مقایسه دو معماری CNN در تحلیل رخساره های لرزه ای F۳

در این پژوهش، دو مدل معماری از شبکه های عصبی همآمیختی ( CNNs ) برای طبقه بندی رخساره های لرزه ای آموزش داده می شوند. با بکارگیری روش یادگیری عمیق، مدلی مناسبب برای آموزش شبکه عصبی بر روی رخساره های لرزه ای و تفسیری خودکار از طبقه بندی آن ارائه می شود. برای تسریع در انجام کار، از روش یادگیری انتقال، برای بهره مندی از شبکه های از پیش آموزش داده شده که بر روی پایگاه داده ها و مجموعه داده های بزرگ برچسب گذاری شده اند ا ستفاده می شود. شبکه های عصبی، دوباره آموزش داده شده و سپس داده ها با چندین پارامتر مختلف تولید می شوند. عملکرد مدل های شبکه عصبی همآمیختی، در طبقه بندی رخساره های لرزه ای -بر روی مقطع مورد نظر از مجموعه داده های لرزه ای- ارزیابی می شود. در این پژوهش از CNN ها در تفسیر داده ی دریایی بلوک F۳ هلند، برای پشتیبانی از تفسیر خودکار استفاده می شود. در نهایت، ا ستفاده از مدلی بهینه برای طبقه بندی سایر مقاطد لرزه ای مورد ارزیابی قرار می گیرد.