آشکارسازی گسل ها در تفسیر دادههای لرزه ای با استفاده از یادگیری عمیق

گسل ها ساختارهای زمین شناسی ویژهای هستند که در بخش بالایی پوسته زمین در اثر دگرشکلی های شکننده ایجاد می شوند. تهیه نقشه گسل ها در یک منطقه نقش اساسی و یک مسئله حیاتی در پیش بینی توزیع و اندازه منابع طبیعی و یا کاهش ریسک مرتبط با مخاطرات زمین دارد. روش مرسوم برای تهیه این نقشه ها بر روی دادههای لرزه ای استفاده از نیروی انسانی برای تشخیص ناپیوستگی های مربوطی است ، اما بدلیل حجم بالای دادههای امروزی و همچنین وجود خطای احتمالی در این فرآیند روشهای تشخصی خودکار چشم انداز بهتری را ارائه می کنند. از برخی نشانگرهای لرزه ای می توان تا حدودی برای تشخیص این ناپیوستگی ها در مقاطع لرزه ای استفاده کرد، با این حال روشی جامع تر با دقت بالاتر نیاز است تا انجام این فرآیند به طور کامل خودکار انجام شود. بدین منظور بسیاری از مطالعات ظرفیت استفاده از یادگیری ماشین در حل این مسئله را بررسی و ارزیابی کرده اند. در این پژوهش از روش یادگیری عمیق و شبکه عصبی هم امیختی به طور به خصوص ماشین U-net جهت آشکار سازی این ناپیوستگی ها بهره برده شده است . شبکه U-net اولین بار در تصویر سازی داده های بیومدیکال استفاده شده است و پس از موفقیت آمیز بودن این روش، در علوم دیگر مانند ژئوفیزیک نیز کاربرد بسیاری پیدا کرده است . در این پژوهش از دادهی F۳ دریای شمال استفاده شده است . در ابتدا ماشین U-net را با استفاده از مجموعه داده آموزشی آموزش داده سپس به بررسی عملکرد و دقت آن می پردازیم و در نهایت از این ماشین برای تهیه ی نقشه گسل ها در مقاطع لرزه ای استفاده کرده و نتایج نشان داده شدهاند. نتایج بدست آمده نشان می دهند که این ماشین توانایی خوبی در تشخیص این گسل ها دارد .

کلیدواژه ها:

یادگیری ماشین ، یادگیری عمیق ، U-net ، شناسایی گسل