کاهش همبستگی پارامتر های مدل GEMTip با استفاده از روابط لگاریتمی

روش مقاومت ویژه (CR) یا قطبش القایی طیفی (SIP) می تواند نوع کانی ها یا منابع قطبش القایی را با استفاده از ویژگی های فیزیکی کانی ها یا ادخال های قابل قطبش تشخیص دهد. برای به دست آوردن خصوصیات فیزیکی از داده های SIP ، تئوری محیط موثر قطبش القایی (GEMTip) بر روی داده ها اعمال شد . برای این منظور از روشهای معکوس سازی مختلف استفاده می شود که این تکنیک ها محدودیت هایی مانند هزینه محاسباتی ، خطی بودن و ابعاد مسئله دارند. در اینجا یک روش معکوس سازی مبتنی بر یادگیری عمیق (DL) از طریق شبکه عصبی کانولوشن ( (CNN برای تخمین پارامترهای ادخال های قابل قطبش از دادههای SIP پیشنهاد شدهاست . CNN با استفاده از ۲۰۰۰۰ مجموعه داده مصنوعی که با استفاده از مدل فوروارد GEMTip تولید شده بود آموزش داده شد. در حالی که شبکه DL غیر خطی بودن را در نظر می گیرد با استفاده از روش تبدیلات لگاریمی آماده سازی بر روی مجموعه داده های مصنوعی انجام می شود تا بررسی شود که چگونه غیرخطی بودن و همبستگی می تواند بر نتیجه تاثیر بگذارد . بمنظور راستی آزمایی شبکه آموزش دیده داده های Gravian برای بازیابی پارامترهای مدل مورد استفاده قرار گرفتند که مقادیر بازیابی شده با توجه به نمونه های مورد استفاده عملکرد خوب مدل در بازیابی پارامترهای مدل را نشان می دهد. رویکرد پیشنهادی پارامترها را در یک مرحله تخمین می زند و فرآیند معکوس-سازی را ساده و سریع می کند.

کلیدواژه ها:

SIP ، CNN ، GEMTip ، CLR ، LOGratio