وارون‌سازی داده‌های دو بعدی مقاومت ویژه‌ی الکتریکی لوله‌های زیرسطحی به روش شبکه‌ی عصبی مصنوعی

وارون‌سازی داده‌های ژئوفیزیکی به علت غیرخطی بودن داده‌ها، فرآیندی بسیار پیچیده است، بخصوص در حالتی که قدرت تفکیک بسیار بالا در عمق نفوذ کم نیز مد نظر باشد. در دو دهه‌ی اخیر الگوریتم‌های وارون‌سازی غیرخطی نظیر شبکه‌های عصبی و الگوریتم‌های ژنتیک با رشد قابل‌توجهی برای تفسیر داده‌های ژئوفیزیکی مورد استفاده قرار گرفته‌اند. در این مطالعه وارون‌سازی داده‌های ژئوالکتریکخط لوله‌ی زیرسطحی با قدرت تفکیک بالا انجام شده است. بدین منظور از شبکه‌ی پس انتشار خطا کمک گرفته شد تا داده‌های حاصل از برداشت توموگرافی مقاومت ویژه‌ی دوبعدی مورد تفسیر قرار گیرند. پارامترهای شبکه شامل انواع داده‌های ورودی و خروجی، تعداد لایه‌ها، تعداد نرون‌های موجود در هر لایه، مقادیر بهینه‌ی نرخ یادگیری شبکه، ضریب مومنتوم و میزان تأثیر آن‌ها بر مقدار خطای شبکه خواهد بود. پس از انجام 20 تکرار خطا به 001/0 کاهش می‌یابد. خط لوله‌ی مقاوم 1000 اهم‌متری در یک نیم فضای همگن 100 اهم‌متری توسط آرایش الکترودی دوقطبی-دوقطبی با فاصله‌ی الکترودی یک متر مدل شده است. 36 دسته داده‌ی 207 تائی در این مطالعه در نظر گرفته شد، که 18 دسته داده به مرحله‌ی آموزش، 9 دسته به مرحله‌ی ارزیابی و 9 دسته نیز به مرحله‌ی اعتبارسنجی اختصاص داده شد و داده‌های صحرائی پس از تفسیر با روش وارون‌سازی معمول مقایسه شد. مقایسه‌ی مقاطع تفسیر شده توسط روش شبکه‌ی عصبی مصنوعی و روش‌های معمول در این مطالعه نشان داد که گرچه هر دو روش به آشکارسازی خط لوله منجر می‌شوند اما روش شبکه‌ی عصبی این قابلیت را خواهد داشت که جدا از آشکارسازی خط لوله، به تفکیک دو لوله با قطر 32 سانتیمتر در فاصله‌ی 2/1 متری از یکدیگر بپردازد و حتی می‌تواند تخمین تقریبی نیز از قطر لوله در شبه مقاطع در اختیار بگذارد.