسیله الگوریتم‌‌های خوشه‌‌بندی انجام شده است و تخمین مقادیر غلظت عناصر بوسیله شبکه عصبی و داده‌‌های خوشه‌‌بندی شده صورت گرفته است. نتایج نشان داد که استفاده از ترکیب الگوریتم‌‌ خوشه‌‌بندی FCM و شبکه عصبی دقت تخمین را به خوبی افزایش داده و میانگین دقت تخمین 22 عنصر مورد مطالعه را از 75 درصد به 88 درصد افزایش داده است. پس از تخمین، نقشه‌‌های غلظت عناصر در سطوح مختلف عمقی مورد بررسی قرار گرفته و عناصر مرتبط با کانی‌‌سازی، فوق و تحت‌‌کانساری شناسایی شد. بررسی رفتار عناصر نشان داد که عنصر آرسنیک رفتار فوق‌‌کانساری و عنصر وانادیوم رفتار تحت‌‌کانساری در کانسار مس پورفیری سوناجیل از خود نشان داده است. بر اساس طبقه‌‌بندی تغییرات غلظت مس توسط روش فرکتالی عیار – مساحت و تعیین کلاس‌‌های مس در الگوریتم‌‌های طبقه‌‌بندی، مدل کانسار در عمق ترسیم گردید. نتایج بررسی هاله‌‌های عمقی مختلف نشان داد کانسار در قسمت جنوب‌‌غربی منطقه فرسایش یافته و کانی‌‌سازی در قسمت شمال‌‌مرکزی منطقه در عمق ادامه دارد. از بین روش‌‌های مختلف طبقه‌‌بندی استفاده شده، بیشترین دقت مربوط به الگوریتم شبکه عصبی با دقت طبقه‌‌بندی 90.6 درصد بود. اعتبارسنجی نتایج بوسیله اطلاعاتی ژئوفیزیکی و گمانه‌‌‌‌ها، نتایج حاصل را تایید کرده است.