ارائه روشی جدید برای رده بندی درز ها با رویکرد بهینه رده بندی کننده بیزین

سال انتشار: 1388
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 158

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_GSJ-18-71_015

تاریخ نمایه سازی: 18 بهمن 1400

چکیده مقاله:

درزه نگاری در پروژه های اکتشاف نفت و معدن، مطالعات ساختگاهی و زمین شناسی، اهمیت فوق العاده ای دارد. به طور معمول، بسته به هدف از مطالعه درزه ها، ویژگی های مختلفی از آنها به صورت برجا برداشت می شود. برای مثال در مطالعات مخزن، علاوه بر ویژگی های ساختاری، بررسی میزان بازشدگی و پرشدگی درزه ها و شبکه ارتباطی آنها، برای مدل سازی جریان سیال، اهمیت ویژه ای دارد. اما از آنجا که درزه ها ماهیت پیچیده ای دارند، اغلب شناخت آنها بدون رده بندی ممکن نیست. لذا توجه به این نکته ضروری است که در رده بندی درزه ها، از کلیه ویژگی های تاثیر گذار در تفسیر نتایج رده بندی استفاده شود. این در حالی ست که به صورت متداول، حداکثر دو ویژگی شیب و جهت شیب، برای رده بندی درزه ها مورد استفاده قرار می گیرند و دیگر ویژگی ها، نادیده گرفته می شوند. در این مقاله، روشی جدید برای رده بندی درزه ها ارائه شده است. برای بررسی کارایی و مزیت روش جدید، یک مجموعه مصنوعی از درزه ها، شامل ۸ دسته درزه ساخته شده است و برای هر درزه، ۴ ویژگی شیب، جهت شیب، میزان پرشدگی و نوع پرکننده در نظر گرفته شده است، به گونه ای که جدایش دسته درزه ها بر اساس ویژگی های شیب و جهت شیب ناممکن باشد. سپس برنامه هایی برای استفاده از روش رده بندی بیزین (Bayesian)، نوشته شده و در فضای ۴ بعدی نسبت به رده بندی داده های مصنوعی اقدام شده است. به این ترتیب اثبات شده که با دقت بسیار مطلوب تری، کلیه ۸ دسته درزه را می توان از هم تفکیک کرد.

نویسندگان

بهزاد تخم چی

دانشکده معدن، پردیس دانشکده های فنی، دانشگاه تهران، تهران، ایران

حسین معماریان

دانشکده معدن، پردیس دانشکده های فنی، دانشگاه تهران، تهران، ایران

حسین احمدی نوبری

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

بهزاد مشیری

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

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • ReferencesBishop, C. M., ۱۹۹۷- Neural Networks for Pattern Recognition, OxfordUniversity ...
  • Duda, R., Hart, P., Stork, D., ۲۰۰۳- Pattern Classification, Second ...
  • Hammah, R. E., Curran, J. H., ۱۹۹۸- Fuzzy Cluster Algorithm ...
  • Jimenez-Rodriguez, R., Sitar, N., ۲۰۰۶- A Spectral Method for Clustering ...
  • Marcotte, D., Henry, E., ۲۰۰۲- Automatic Joint Set Clustering Using ...
  • Memarian, H., Fergusson, C. L., ۲۰۰۳- Multiple fracture sets in ...
  • Neville, J., ۱۹۶۸- Fault and Joint development in Brittle and ...
  • Sirat, M., Talbot, C. G., ۲۰۰۱- Application of Artificial Neural ...
  • Theodoridis, S., Koutroumbos, K., ۲۰۰۲- Pattern Classification, Second Edition, Elsevier ...
  • Webb, A. R., ۲۰۰۲- Statistical Pattern Recognition, Second Edition, John ...
  • نمایش کامل مراجع