محمداحسان حکمتیان؛ وحید ابراهیمزاده اردستانی؛ محمدعلی ریاحی؛ ایوب معمار کوچهباغ؛ جلال امینی
چکیده
استفاده از هوش مصنوعی یا شناسایی الگو (Pattern Recognition (PR)) در تفسیر دادههای ژئوفیزیکی و یا دیگر علوم زمین چند سالی است که بهویژه با ورود شبکه عصبی در این عرصه مطرح شده است. در روش شبکه عصبی و دیگر روشهای شناسایی الگو و از جمله در روش ردهبندی کننده بردار حمایتشده (Support Vector Classifier (SVC)) که در این پژوهش از آن استفاده شده است، با استفاده ...
بیشتر
استفاده از هوش مصنوعی یا شناسایی الگو (Pattern Recognition (PR)) در تفسیر دادههای ژئوفیزیکی و یا دیگر علوم زمین چند سالی است که بهویژه با ورود شبکه عصبی در این عرصه مطرح شده است. در روش شبکه عصبی و دیگر روشهای شناسایی الگو و از جمله در روش ردهبندی کننده بردار حمایتشده (Support Vector Classifier (SVC)) که در این پژوهش از آن استفاده شده است، با استفاده از مقادیر مشخصههای استخراجشده از ساختارها یا اشیای مورد نظر به ردهبندی آن اشیا یا ساختارها پرداخته میشود و به این ترتیب میتوان به تفسیر مورد نظر دست یافت. بهطور مرسوم درانتخاب این مشخصهها نظر شخصی نقش اصلی را بر عهده داشته است. در این نوشتار با ارائه نرمافزاری که دارای قابلیت انتخاب مشخصههای (Features Selection (FS)) مناسب برای برآورد ژرفای ساختارهای طاقدیسی توسط دادههای گرانی است و نشان دادن تفاوت استفاده از مشخصههای مناسب و نامناسب در این تفسیر، اهمیت انتخاب مشخصه در کاربرد هوش مصنوعی در تفسیرگرانی و دیگر علوم زمین نشان داده میشود. در اجرای این پژوهش، برای تربیت روش ردهبندی کننده بردار حمایتشده مربوط، 20 نیمرخ مصنوعی گرانی با منبع تاقدیسی تولید شد (مجموعه تربیت کننده). همچنین برای امتحان روش ردهبندی کننده بردار حمایتشده یادشده، 20 نیمرخ مصنوعی گرانی دیگر هم که آنها نیز دارای منابع به شکل تاقدیس بودند، تولید شد (مجموعه امتحان کننده). در این پژوهش نشان داده شد که برآورد ژرفای منابع تاقدیسی در حالت استفاده از مقادیر مشخصههای مناسب، خیلی دقیقتر از برآورد ژرفا در حالت استفاده از مقادیر مشخصههای نامناسب است. لازم به یادآوری است که نرمافزار انتخاب مشخصه یادشده بهطور ویژه تنها برای انتخاب مشخصه تفسیر گرانی طراحی نشده، بلکه طراحی آن بهگونهای است که قابل استفاده برای انتخاب مشخصه در هر فعالیت تفسیری علوم زمین هم است.