مدل سازی وارون داده های لرزه ای انکساری کم عمق با استفاده از ترکیب آنسامبلی خطی شبکه های عصبی مصنوعی منفرد
- سال انتشار: 1400
- محل انتشار: دوفصلنامه پژوهش های ژئوفیزیک کاربردی، دوره: 7، شماره: 3
- کد COI اختصاصی: JR_JRAG-7-3_004
- زبان مقاله: فارسی
- تعداد مشاهده: 179
نویسندگان
استادیار گروه مهندسی معدن؛ دانشکده محیط زیست، دانشگاه صنعتی ارومیه، ارومیه، ایران
استادیار گروه مهندسی فناوری اطلاعات و مهندسی کامپیوتر، دانشکده فناوری های صنعتی، دانشگاه صنعتی ارومیه، ارومیه، ایران.
دانش آموخته کارشناسی ارشد ژئوفیزیک (گرایش زلزله شناسی)؛ دانشکده علوم، دانشگاه ارومیه، ارومیه، ایران.
چکیده
بمنظور تفسیر روش های لرزه ای، پس از جمع آوری داده ها و پیش پردازش های لازم، وارون سازی آنها جهت تخمین پارامترهای مدل، گام اساسی در استفاده از این داده ها است. مدل سازی وارون این داده ها همانند سایر داده های ژئوفیزیکی با چالش عدم یکتایی در تخمین پارامترهای مدل روبه رو است. در مطالعه حاضر به منظور تلاش برای حل این مشکل و ارائه یک روش خودکار در وارون سازی داده های لرزه ای، یک روش وارون سازی جدید مبتنی بر شبکه های عصبی آنسامبلی معرفی شده است. در روش پیشنهاد شده ابتدا با مدل سازی پیشرو مدل های مختلف چند لایه با ضخامت ها و سرعت های موج طولی مختلف به شبکه های عصبی آموزش داده شد. در این مطالعه از شبکه های MLP با ساختارهای مختلف استفاده شده است. در ادامه با ارزیایی متقابل، شبکه های عصبی آموزش داده شده مورد ارزیابی قرار گرفتند و شبکه های با بهترین عملکرد (خطای کم) جهت استفاده در ترکیب آنسامبلی شبکه های عصبی انتخاب شدند. شبکه عصبی آنسامبلی استفاده شده، از ترکیب خطی شبکه های منفرد (سه شبکه منفرد برتر) به دست آمد. جهت ارزیابی بهتر کارایی ترکیب شبکه های عصبی استفاده شده ، ۲۰% از داده های اولیه کنار گذاشته شد (بدون حضور در فرآیند آموزش) و از این داده ها به عنوان داده های آزمون استفاده شد. در پایان روش وارون سازی معرفی شده با داده های واقعی لرزه انکساری مورد ارزیابی بیشتر قرار گرفت که مدل وارون حاصل از داده های واقعی، تطابق بسیار خوبی با مطالعات زمین شناسی و نتایج لرزه ای قبلی انجام شده در ایستگاه مورد نظر دارد. همچنین به جهت مقایسه عملکرد و اهمیت روش پیشنهاد شده در این مطالعه، نتایج به دست آمده از داده های واقعی با روش وارون سازی توموگراقی نیز مقایسه شد. نتایج حاصل از این مطالعه بیانگر آن است که، وارون سازی داده های لرزه ای مبتنی بر شبکه های عصبی یک روش سریع، آسان و بدون نیاز به فرض مدل اولیه برای داده های مشاهده شده است.کلیدواژه ها
شبکه عصبی, توموگرافی, ترکیب خطی, داده های لرزه ای, مدل سازی واروناطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.