ارائه روشی جدید برای رده‌‌بندی درز‌ها‌ با رویکرد بهینه رده‌‌بندی کننده بیزین

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشکده معدن، پردیس دانشکده‌های فنی، دانشگاه تهران، تهران، ایران

2 دانشکده مهندسی برق و کامپیوتر، قطب علمی کنترل و پردازش هوشمند، پردیس دانشکده‌های فنی، دانشگاه تهران، تهران، ایران

چکیده

درزه‌‌نگاری در پروژه‌های اکتشاف نفت و معدن، مطالعات ساختگاهی و زمین‌شناسی، اهمیت فوق‌العاده‌ای دارد. به طور معمول، بسته به هدف از مطالعه درزه‌ها، ویژگی‌های مختلفی از آنها به صورت برجا برداشت می‌شود. برای مثال در مطالعات مخزن، علاوه بر ویژگی‌های ساختاری، بررسی میزان بازشدگی و پرشدگی درزه‌ها و شبکه ارتباطی آنها، برای مدل‌سازی جریان سیال، اهمیت ویژه‌ای دارد. اما از آنجا که درزه‌ها ماهیت پیچیده‌ای دارند، اغلب شناخت آنها بدون رده‌‌بندی ممکن نیست. لذا توجه به این نکته ضروری است که در رده‌‌بندی درزه‌ها، از کلیه ویژگی‌های تأثیر گذار در تفسیر نتایج رده‌‌بندی استفاده شود. این در حالی‌ست که به صورت متداول، حداکثر دو ویژگی شیب و جهت شیب، برای رده‌بندی درزه‌ها مورد استفاده قرار می‌گیرند و دیگر ویژگی‌ها، نادیده گرفته می‌شوند. در این مقاله، روشی جدید برای رده‌بندی درزه‌ها ارائه شده است.
برای بررسی کارایی و مزیت روش جدید، یک مجموعه مصنوعی از درزه‌ها، شامل 8 دسته درزه ساخته شده است و برای هر درزه، 4 ویژگی شیب، جهت شیب، میزان پُرشدگی و نوع پُرکننده در نظر گرفته شده است، به گونه‌ای که جدایش دسته درزه‌ها بر اساس ویژگی‌های شیب و جهت شیب ناممکن باشد. سپس برنامه‌هایی برای استفاده از روش‌ رده‌بندی بیزین (Bayesian)، نوشته شده و در فضای 4 بُعدی نسبت به رده‌‌بندی داده‌های مصنوعی اقدام شده است. به این ترتیب اثبات شده که با دقت بسیار مطلوب‌تری، کلیه 8 دسته درزه را می‌توان از هم تفکیک کرد.

کلیدواژه‌ها


عنوان مقاله [English]

A New Method for Joint Set Classification Based on Bayesian Optimum Classifier

نویسندگان [English]

  • B. Tokhmechi 1
  • H. Memarian 1
  • H. Ahmadi Noubari 2
  • B. Moshiri 2
1 School of Mining Engineering, University of Tehran, Tehran, Iran
2 School of Electrical & Computer Engineering, Control and Intelligent Processing Center of Excellences, University of Tehran, Iran
چکیده [English]

Joint study is one of the primary jobs in many geological, mining, geotechnical and petroleum exploration projects. Up to 10 features of joints are gathered during each field survey, while only two of them (dip and dip direction) are normally used to classify these complex features. This paper proposes a new method for joint set classification which can use more than two surveyed features. A synthetic set of 8 joint set, each joint defined with 4 features (dip, dip direction, type of infilling and amount of infilling), created in a way that with two features (dip and dip direction) sets could not be differentiated. Necessary program developed to use Bayesian classifier to sort 8 synthetic joint sets in 4D space. Present study showed that all 8 sets can be successfully differentiated by using Bayesian method. 

کلیدواژه‌ها [English]

  • Joint
  • Classification
  • Clustering
  • Features
  • Bayesian
References
Bishop, C. M., 1997- Neural Networks for Pattern Recognition, OxfordUniversity Press, 492 p.
Duda, R., Hart, P., Stork, D., 2003- Pattern Classification, Second Edition, John Wiley, 738 p.
Hammah, R. E., Curran, J. H., 1998- Fuzzy Cluster Algorithm for the Automatic Identification of Joint Sets, International Journal of Rock Mechanics and Mining Sciences, Vol. 35, No. 7, pp. 889-905.
Jimenez-Rodriguez, R., Sitar, N., 2006- A Spectral Method for Clustering of Rock Discontinuity Sets, International Journal of Rock Mechanics and Mining Sciences, Vol. 43, pp. 1052-1061.
Marcotte, D., Henry, E., 2002- Automatic Joint Set Clustering Using a Mixture of Bivariate Normal Distribution, International Journal of Rock Mechanics and Mining Sciences, Vol. 39, pp. 323-334.
Memarian, H., Fergusson, C. L., 2003- Multiple fracture sets in the southeastern Permian-Triassic Sydney Basin, New South Wales, Australian Journal of Earth Sciences, Vol. 50, PP. 49-61.
Neville, J., 1968- Fault and Joint development in Brittle and Semi Brittle Rock, Pergamon Press, 530 p.
Sirat, M., Talbot, C. G., 2001- Application of Artificial Neural Networks to Fracture Analysis at the Aspo HRL, Sweden: Fracture Sets Classification, International Journal of Rock Mechanics and Mining Sciences, Vol. 38, pp. 621-639.
Theodoridis, S., Koutroumbos, K., 2002- Pattern Classification, Second Edition, Elsevier Academic Press, 710 p.
Webb, A. R., 2002- Statistical Pattern Recognition, Second Edition, John Wiley & Sons Ltd, 504.