عادله جمالیان - دانشجوی دکتری دانشکده زمین شناسی، دانشگاه تهران
وحید توکلی - دانشیار دانشکده زمین شناسی، دانشگاه تهران

تصاویر سی تی اسکن مغزه از مهمترین داده های رقومی مطالعه مخزن هیدروکربنی هستند. بنابراین استفاده و توسعه الگوریتم های مختلف شبکههای عصبی پیچشی (Convolutional Neural Network: CNN) یکی از مهمترین روش های یادگیری است که در آن چندین لایه یادگیریآموزش داده می شود. در میان این الگوریتم ها، شبکه های عصبی پیچشی عمیق از دقت بالاتری برخوردار هستند. شبکه های پیچشی براییادگیری برای کارهای مربوط به تصویر و بینایی رایانه مهم هستند. شبکه های پیچشی خاصیت "عدم تغییر فضایی" دارند، به این معنی کهآنها یاد می گیرند ویژگی های تصویر را در هر نقطه از تصویر شما تشخیص دهند . در این مطالعه، تصاویر سی تی اسکن سازند کنگان به سنتریاس در بخش مرکزی خلیج فارس ایران با استفاده از CNN طبقه بندی و به دو گروه متخلخل و فاقد تخلخل تقسیم شدند. در مجموع 4090تصویر از 133 متر مغزه در بخش مرکزی خلیج فارس استفاده شده است. استفاده از ویژگی های مبتنی بر CNN برای تشخیص تخلخل بررسیشد. سه مرحله اصلی جهت رسیدن به نتیجه نهایی انجام شد. پردازش اولیه تصاویر، استخراج ویژگی ها و طبقه بندی توسط شبکه از قبلآموزش دیده شده موبایل نت (MobileNet) برای استخراج این ویژگی بدون افزایش داده ها استفاده شده است. برای تجزیه و تحلیل عملکردطبقه بندی مجموعه داده ها، تعداد تکرار (دوره) 7 و اندازه دسته تصاویر 32 بود. میزان خطای داده های آزمون 0.2 و برای داده هایآموزش 3.6 است. مقدار دقت برای داده های آموزش 98.3 ٪ و برای داده های آزمون 77.62 ٪ است . نتایج حاصل از توسعه این روشبه عنوان روش شناسایی تخلخل در تعداد زیاد تصاویر و همچنین مدل پایه ای برای ارزیابی ناهمگنی مخازن هیدروکربنی مورد استفاده قرارخواهد گرفت.

سی تی اسکن مغزه، یادگیری عمیق، شبکه عصبی پیچشی، موبایل نت، کنگان