وارون سازی داده های سونداژ الکتریکی قائم با استفاده از شبکه عصبی همامیختی-خودرمزگذار

روش سونداژ الکتریکی قائم (VES) یکی از روش های پرکاربرد در ژئوفیزیک اکتشافی به حساب می آید. این روش عموما در اکتشاف آب، معدن و نیز بررسی آلودگی های ناشی از هیدروکربن ها مورد استفاده قرار می گیرد. یکی از چالش های فرآیند تفسیر داده های این روش، فرآیند وارون سازی این داده ها است. وارون سازی داده های سونداژ الکتریکی قائم همواره نیازمند انتخاب درست پارامترهای وارون سازی و تصمیمات کاربران است. این موضوع به خصوص در روش های وارون سازی کلاسیک مرسوم بیشتر مشاهده می شود. روش های مبتنی بر یادگیری عمیق توانسته اند بر این ضعف روش های وارون سازی کلاسیک غلبه کرده و نیاز به انتخاب پارامتر را کمتر کنند. در این پژوهش، یک چارچوب یادگیری عمیق مبتنی بر ترکیب شبکه عصبی همامیختی (CNN) و شبکه عصبی خودرمزگذار (Autoencoder) معرفی خواهد شد تا بتواند نیاز به انتخاب پارامتر مناسب برای وارون سازی را کمتر کند. روش پیشنهادی بر روی داده های مصنوعی آلوده به نوفه و همچنین یک مجموعه داده واقعی آزمایش خواهد شد و نشان داده می شود که با یکبار انتخاب درست فراپارامترها در روش های مبتنی بر یادگیری عمیق می توان به نتایج وارون سازی مطلوبی دست یافت. نتایج حاصل از این آزمایش نشان خواهد داد که روش معرفی شده در این مقاله در مقایسه با روش های مرسوم عملکرد دقیق تر و پایدارتری دارد.

کلیدواژه ها:

ژئوالکتریک ، سونداژ الکتریکی قائم ، آلودگی هیدروکربنی ، شبکه عصبی همامیختی ، شبکه عصبی خودرمزگذار