مقایسه عملکرد روش های هوشمند شبکه های عصبی مصنوعی و ماشین بردار پشتیبان در شناسایی خودکار اهداف استوانه ای پنهان در تصاویر رادار نفوذی به زمین

در مطالعه حاضر از روش غیرمخرب و با قدرت تفکیک زیاد رادار نفوذی به زمین (gpr) جهت آشکارسازی و شناسایی مشخصات هندسی اهداف به شکل استوانه افقی مدفون همانند انواع ساختارهای تونلی، استفاده شده است. دست یابی به چنین مقصودی براساس تعیین ارتباط بین مشخصات هندسی اهداف استوانه ای مدفون و پارامترهای هذلولی پاسخ gpr مربوطه، با استفاده از روش های هوشمند شبکه های عصبی مصنوعی (ann) و ماشین بردار پشتیبان (svm) صورت پذیرفته است. برای این منظور ابتدا پاسخ سیستم gpr برای 194 مدل مصنوعی مختلف شامل اشیاء استوانه ای شکل متناظر با اهداف ژئوتکنیکی متداول (ساختارهای استوانه ای همچون تونل ها، کانال ها، قنات ها و خطوط لوله)، با استفاده از مدل سازی پیشرو به روش تفاضل محدود دوبعدی بهبودیافته، مدل سازی شد. سپس از نتایج آن با استفاده از الگوریتم تجزیه مقدار تکین، ویژگی های متمایز و منحصربه فرد شامل مقادیر ویژه و نرم مقادیر ویژه ماتریس تصاویر gpr در راستای افقی (فضای بین تریسی) و عمودی (فضای درون تریسی) استخراج گردید و به عنوان داده های ورودی در الگوریتم های ann و svm جهت تخمین مشخصات هندسی شامل شعاع، موقعیت افقی و موقعیت قائم (عمق دفن) اهداف استوانه ای مدفون، مورد استفاده قرار گرفت. عملکرد روش های استفاده شده، برای تصاویر واقعی gpr در حضور نوفه ها نیز ارزیابی شد و نتایج قابل قبولی حاصل گردید به گونه ای که ann و svm پارامترهای هندسی هدف معین مدفون را با متوسط خطای به ترتیب 5 و 9 درصد تخمین زدند. نتایج پژوهش حاضر نشان می دهد که هر دو روش هوشمند مورد استفاده، قابلیت کاربرد برجا، سریع، دقیق و خودکار را برای اهداف ژئوتکنیکی واقعی دارا می باشند هرچند درمجموع روش annنسبت به روش svm از خطای کمتر و در نتیجه قدرت تخمین بالاتر پارامترهای هندسی اهداف استوانه ای مدفون برخوردار است.