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.
بهزاد تخم چی؛ حسین معماریان؛ حسین احمدی نوبری؛ بهزاد مشیری
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 ...
بیشتر
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.