بررسی امکان به‌کارگیری شبکه‌های عصبی مصنوعی در مدل‌سازی وارون دو بعدی ترکیبی داده‌های دو مد قطبش روش مگنتوتلوریک

مرادزاده, علی; طهماسبی, فاطمه; فاتح, محمد مهدی

doi:10.22071/gsj.2008.58218

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ دانشکده مهندسی معدن و ژئوفیزیک، دانشگاه صنعتی شاهرود

² دانشکده مهندسی برق و رباتیک، دانشگاه صنعتی شاهرود

https://doi.org/10.22071/gsj.2008.58218

چکیده

روش مگنتوتلوریک یکی از روشهای الکترومغناطیس با چشمه طبیعی است که برای کسب اطلاعات الکتریکی از ساختارهای زیرزمینی استفاده می‌شود. کاربرد این روش، بیشتر برای اکتشاف منابع زمین‌گرمایی، نفت و ذخایر معدنی است. با توجه به اینکه داده‌های اندازه‌گیری شده در روش مذکور حجیم و دارای ساختاری پیچیده هستند، از این رو مدل‌سازی وارون داده‌های حاصل نسبت به دیگر روشهای الکتریکی مشکل‌تر و در بعضی از موارد ناممکن است. هدف این مقاله، بر این است که قابلیتهای شبکه‌های عصبی مصنوعی برای مدل‌سازی وارون ترکیبی داده‌های فاز و مقاومت ویژه دو مد قطبش این روش مورد بررسی قرار گیرد. به منظور نیل به این هدف از شبکة پرسپترون چند لایه با قانون فراگیری پس انتشار خطا استفاده شد. برای آموزش و طراحی شبکه مناسب، چندین مدل مصنــــــوعی در گروه مورد نظر ساخته شــــــد و سپس با مدل‌سازی مستقیـــــم داده‌های مقـــــاومت ویژه و فاز آنها برای دو مــــــد قطبش الکتریکی عرضی : Transverse Electric) TE) و مغناطیس عرضی: Transverse Magnetic) TM) در چندین بسامد تولید شد. پس از بررسیهای جامع، یک شبکة پرسپترون سه لایه با ساختار 9-9-396 طراحی شد و از آن برای مدل‌سازی دو بعدی استفاده شد. بررسی نتایج به دست آمده نشان می‌دهد که شبکه طراحی شده از دقت قابل قبولی برای مدل‌سازی داده‌های مگنتوتلوریک برخوردار است، به گونه‌ای که برای یکی از مدلهای آزمایشی، مقدار میانگین خطای نسبی در نبــــــــود نوفه (Noise) 9/3 درصد و در حضور 5 درصد نوفه 9/6 درصد است، که این امر حاکی از دقت خوب شبکه در برآورد پارامترهای مدل زیرزمینی است. همچنین نتایج مدل‌سازی شبکه برای یک مجموعه داده‌های صحرایی و مقایسة آن با نتایج یکی دیگر از روشهای معمول مدل‌سازی وارون نشان می‌دهد که مدلها و پارامترهای به دست آمده توسط دو روش فوق، از شباهت و همخوانی خوبی برخوردار هستند که این مطلب گویای توانمندی شبکه طراحی شده برای مدل‌سازی داده‌های مورد نظر است.

کلیدواژه‌ها

20.1001.1.10237429.1386.16.64.8.6

مراجع

مرادزاده، ع.، عرب امیری، ع.،ر.،1383- مدل‌سازی معکوس پارامتری داده‌های پلاریزاسیون‌القایی و مقاومت‌ویژه اندیس‌معدنی پاینده. هشتمین همایش انجمن زمین‌‌شناسی ایران، شهریور 83 ، دانشگاه صنعتی شاهرود

منهاج، م.ب.، 1379- مبا.

References

Berdichevsky, M.N., Dmitriev, V.I. & Pozdnjakova, E.E., 1998- On two-dimensional interpretation of magnetotelluric soundings. Geophys. J. Int., 133, 585-606.

Dobrin, M.B. & Sovit, C.H., 1988- Introduction to Geophysical prospecting. McGrow-Hill ,Inc, 868.

Kaufman, A.A. & Keller, G.V., 1981- The magnetotelluric sounding method. Elsevier, 595.

Mackie, R.L., Madden, T.R. & Wannamaker, P.E., 1993- Three-dimensional magnetotelluric modelling using difference equations - Theory and comparisons to integral equations. Geophysics, 58, 215-226.

Melsa, P.J.W., 1989- Neural Networks: A Conceptual Overview. TellabsResearchCenter.

Moradzadeh, A., 2003- Static shift appraisal and its correction in magnetotelluric (MT) surveys. The 21^stsymposium on geosciences. Tehran, Iran.

Moradzadeh, A., 1998- Electrical imaging of the Adelide geosyncline using magnetotelluric (MT). Ph.D Thesis, Flinders University of south Australia, 334.

Poulton, M.M., 2001- Computational neural networks for geophysical data processing. PERGAMON, 335.

Poulton, M.M., Sternberg, B.K. & Glass, C.E., 1992- Location of subsurface targets in geophysical data using neural networks. Geophysics, 57, 1534-1544.

Spichak, V. & Popova, I., 2000- Artificial neural network inversion of magnetotelluric data in terms of three- dimensional earth macroparameters. Geophys. J. Int, 142, 15-26.

Stoyer, C., Zerelli, A., Slee, C. & Buttler, M.S., 1999- Manual of EMIXMT2D. Interpex.

Telford, W.M., Geldart, L.P. & Sheriff, R.E., 1990- Applied Geophysics. CambridgeUniversity Press, 770.

The MathWork, I., 2002- Matlab user manual, The language of technical computing.

Turhan, M., 1995- Neural networks and computation of neural network weights and biases generalized delta rule and backpropagation of errors. http://www.discoby.com/pdf/neural_network.

Van der Bean, M. & Jutten, C., 2000- Neural networks in geophysical applications. Geophysics, 65, 1032-1047.

Vozoff, K., 1991- The magnetotelluric method. In: Nabighian, M.N. (Ed), Electromagnetic Method In Applied Geophysics. Society of Exploration Geophysicist, 641-712.

Wannamaker, P.E., Stodt, J.A. & Rijo, L., 1987- A stable finite element solution for two-dimensional magnetotelluric modelling. Geophys. J. R. astr. Soc., 88, 277-296.

Zonge, K.L. & Hughes, L.J., 1991- Control source audio-frequency magnetotellurics. In: Nabighian, M.N. (Ed), Electromagnetic Methods In Applied Geophysics. Society of Exploration Geophysicists, 713-809.نی شبکه‌های عصبی مصنوعی. جلد اول و دوم، انتشارات دانشگاه صنعتی امیرکبیر

فصلنامه علمی علوم زمین

بررسی امکان به‌کارگیری شبکه‌های عصبی مصنوعی در مدل‌سازی وارون دو بعدی ترکیبی داده‌های دو مد قطبش روش مگنتوتلوریک

مراجع

مراجع

دوره 16، شماره 64
شهریور 1386
صفحه 88-101

بررسی امکان به‌کارگیری شبکه‌های عصبی مصنوعی در مدل‌سازی وارون دو بعدی ترکیبی داده‌های دو مد قطبش روش مگنتوتلوریک

مراجع

مراجع

دوره 16، شماره 64شهریور 1386صفحه 88-101

دوره 16، شماره 64
شهریور 1386
صفحه 88-101