عباس عباس‌زاده شهری؛ رسا حسینی؛ فریدون رضایی؛ کامبیز مهدی‌زاده فرساد؛ نعیم پنائی
چکیده
شبکه‌های عصبی روشهای محاسباتی یادگیرنده هستند که به کمک آنها می‌توان یک نگاشت خاص را برآورد کرده یا داده‌های مختلفی را دسته‌‌بندی کرد. یک شبکه عصبی بر خلاف کامپیوتر‌های رقومی که نیازمند دستورات کاملاً صریح و مشخص هستند، به مدل ریاضی محض نیاز ندارد، بلکه مانند مغز انسان قابلیت یادگیری به وسیله تعدادی مثال مشخص را دارد. هدف مقاله ...
بیشتر
شبکه‌های عصبی روشهای محاسباتی یادگیرنده هستند که به کمک آنها می‌توان یک نگاشت خاص را برآورد کرده یا داده‌های مختلفی را دسته‌‌بندی کرد. یک شبکه عصبی بر خلاف کامپیوتر‌های رقومی که نیازمند دستورات کاملاً صریح و مشخص هستند، به مدل ریاضی محض نیاز ندارد، بلکه مانند مغز انسان قابلیت یادگیری به وسیله تعدادی مثال مشخص را دارد. هدف مقاله حاضر، اثبات تابع تخلخلی و تحلیل به عنوان یک رهیافت نیرومند در برآورد تخلخل سنگ مخزن با استفاده از نمودارهای پتروفیزیکی است که در آن با ارائه راه‌حلی مناسب بر پایه تحلیل پتروفیزیکی می‌توان تخلخل را با استفاده از داده‌های نمودارهای چاه‌نگاری متداول تا حد بسیار خوبی برآورد کرد. روش پیشنهادی بر پایه داده‌های پتروفیزیکی موجود در یکی از میادین نفتی جنوب باختر ایران مورد بررسی قرار گرفت. نتایج به‌دست آمده از تجزیه شبکه مشروط بر اعتماد به داده‌ها با آزمون‌های مختلف در بررسی تابع از جمله رگرسیون، جذر میانگین مربعات و SPLine نشان دادند که میزان خطای شبکه بر حسب داده‌های موجود در محدوده مهندسی با ضریب اطمینان بالایی قابل قبول هستند و می‌تواند برای برآورد تخلخل مورد استفاده قرار گیرند. این روش افزون بر کاهش هزینه‌ها و اقتصادی کردن طرح، می‌تواند راهگشای انجام پژوهش‌های مختلفی در این زمینه در مقاطع بعدی شود.
احمد زمانی؛ مهناز ندائی
چکیده
یکی از اساسی‌ترین مباحث در علوم‌زمین، تهیه و رسم نقشه‌های مختلف پهنه‌بندی زمین‌ساختی است. روشهای مرسوم و متداول در پهنه‌بندی زمین‌ساختی نه تنها با قضاوت‌های ذهنی همراه است، بلکه تفسیر حجم بالای داده‌ها مشکل و در عمل خارج از توانایی بشر است. برای پرهیز از این نواقص و اشکال‌ها، روشهای علمی رقومی استخراج اطلاعات از داده‌ها ...
بیشتر
یکی از اساسی‌ترین مباحث در علوم‌زمین، تهیه و رسم نقشه‌های مختلف پهنه‌بندی زمین‌ساختی است. روشهای مرسوم و متداول در پهنه‌بندی زمین‌ساختی نه تنها با قضاوت‌های ذهنی همراه است، بلکه تفسیر حجم بالای داده‌ها مشکل و در عمل خارج از توانایی بشر است. برای پرهیز از این نواقص و اشکال‌ها، روشهای علمی رقومی استخراج اطلاعات از داده‌ها (data mining) می‌تواند به عنوان ابزاری مفید و مؤثر برای تهیه و رسم نقشه‌های رقومی جدید در علوم‌زمین مورد استفاده قرار گیرد. در این مقاله، شبکة عصبی نگاشت خودسامانده (self-organizing map) که یکی از روشهای متداول استخراج اطلاعات از داده‌ها است، برای پهنه‌بندی رقومی زمین‌ساختی ایران زمین به کار گرفته شده است. SOM نوعی شبکه عصبی مصنوعی غیرنظارتی (unsupervised artificial neural network) است که برای الگوشناسی (pattern recognition) و خوشه‌بندی (clustering) داده‌های چند بعدی به کار می‌رود. تجسم visualization)) داده‌های چند بعدی در پدیده نگاشت (feature map) دوبعدی با حفظ توپولوژی (مکان‌شناسی) (topological-preserving)، از دیگر ویژگیهای بارز کاربرد روش SOM در تهیه نقشه‌های رقومی است که نمایانگر میزان همگنی و تقارب پهنه‌های تفکیک شده است. اگر چه نقشه‌های رقومی که در این پژوهش تهیه شده شباهت‌های بسیاری با نقشه‌های سنتی (conventional maps) دارد، لکن نقشه‌های SOM از توانمندی‌های بهتری برای تفکیک و تفسیر مناطق مختلف برخوردار هستند. روش جدید افزون‌بر تفکیک پهنه‌های زمین‌ساختی، میزان همگنی هر پهنه را نیز مشخص می‌نماید. مناطق با تاریخچه تحولات زمین‌شناسی مشابه، صرفنظر از موقعیت جغرافیایی‌شان، در یک پهنه قرار می‌گیرند. برای مثال نتایج حاصل از این روش حاکی از آن است که پهنه‌های لوت و گاوخونی اصفهان نسبت به پهنه‌های مکران و آذربایجان غربی از درجه همگنی بالاتری برخوردارند. مناطق کپه داغ و راندگی زاگرس نیز با وجود واقع شدن در دو منطقة جغرافیایی متفاوت، برای یک پهنه با ویژگیهای مشابه منفک شدهاند. افزون‌بر آن، در نقشه رقومی تهیه شده، پهنه مکران از رشته کوه‌های خاور ایران و پهنة آذربایجان غربی از رشته کوه‌های البرز تفکیک شدهاند. قابل توجه است که نتایج به دست آمده توسط SOM فقط براساس متغیرهای ژئوفیزیکی، زمین‌شناسی و لرزه‌خیزی یاد شده است، بنابراین باید در تعیین شباهت و تمایز بین نقشه‌های رقومی و زمین‌ساختی رایج دقت لازم به عمل آید.
احمدرضا صیادی؛ مسعود منجزی؛ حسین شهرآبادی
چکیده
ارزیابی ذخیره کانسارها یکی از مهم‌ترین پارامترهای لازم برای طراحی معدن بوده و روشهای متعددی در این خصوص توسعه یافته است. علاوه بر روشهای تحلیلی زمین‌آماری، روشهای هوش مصنوعی مانند شبکه‌های عصبی برای برآورد ذخیره بسیار مناسب تشخیص داده شدهاند. در این تحقیق مدل هندسی و بلوکی کانسار فسفات اسفوردی تهیه و میزان ذخیره برآورد شده ...
بیشتر
ارزیابی ذخیره کانسارها یکی از مهم‌ترین پارامترهای لازم برای طراحی معدن بوده و روشهای متعددی در این خصوص توسعه یافته است. علاوه بر روشهای تحلیلی زمین‌آماری، روشهای هوش مصنوعی مانند شبکه‌های عصبی برای برآورد ذخیره بسیار مناسب تشخیص داده شدهاند. در این تحقیق مدل هندسی و بلوکی کانسار فسفات اسفوردی تهیه و میزان ذخیره برآورد شده است. مدل بلوکی محتوی حدود 100 هزار بلوک با ابعاد 5 × 25 × 25 است. برای برآورد عیار هر بلوک، از روش تحلیل زمین‌آماری و شبکه‌های عصبی استفاده شد. به منظور برآورد زمین‌آماری، روش کریجینگ معمولی مورد استفاده قرار گرفت. در روش شبکه عصبی یک شبکه چند لایه پرسپترون بهکار گرفته شده و برای آموزش شبکه از روش آموزش LMاستفاده شد. میزان ذخیره برای دامنه مناسبی از عیار حد برآورد شده است. با در نظرگرفتن عیار حد 6 درصد، میزان ذخیره 5/16 میلیون تن با عیار میانگین 44/11 درصد و 5/17 میلیون تن با عیار میانگین 83/11 درصد به ترتیب به کمک روش زمین‌آماری و روش شبکه‌های عصبی محاسبه شد. نتایج مشابه بوده و اختلافی کمتر از 6% دارند. مدلسازی و برآورد انجام شده، مبنای لازم را برای اصلاح طرح استخراجی فعلی معدن فسفات اسفوردی با هدف استخراج انتخابی تا تراز 1720 فراهم می‌نماید.
محمد جعفر محمد‌زاده؛ حمید آقابابایی؛ آینور ناصری
چکیده
مقدار کربن آلی کل (Total Organic Carbon) موجود در سنگ منشأ هیدروکربن یکی از پارامترهای حائز اهمیت در ارزیابی آن است. این پارامتر نه تنها در مطالعات ژئوشیمیایی هیدروکربن مورد استفاده قرار می‌گیرد، بلکه در بررسی میزان گسترش سنگ منشأ نیز نقش بسزایی دارد به گونه‌ای که با افزایش TOC، احتمال حضور سنگ منشأ افزایش می‌یابد وکاهش آن ...
بیشتر
مقدار کربن آلی کل (Total Organic Carbon) موجود در سنگ منشأ هیدروکربن یکی از پارامترهای حائز اهمیت در ارزیابی آن است. این پارامتر نه تنها در مطالعات ژئوشیمیایی هیدروکربن مورد استفاده قرار می‌گیرد، بلکه در بررسی میزان گسترش سنگ منشأ نیز نقش بسزایی دارد به گونه‌ای که با افزایش TOC، احتمال حضور سنگ منشأ افزایش می‌یابد وکاهش آن بیانگر عدم گستردگی سنگ منشأ در یک ژرفای معلوم است. بنابراین وجود روشی که بتواند به برآورد هر چه بهتر آن کمک کند، لازم است. شبکه‌های عصبی مصنوعی یکی از روشهای عددی حل مسئله است که با الگو برداری از عملکرد شبکه‌های عصبی زیست‌شناختی به تحلیل مسائل پرداخته و اقدام به برآورد، رده‌بندی و ... می‌کند. این مقاله با هدف معرفی ساختار و چگونگی عملکرد شبکه‌های عصبی، اقدام به برآورد مقدار مواد آلی کل موجود در سنگ منشأ هیدروکربن در میدان نفتی بینک با استفاده از اطلاعات چاه‌پیمایی می‌کند. نتایج حاصل، بیانگر این مطلب است که شبکه پرسپترون چند لایه( Multi-Layer Perceptron ) بهترین شبکه‌ای بود که برای برآورد استفاده شد که دارای یک لایه میانی با 6 گره ونوع الگوریتم آموزشی پس انتشار مومنتم باتابع تحریک تانژانتی بود. پس از آموزش شبکه، مقدار خطای برآورد 0013/0 حاصل شد. پس ازآن، داده‌های آموزشی و غیر آموزشی آزموده شدند و در نهایت مقایسة بین مقادیرTOC واقعی و برآورد انجام گردید که نتیجة مطلوب حاصل شد. در پایان، تحلیل حساسیت روی پارامترهای مؤثر در بر آورد انجام گردید و بر اساس آن، پارامتر تخلخل نوترونی (NPHI) به عنوان موثرترین و حساس‌‌ترین پارامتر و DT به عنوان پارامتری با کمترین حساسیت مؤثر در برآورد شناخته شدند.
