دورسنجی
محمد شریفی کیا؛ جلال کرمی؛ احسان فلاحتی
چکیده
سنجش از دور اپتیک روش نوین، کم هزینه و کارآمد در شناسایی مناطق دگرسانی است. با این وجود در مناطق پوشیده از پوششهای گیاهی و رسوبات کواترنر، شناسایی این مناطق تنها توسط تصاویر اپتیک از دقت بالایی برخوردار نیست. به همین دلیل تلفیق دادههای سنجنده اپتیکی ASTER و سنجنده میکروویو PALSAR با روشهای HSV، HSL، بیشترین شباهت و شبکه عصبی فازی به منظور ...
بیشتر
سنجش از دور اپتیک روش نوین، کم هزینه و کارآمد در شناسایی مناطق دگرسانی است. با این وجود در مناطق پوشیده از پوششهای گیاهی و رسوبات کواترنر، شناسایی این مناطق تنها توسط تصاویر اپتیک از دقت بالایی برخوردار نیست. به همین دلیل تلفیق دادههای سنجنده اپتیکی ASTER و سنجنده میکروویو PALSAR با روشهای HSV، HSL، بیشترین شباهت و شبکه عصبی فازی به منظور شناسایی دقیقتر زونهای دگرسانی در غرب استان قزوین مورد توجه قرار گرفته است. بدین منظور ابتدا شناسایی دگرسانیهای آرژیلیک و پروپیلیتیک توسط تصویر ASTER انجام گرفت. سپس بر اساس اطلاعات زمینشناسی و دادههای میدانی جمعآوری شده، برخی از مناطق دارای دگرسانیهای پوشیده شده رسوبات کواترنر، که توسط تصاویر ASTER قابل شناسایی نیستند، مشخص گردید. در ادامه تلفیق دادههای باند Lسنجنده PALSAR و باندهای مادون قرمز میانی سنجنده ASTER به روشهای HSV، HSL، بیشترین شباهت و شبکه عصبی مصنوعی انجام گرفت. نتایج تحقیق نشان داد که تلفیق تصاویر رادار و اپتیک به روشهای HSV و HSL باعث افزایش تفکیکپذیری مناطق دارای رخنمون دگرسانی آرژیلیک از سایر مناطق میشوند. همچنین ترکیب تصاویر رادار و اپتیک به روشهای بیشترین شباهت و شبکه عصبی علاوه بر افزایش تفکیکپذیری زونهای دگرسانی، باعث شناسایی بخشی از ذخایر پوشیده شده توسط رسوبات کواترنر میشوند
یاسر باقری؛ اسفندیار عباس نوین پور؛ عطااله ندیری؛ کیوان نادری
چکیده
قسمت اعظم مساحت کشور از لحاظ جغرافیایی در کمربند خشک و نیمه خشک با بارندگی کم قرار گرفته است. رشد روز افزون جمعیت و محدودیت منابع آبی و استفاده بیش از قبل از منابع آب زیرزمینی در بیشتر نقاط کشور، پیش بینی دقیق مقدار این منابع را به دلیل اهمیت در برنامه ریزی و مدیریت بهینه میطلبد. در این تحقیق به منظورتخمین نوسانات سطح آب زیرزمینی ...
بیشتر
قسمت اعظم مساحت کشور از لحاظ جغرافیایی در کمربند خشک و نیمه خشک با بارندگی کم قرار گرفته است. رشد روز افزون جمعیت و محدودیت منابع آبی و استفاده بیش از قبل از منابع آب زیرزمینی در بیشتر نقاط کشور، پیش بینی دقیق مقدار این منابع را به دلیل اهمیت در برنامه ریزی و مدیریت بهینه میطلبد. در این تحقیق به منظورتخمین نوسانات سطح آب زیرزمینی آبخوان باروق در استان آذربایجان غربی و محدوده مطالعاتی میاندوآب از مدل-های هوش مصنوعی شامل مدل فازی و مدل ماشین بردار پشتیبان و شبکه عصبی مصنوعی برگشتی با به کارگیری دادههای سطح آب زیرزمینی 7 پیزومتر انتخابی و همچنین تغییرات دما و بارش طی دوره زمانی 14 ساله(81-94) استفاده گردیده است. با وجود تواناییهای ذاتی هر یک از این مدلهای هوش مصنوعی در پیشبینی سطح آب زیرزمینی، ناهمگنی فراوان محدوده مطالعاتی از حصول بازده بالای مدلها میکاهد. لذا مدلسازی SOM-AI که ترکیب روش دسته بندی نقشه خودسازمانده و مدلهای اجرا شده است، با تقسیم بندی منطقه مطالعاتی به مناطق همگن باعث افزایش بازده هر یک از مدلهای مرکب در قسمتهای مختلف آبخوان گردید. نتایج نشان داد که روش ارائه شده میتواند روشی کارا در مدلسازی آبخوانهای ناهمگن و حتی چند لایه باشد.
نجمه علیدادی؛ عباس مهدویان
چکیده
زمانی که امواج زمینلرزه از لایههای آبرفتی میگذرند؛ دامنه امواج لرزهای در برخی از دورهها بهطور قابلتوجهی افزایش مییابد که با عنوان بزرگنمایی سایت شناخته میشود. در این صورت میتوان آن را با یک مدل تحلیلی بهصورت نسبت طیف پاسخ سطح زمین به طیف پاسخ حرکت ورودی برآورد کرد. این رفتار در ارزیابی عملکرد لرزهای سازهها و شریانهای ...
بیشتر
زمانی که امواج زمینلرزه از لایههای آبرفتی میگذرند؛ دامنه امواج لرزهای در برخی از دورهها بهطور قابلتوجهی افزایش مییابد که با عنوان بزرگنمایی سایت شناخته میشود. در این صورت میتوان آن را با یک مدل تحلیلی بهصورت نسبت طیف پاسخ سطح زمین به طیف پاسخ حرکت ورودی برآورد کرد. این رفتار در ارزیابی عملکرد لرزهای سازهها و شریانهای حیاتی ضروری است. در این مقاله سعی شده است که این تأثیر در لایههای ماسهای با ستبراهای متفاوت بررسی شود. برای نمونه، شهرستان ارومیه به عنوان یکی از کلانشهرهای شمال باختری ایران و منطقهای زمینلرزهخیز بررسی شده است. 120 گمانه ژئوتکنیکی حفر و لایههای ماسهای با ستبراهای متفاوت در بخش مرکزی و خاوری آن دیده شده است. در این تحلیلها از شتابنگاشتهای مصنوعی شبیهسازی شده بر پایه نتایج تحلیل خطر لرزهای به عنوان حرکت ورودی برای تحلیل استفاده شده است. سپس با مقایسه شتابهای طیفی در دورههای مختلف سطح زمین با مقادیر متناظر روی سنگبستر لرزهای طیف بزرگنمایی شتاب طیفی در دورههای مختلف ارائه و بهدنبال آن با استفاده از شبکه عصبی و الگوریتم ژنتیک مدلسازی این ضرایب انجام شد. نتایج به دست آمده نشاندهنده افزایش قابل توجه ضریب بزرگنمایی در برخی از دورهها با افزایش ستبرای لایههای ماسهای است. با استفاده از نتایج مدلسازی ارائه شده میتوان ضرایب بزرگنمایی خاکهای ماسهای شهر ارومیه را با ستبراهای متفاوت به ازای دورههای متغیر تا 4 ثانیه برآورد کرد. در این مطالعه نتایج به دست آمده از شبکه عصبی مصنوعی با استفاده از معیارهای ضریب همبستگی و جذر میانگین مربعات خطا جوابهای دقیقتری نسبت به برنامهریزی بیان ژن ارائه کرده است. همچنین در این مطالعه با استفاده از الگوریتم تکاملی برنامهریزی بیان ژن رابطه ریاضی به ازای ستبرای لایه ماسهای و دورههای متفاوت بیان میشود.
مریم السادات میرکمالی؛ حمیدرضا رمضی؛ محمدرضا بختیاری؛ هاله رامش
چکیده
در این مطالعه به شناسایی سامانههای گسلی تنگه هرمز با استفاده از تلفیق نشانگرهای لرزهای و شبکههای عصبی مصنوعی پرداخته شده است. گسلها و شکستگیها نقش مهمی در ایجاد منطقههایی با تخلخل و تراوایی زیاد ایفا میکنند. همچنین آنها در مسیرهـای مهاجرت سیال سنگ مخزن و پوشسنگ را قطع میکنند. در منطقه تنگه هرمز فعالیتهای زمینساختی ...
بیشتر
در این مطالعه به شناسایی سامانههای گسلی تنگه هرمز با استفاده از تلفیق نشانگرهای لرزهای و شبکههای عصبی مصنوعی پرداخته شده است. گسلها و شکستگیها نقش مهمی در ایجاد منطقههایی با تخلخل و تراوایی زیاد ایفا میکنند. همچنین آنها در مسیرهـای مهاجرت سیال سنگ مخزن و پوشسنگ را قطع میکنند. در منطقه تنگه هرمز فعالیتهای زمینساختی شدید و زمینساخت نمک منجر به تشکیل ساختارهای پیچیده شده است. بنابراین شناسایی دقیق گسلها و منطقههای شکستگی و چگونگی گسترش آنها در افزایش تولید از تلههای نفتی، اهمیت خاصی دارد. در شناسایی چگونگی گسترش و حرکت گسـلها در منطقـه تنگه هرمز (بخش خاوری خلیج فارس) درون سـازنـدهای میشان، آغاجاری و در زیر افق دگرشیبی قاعده گـوری، روش مدلسازی ساختمانی (Image processing) و تجسمگرایی (visualization) تفسیر لرزهای بهکار گرفته شده است. در این روش بر پایه ترکیب نشانگرهای ورودی در سامانه شبکه عصبی مصنوعی و ایجاد نشانگرهای جدید، تصویر ساختمانی مناطق گسلی به دست آمده است. ابتدا مجموعهای از نشانگرهای پیشرفته بهمنظور تلفیق نشانگرهای محاسبه شده در نقاط تفسیری گسلی و غیرگسلی، بهعنوان ورودی به سامانه شبکه عصبی تحت نظر برای آموزش معرفی شدهاند. در پایان مکعب گسلی بهعنوان ابزار قوی اکتشافی برای شناسایی دقیق سامانه گسلی و تشخیص بهتر گسلها و شکستگیها، در مدلسازی کیفی منطقه به دست آمده است. همبستگی (correlation) بالای میان گسلها در مکعب گسلی، در نتیجه بهکارگیری نشانگرهای ترکیبی، امکان ردگیری (tracking) دقیقتر و معتبرتر گسترش گسلها را فراهم میکند. در نتیجه این پژوهش، سه نوع سامانه گسلی در منطقه مورد مطالعه شناسایی شدهاند که در نتیجه زمینساخت کششی و فشارشی کوهزایی عمان یا حرکات زمینساخت عمودی کوهزایی زاگرس و جریان نمک در طی رسوبگذاری بهوجود آمدهاند.
پژمان طهماسبی؛ اردشیر هزارخانی
چکیده
در این پژوهش، برآورد الگوریتمهای یادگیری مختلف در شبکه عصبی برای برآورد عیار در سامانه مس پورفیری سوناجیل مقایسه شده است. هدف این پژوهش، بهینه کردن ساختار شبکه مورد استفاده و ارائه روند بهینهسازی ساختاری آن برای برآورد عیار مس برای شناسایی بهتر منطقه است. بر این اساس، دوازده الگوریتم یادگیری پس انتشار خطا برای این هدف بررسی ...
بیشتر
در این پژوهش، برآورد الگوریتمهای یادگیری مختلف در شبکه عصبی برای برآورد عیار در سامانه مس پورفیری سوناجیل مقایسه شده است. هدف این پژوهش، بهینه کردن ساختار شبکه مورد استفاده و ارائه روند بهینهسازی ساختاری آن برای برآورد عیار مس برای شناسایی بهتر منطقه است. بر این اساس، دوازده الگوریتم یادگیری پس انتشار خطا برای این هدف بررسی شدند. نتایج مطالعه بیانگر آن است که در الگوریتمهای مورد استفاده دو الگوریتم LM و BFG بهترین کارایی را دارند. دلایل برای نشان دادن کارایی تقریباً مساوی الگوریتمهای یادگیری دیگر بهصورت کمی بیان شده است. متغیرهای ورودی شبکه، موقعیت طول و عرض جغرافیایی و خروجی آن، عیار کانسار در آن مختصات است. همچنین برای بهدست آوردن ساختار بهینه شبکه مورد نظر از شبکههای با تعداد لایههای مختلف استفاده شد که در پایان شبکه با تعداد دوازده نرون مورد استفاده قرار گرفت. برای بررسی تأثیر شکل عادی کردن دادهها از شکلهای مختلف دادهها استفاده شد که دادههای عادی شده در بازه ]1 0 [ نتایج بهتری داشتند. در پایان برای بهینهتر شدن شبکه همچنین از توابع مختلف انتقال در این شبکه استفاده شد که تابع انتقال تانژانت سیگموییدی با کمترین خطای ممکن همراه بود و این تابع بهعنوان تابع بهینه برگزیده شد. با در نظر گرفتن شرایط بهینه مقدار R2 برای شبکه 946/0 بهدست آمد که نویدگر استفاده از شبکههای عصبی با ساختار بهینه برای بهبود شرایط برآورد است.