بررسی امکان بهکارگیری شبکههای عصبی مصنوعی در مدلسازی وارون دو بعدی ترکیبی دادههای دو مد قطبش روش مگنتوتلوریک
نویسندگان
چکیده مقاله:
روش مگنتوتلوریک یکی از روشهای الکترومغناطیس با چشمه طبیعی است که برای کسب اطلاعات الکتریکی از ساختارهای زیرزمینی استفاده میشود. کاربرد این روش، بیشتر برای اکتشاف منابع زمین‌گرمایی، نفت و ذخایر معدنی است. با توجه به اینکه دادههای اندازه‌گیری شده در روش مذکور حجیم و دارای ساختاری پیچیده هستند، از این رو مدلسازی وارون دادههای حاصل نسبت به دیگر روشهای الکتریکی مشکل‌تر و در بعضی از موارد ناممکن است. هدف این مقاله، بر این است که قابلیتهای شبکههای عصبی مصنوعی برای مدلسازی وارون ترکیبی دادههای فاز و مقاومت ویژه دو مد قطبش این روش مورد بررسی قرار گیرد. به منظور نیل به این هدف از شبکة پرسپترون چند لایه با قانون فراگیری پس انتشار خطا استفاده شد. برای آموزش و طراحی شبکه مناسب، چندین مدل مصنــــــوعی در گروه مورد نظر ساخته شــــــد و سپس با مدلسازی مستقیـــــم دادههای مقـــــاومت ویژه و فاز آنها برای دو مــــــد قطبش الکتریکی عرضی : Transverse Electric) TE) و مغناطیس عرضی: Transverse Magnetic) TM) در چندین بسامد تولید شد. پس از بررسیهای جامع، یک شبکة پرسپترون سه لایه با ساختار 9-9-396 طراحی شد و از آن برای مدلسازی دو بعدی استفاده شد. بررسی نتایج به دست آمده نشان می‌دهد که شبکه طراحی شده از دقت قابل قبولی برای مدلسازی دادههای مگنتوتلوریک برخوردار است، به گونه‌ای که برای یکی از مدلهای آزمایشی، مقدار میانگین خطای نسبی در نبــــــــود نوفه (Noise) 9/3 درصد و در حضور 5 درصد نوفه 9/6 درصد است، که این امر حاکی از دقت خوب شبکه در برآورد پارامترهای مدل زیرزمینی است. همچنین نتایج مدلسازی شبکه برای یک مجموعه دادههای صحرایی و مقایسة آن با نتایج یکی دیگر از روشهای معمول مدلسازی وارون نشان می‌دهد که مدلها و پارامترهای به دست آمده توسط دو روش فوق، از شباهت و همخوانی خوبی برخوردار هستند که این مطلب گویای توانمندی شبکه طراحی شده برای مدلسازی دادههای مورد نظر است.
منابع مشابه
وارون سازی داده های دو بعدی مقاومت ویژه ی الکتریکی لوله های زیرسطحی به روش شبکه ی عصبی مصنوعی
وارون سازی داده های ژئوفیزیکی به علت غیرخطی بودن داده ها، فرآیندی بسیار پیچیده است، بخصوص در حالتی که قدرت تفکیک بسیار بالا در عمق نفوذ کم نیز مد نظر باشد. در دو دهه ی اخیر الگوریتم های وارون سازی غیرخطی نظیر شبکه های عصبی و الگوریتم های ژنتیک با رشد قابل توجهی برای تفسیر داده های ژئوفیزیکی مورد استفاده قرار گرفته اند. در این مطالعه وارون سازی داده های ژئوالکتریکخط لوله ی زیرسطحی با قدرت تفکیک ...
متن کاملوارونسازی 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 ...
متن کاملمدلسازی دادههای مگنتوتلوریک با قطبش H به روش تفاضل متناهی
در تحقیقات ژئوفیزیکی مسئله اساسی به‌دست آوردن مدلی است که بتواند به بهترین وجه ممکن ساختارهای زیرسطحی زمین را نشان دهد. گام اساسی برای این کار به‌دست آوردن کمیت‌های قابل مشاهده در سطح زمین به‌‌کمک قوانین فیزیکی است. این مسئله با مدلسازی پیشرو عملی میشود. در این تحقیق مدلسازی پیشرو برای روش مگنتوتلوریک (زمین‌مغناط‌برقی) مورد بررسی قرار گرفته است. بدین‌‌منظور یک کُد در محیط نرم‌افزار متلب...
متن کاملبررسی دقت مدلسازی پیشرو دادههای الکترومغناطیس هلیکوپتری در مدلسازی معکوس
برداشت دادههای الکترومغناطیس حوزه بسامد هلیکوپتری (HEM) امروزه جایگاه ویژه‌ای در به نقشه درآوردن ساختارهای زمینی سه‌بعدی مقاومت<span style="font-fa...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 16 شماره 64
صفحات 88- 101
تاریخ انتشار 2008-02-20
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023