تعیین پارامترهای رسوب شناسی و مدلسازی سه بعدی دشت گرگان با استفاده از مدل شبکه عصبی مصنوعی

منابع اقتصادی موجود در طبیعت همواره برای انسان مهم بوده و نقشی تعیین کننده در اقتصاد کشورهای مختلف داشته است. به همین منظور تلاش در بهینه سازی روش های گوناگون استفاده از این منابع همواره مورد توجه بوده است. رسوبات از نظر دارا بودن پتانسیل لازم برای تشکیل مخازن هیدروکربوری و آبهای زیرزمینی حائز اهمیت فراوان هستند و معمولاً مورد توجه محققین مختلف قرار گرفته اند. یکی از مهمترین خصوصیات رسوبات و سنگ های رسوبی تخلخل است. تخلخل در رسوبات آواری در نتیجه قرار گرفتن ذرات مختلف در کنار هم ایجاد می شود. بنابراین اندازه رسوبات زیرسطحی در یک منطقه نقشی تعیین کننده در مطالعه منابع موجود در رسوبات آواری دارد. لذا درک نحوه پراکندگی ذرات در یک محدوده، از اهمیت بالایی برخوردار است. روش های مختلفی به منظور پی بردن به نحوه پراکنش رسوبات وجود دارد. هم اکنون مطالعات ژئوفیزیکی یکی از بهترین روشها برای این گونه مطالعات است. اما علاوه بر آن، استفاده از روش هوش مصنوعی مانند شبکه های عصبی مصنوعی(anns) برای این امر، در هر نقطه بسیار مناسب تشخیص داده شده است. مدلسازی با استفاده از شبکه های عصبی مصنوعی یکی از روشهای جعبه سیاه(black box) است که از مغز انسان الهام گرفته و به صورت آزمون و خطا و بر اساس توابع غیرخطی موجود در بین فاکتورهای موجود در یک مسئله سعی در حل آن دارد. در این مطالعه تلاش بر این است که بر اساس داده های مربوط به مقاومت الکتریکی، عمق، وجود یا عدم وجود آب و موقعیت جغرافیایی؛ توانایی مدل شبکه عصبی مصنوعی در پیش بینی اندازه ذرات در موقعیتهای مختلف جغرافیایی محدوده دشت گرگان سنجیده شود. در مدلسازی شبکه عصبی، یک شبکه چند لایه پیشرو پس انتشار(feed forward back propagation) به کار گرفته شده است. برای آموزش شبکه از روش آموزش lm استفاده شد. ضریب تطابق(r2)به دست آمده در این روش برای مرحله آموزش برابر 98 درصد و برای مرحله صحت سنجی 99 درصد است. در این مطالعه 70 درصد داده ها برای آموزش، 20 درصد برای مرحله صحت سنجی و 10 درصد برای تست شبکه در نظر گرفته شد. نتایج نشان داد که در صورت تهیه یک مدل شبکه عصبی مصنوعی و آموزش آن با استفاده از داده های معلوم، می توان اندازه ذرات رسوبی را برای سایر نقاط دشت با دقت مناسب تعیین کرد.