بر اساس مجموع مطالعات صورت گرفته تاقدیس کرنج یک چین نامتقارن با تمایل به سمت جنوب باختری می باشد که در کلاس 1c از تقسیم بندی رمزی قرار می گیرد. میانگین ضخامت موازی با سطح محوری سازند آسماری در بخش های مختلف این تاقدیس 550 متر وضخامت حقیقی 403 متر برآورد شده است. در میدان نفتی کرنج مدل چین جدایشی گسل خورده به عنوان سازوکار چین خوردگی معرفی می گردد. تحلیل فرکتالی آبراهه ها مشخص می کند که بخش ها مختلف این تاقدیس، دارای نرخ برخاستگی متفاوتی در طول تاریخ زمین شناختی خودبوده است، بگونه ای که بخش میانی در یال شمالی بالاترین نرخ برخاستگی را به خود اختصاص می دهد. مطالعه انبوهی شکستگی(rff) در راس سازند آسماری نشان دهنده افزایش این پارامتردر بخش های محدب ناشی از اعوجاج محور ساختمانی می باشد. برشهای زمین شناسی و کانون سطحی زمین لرزه های دستگاهی در کنار تفسیر پروفیل های لرزه ای سه بعدی حکایت از عملکرد دو گسل تراستی در یال های شمالی و جنوبی این تاقدیس و یک گسل تراگذر متقاطع با محور تاقدیس، دارد که انحنای محور ساختمانی تاقدیس معلول عملکرد این گسل تراگذر می باشد. مدل سه بعدی تهیه شده از راس سازند آسماری بوسیله نقشه های زیر سطحی(u.g.c.map) واطلاعات حفاری چاهها نشان داد که مورفولوژی سازند آسماری به شدت از عملکرد این گسل ها تاثیر پذیرفته است.

صرع یک اختلال شدید در سیستم عصبی مرکزی است که فرد را مستعد تشنج های مکرر می کند. تشنج، ناهنجاری موقتی در فعالیت الکتریکی مغز است که علائم فیزیکی مختل کننده ای همچون وقفه در حافظه و هوشیاری، اختلال حواس یا لرزش تمام بدن را به دنبال دارد. در این راستا، سیستم خودکاری که بتواند شروع تشنج را تشخیص یا پیش بینی کند، امری ضروری به نظر می رسد. این پایان نامه، الگوریتمی جهت آشکارسازی شروع تشنج صرع مبتنی بر تحلیل سیگنال های الکتریکی مغز (eeg) به تنهایی یا با ترکیب سیگنال های الکتریکی قلب و مغز ارائه می دهد. الگوریتم پیشنهادی با انتخاب ویژگی های موثر از سیگنال های تشنج و غیر تشنج هر فرد و طبقه بندی آن ها در دو کلاس، شروع تشنج را به طور سریع و با حساسیت بالا تشخیص می دهد. در این الگوریتم، ایپاک های l ثانیه ای از سیگنال ها با اعمال تبدیل ویولت به صورت یک تنسور مرتبه سه در فضای مکانی، طیفی و زمانی نمایش داده می شوند. سپس با اعمال آنالیز تفکیک کننده تنسور عام (gtda) بر روی تنسورها و محاسبه ماتریس نگاشت، بردارهای ویژگی استخراج می گردند. gtda، اطلاعات تفکیک شده از سیگنالهای eeg را بدون حذف اطلاعات در مقادیر موثر ذخیره می کند که یک مزیت نسبت به روش های رایج همچون pca است و موجب افزایش حساسیت الگوریتم می گردد. سر انجام از طبقه بند نزدیک ترین همسایگی (knn) جهت طبقه بندی ویژگی های انتخابی، استفاده می شود. نتایج شبیه سازی الگوریتم بر روی مجموعه داده های استاندارد eeg نشان داد که الگوریتم قادر است 98 درصد از تشنج ها را با میانگین تاخیر 7/4 ثانیه و نرخ خطای آشکارسازی متوسط، سه خطا در هر 24 ساعت، تشخیص دهد.

چکیده ندارد.