مجتبی توکلی علی نجاتی کلاته
هدف نهایی در روشهای ژئوفیزیک تفسیر و تعیین خصوصیات ساختارهای زمینشناسی از روی داده های اندازه گیری شده است اما در حالت کلی تقریب ساختارهای زمینشناسی با مدلهای فیزیکی بسیار مشکل است. معمولاً در روشهای مدلسازی خصوصیات فیزیکی مانند چگالی یا خودپذیری مغناطیسی و خصوصیات هندسی مانند عمق مربوط به ساختار به عنوان پارامترهای مدل و اندازه گیریهای ژئوفیزیکی به عنوان مفروضات )داده ها( تلقی میگردند. با توجه به وجود ساختارهای رسوبی فراوان در ایران که اغلب از اهمیت اقتصادی بالایی برخوردارند )مانند تلههای نفتی( مدلسازی سنگ بستر در تفسیرهای تکمیلی از دادههای گرانیسنجی و مغناطیسسنجی میتوانداطلاعات ارزشمندی در اختیار مفسر قرار دهد. مدلسازی وارون یکی از جالبترین ابزارهای عددی بهمنظور بهدست آوردن تصاویر دوبعدی و سه بعدی از ساختارهای زمینشناسی است. در این مطالعه از مدلسازی وارون غیرخطی دادههای گرانی سنجی و مغناطیس جهت تعیین توپوگرافی سنگ بستر استفاده میشود. در این فرآیند مدلسازی یک سنگ بستر عموما بوسیله یک سری از بلوکهای راستگوشه کنارهم چیده شده مدل شده و سپس ضخامت آنها محاسبه میشود. در ابتدا با استفاده از ابزار ریاضی سری تیلور مسأله غیر خطی به یک مسأله خطی در نزدیکی مدل اولیه تبدیل میشود. الگوریتم تهیه شده بر مبنای روش مارکوارت-لونبرگ طی تکرارهای مختلف با مقایسه دادههای واقعی و دادههای مدل تعدیل یافته مدل اولیه را بهبود میدهد. به منظور نشان دادن کارایی برنامههای رایانهای ارائه شده ابتدا مدلسازی وارون برای دادههای مصنوعی بدون نوفه و حاوی نوفه صورت گرفت. در پایان مدلسازی روی قسمتی از دادههای گرانیسنجی و مغناطیس ابردژ در جنوب ورامین انجام شد که نتایج به دست آمده با دیگر مطالعات و زمینشناسی منطقه همخوانی دارد.
مجتبی توکلی احمد صادقیه
نمودارهای کنترل، مهم ترین ابزار کنترل فرآیند آماری هستند. یک فرآیند وقتی خارج از کنترل است که یک نقطه خارج از حدود کنترل قرار بگیرد یا نمودار کنترل الگوهای خارج از کنترل از خود نشان دهد. نمودارهای کنترل قابلیت شناسایی الگوهای خارج از کنترل را ندارند؛ چرا که ممکن است یک فرآیند تحت تأثیر الگوهای خارج از کنترل باشد ولی نقطه ای خارج از حدود کنترل قرار نگیرد. در نتیجه، شناسایی الگوهای نمودار کنترل اهمیت ویژه ای در شناسایی انحرافات بادلیل در فرآیند دارد. در این پایان نامه روشی برای شناسایی الگوهای نمودار کنترل ارائه شده است. این روش شامل سه مرحله انتخاب فیچر، طبقه بندی و بهینه سازی است. در مرحله انتخاب فیچر مجموعه ای از فیچرهای شکلی و آماری از داده های خام استخراج می شود. سپس تئوری مجموعه راف، به خلاصه سازی داده ها پرداخته و فیچرهای اضافی را حذف می کند. در مرحله طبقه بندی، به دلیل قابلیت ماشین بردار پشتیبان در تعمیم پذیری مناسب نتایج، از ماشین بردار پشتیبان چندکلاسه استفاده شده است. پارامترهای ماشین بردار پشتیبان نقش بسیار مهمی در دقت طبقه بندی دارند. این پارامترها در پژوهش های گذشته اغلب به صورت تجربی به دست آمده اند. تنظیم تجربی پارامترها علاوه بر نیاز به مهارت و زمان زیاد، مانعی در جهت اتوماتیک کردن شناسایی الگوها است. بنابراین در مرحله بهینه سازی مدل پیشنهادی از الگوریتم ژنتیک برای انتخاب پارامترهای بهینه استفاده شده است. عملکرد مدل پیشنهادی با استفاده از آزمایش هایی بررسی شده است که نتایج حاکی از دقت تشخیص بسیار بالای مدل پیشنهادی در شناسایی الگوهای نمودار کنترل می باشد.