اهمیت انتخاب مشخصه در کاربرد هوش مصنوعی در برآورد ژرفای تاقدیس توسط داد‌ه‌های گرانی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکترا، دانشکده علوم پایه، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران

2 دانشیار، مؤسسه ژئوفیزیک دانشگاه تهران، تهران، ایران

3 استادیار، پژوهشکده چرخه سوخت هسته‎ای، پژوهشگاه علوم و فنون هسته‏ای، تهران، ایران

4 دانشیار، دانشکده فنی، دانشگاه تهران، تهران، ایران

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 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.

کلیدواژه‌ها


عنوان مقاله [English]

Importance of Features Selection in Application of Pattern Recognition in Estimating the Depth of Anticline Using Gravity Data

نویسندگان [English]

  • M.E Hekmatian 1
  • V Ebrahimzadeh Ardestani 2
  • M.A Riahi 2
  • A Memar Koucheh Bagh 3
  • J Amini 4
1 Ph.D. student, Faculty of Basic Sciences, Islamic Azad University, Science and Research Branch, Tehran, Iran
2 Associate Professor, Institute of Geophysics of University of Tehran, Tehran, Iran
3 Assistant Professor, Nuclear Fuel Cycle Research School, Nuclear Science & Technology Research Institute (NSTRI) , Tehran, Iran
4 Associate Professor, Faculty of Engineering, University of Tehran, Tehran, Iran
چکیده [English]

Pattern recognition algorithms especially neural network in geophysical interpretations and other Earth sciences have been used since some years ago. In neural network and other pattern recognition algorithms like support vector classifier (SVC) that the latter method is used in this research, by using the values of the features, which has been extracted from the objects (in our work gravity profiles are objects), classification of the objects can be done. Usually the features are selected subjectively. In this paper, we have presented a homemade software that can select proper features objectively. By using SVC and the mentioned features selection (FS) software, depth estimations of anticlines have been done in this research. We have shown the difference of using proper features and improper ones in the mentioned depth estimation (a kind of classification). In this paper, twenty synthetic gravity profiles with anticline shape sources are created for training SVC and the same amount of synthetic profiles are created for testing. It has shown that depth estimation with proper features is more precise than depth estimation with improper features. Also it should be emphasized that FS is important not only in depth estimation of anticlines, but also in all kinds of classifications in Earth sciences and the mentioned homemade software code is applicable in all of them.

کلیدواژه‌ها [English]

  • Feature selection
  • Pattern Recognition
  • Depth estimation of anticline
  • Gravity
  • Support vector classifier