اکتشاف قنات های زیرزمینی مدفون از طریق شبکه های عصبی مصنوعی و با استفاده از داده های میکروگرانی سنجی

در این مقاله یک الگوریتم هوشمند جهت اکتشاف قنات های زیرزمینی مدفون با شبکه های عصبی و با استفاده از داده های میکروگرانی سنجی ارائه شده است. به منظور برآورد عمق و اندازه قنات های زیرسطحی از روی بی هنجاری (آنومالی) گرانی باقی مانده یک شبکه عصبی مصنوعی با سرپرست، از نوع پرسپترون چندلایه (MLP) طراحی شد. از آنجاکه در طراحی شبکه عصبی سرعت پردازش داده ها از اهمیت خاصی برخوردار است و تعداد ورودی های زیاد باعث پیچیدگی غیر منطقی توپولوژی شبکه می شود، به جای اعمال همه داده های تصحیح شده، میکروگرانی درحکم ورودی، مجموعه ای مشخصه های مناسب (Features) از روی آنومالی باقی مانده داده های میکروگرانی استخراج می شود، سپس با توجه به مدل های کره و استوانه که نزدیک ترین مدل ها به قنات های مدفون هستند، مجموعه ای از داده های آموزشی که برای آموزش شبکه عصبی طراحی شده اند، مورد استفاده قرار می گیرند، در واقع شبکه عصبی طراحی شده پس از این آموزش قادر خواهد بود که با توجه به مشخصه های استخراج شده از روی بی هنجاری باقی مانده، عمق و شعاع قنات مدفون را به دست آورد. از آنجاکه قاعده کلاسیک خاصی برای انتخاب تعداد نورون ها در لایه پنهان شبکه عصبی چندلایه وجود ندارد، شبکه های عصبی چندلایه گوناگونی با تعداد نورون های متفاوت در لایه پنهان مورد آزمایش قرار گرفت و نمودارهای عملکرد شبکه در هر حالت به دست آمد تا از روی آن بهترین مقدار تعداد نورون ها در لایه پنهان حاصل شود. پس از این مرحله ابتدا با استفاده از مجموعه ای داده های مصنوعی، شبکه عصبی طراحی شده مورد آزمون قرار گرفت. سپس خروجی های شبکه با استفاده از داده های مصنوعی نوفه دار برای مدل های کره و استوانه بررسی شد که عملکرد مناسبی را نشان داد. همچنین، عمق قنات زیرزمینی مدفون واقع در ورودی شمالی موسسه ژئوفیزیک درحکم نمونه ای عملی با شبکه عصبی طراحی شده، به دست آمد که با مقدار واقعی آن انطباق خوبی داشت.

کلیدواژه ها:

شبکه های عصبی ، میکروگرانی سنجی ، قنات ، پرسپترون چندلایه (MLP)