تخمین شکل و عمق گنبدهای نمکی با استفاده از تفسیر داده های گرانی سنجی به روش شبکه های عصبی مصنوعی چندلایه

در ژئوفیزیک کاربردی برای نشان دادن توزیع اجرام زیرزمینی اغلب از اجسامی مانند کره، استوانه قائم، منشور قائم، استوانه افقی، گسل قائم، تاقدیس و ناودیس استفاده می شود. در این مقاله برای پیداکردن یک مدل محتمل تر برای گنبد نمکی از شبکه های عصبی مصنوعی استفاده می شود. بدین منظور یک شبکه عصبی چندلایه با بی هنجاری هایی آموزش داده شد که از دو جسم با توزیع های جرمی متفاوت به دست آمده اند و بی هنجاری های مشابهی تولید می کنند. این شبکه آموزش دیده قادر خواهد بود نوع جسمی که بی هنجاری معینی را تولید کرده است، تشخیص دهد. با استفاده از این تکنیک می توان ابهام میان بی هنجاری های مشابهی را که از توزیع جرم های متفاوت تولید می شود، بدون استفاده از چگالی رفع کرد. هیچ روش تفسیری وجود ندارد که بدون اینکه برای شکل و تباین چگالی هدف فرضی در نظر بگیرد، مثلا میان یک تاقدیس و یک ناودیس تمایز قائل شود. در اینجا نشان داده می شود که این کار را می توان با استفاده از شبکه های عصبی مصنوعی برای تفسیر کیفی گرانی انجام داد. با استفاده از آموزش شبکه های عصبی مصنوعی چندلایه می توان تفسیر کیفی و کمی گرانی انجام داد که در این مقاله آموزش شبکه بر اساس الگوریتم مرسوم پیشرو پس انتشار خطا انجام گرفته است. تفسیر کیفی به معنی رفع ابهام میان اجسامی است که بی هنجاری مشابهی تولید می کنند، ولی در تفسیر کمی با شبکه های عصبی چندلایه، پارامترهای مدل (عمق، شعاع، گسترش عمودی و ...) به دست می آیند. مدل های کره و استوانه قائم بهترین مدل ها برای نشان دادن گنبدهای نمکی اند؛ بنابراین از آنجا که از داده های واقعی گنبد نمکی هومبل استفاده شد، از مدل کره و استوانه قائم استفاده کردیم. با استفاده از مدل های کره و استوانه قائم، مجموعه ای از مشخصه های (feature) مناسب تهیه و نرمالایز شده و به عنوان ورودی به شبکه عصبی به کار رفتند. از آنجا که قاعده خاصی برای مشخص کردن تعداد نورون های مناسب لایه پنهان وجود ندارد، با تغییر تعداد نورون های لایه پنهان و مقایسه مجموع مربعات خطا (SSE) در هر حالت، بهترین تعداد نورون های این لایه به دست آمد. پس از تشخیص تعداد مناسب نورون های لایه پنهان شبکه، با داده های مصنوعی به دست آمده از مدل های مصنوعی کره و استوانه قائم به آموزش شبکه پرداختیم و در نهایت با استفاده از خروجی های شبکه مورد استفاده برای تشخیص شکل بی هنجاری و شبکه مورد استفاده برای تعیین پارامترهای بی هنجاری، شکل و پارامترهای گنبد نمکی هومبل را به دست آوردیم.

Keywords:

داده های گرانی , شبکه های عصبی چندلایه , گنبد نمکی , مجموع مربعات خطا