وارون سازی داده های دو بعدی مقاومت ویژه ی الکتریکی لوله های زیرسطحی به روش شبکه ی عصبی مصنوعی

وارون سازی داده های ژئوفیزیکی به علت غیرخطی بودن داده ها، فرآیندی بسیار پیچیده است، بخصوص در حالتی که قدرت تفکیک بسیار بالا در عمق نفوذ کم نیز مد نظر باشد. در دو دهه ی اخیر الگوریتم های وارون سازی غیرخطی نظیر شبکه های عصبی و الگوریتم های ژنتیک با رشد قابل توجهی برای تفسیر داده های ژئوفیزیکی مورد استفاده قرار گرفته اند. در این مطالعه وارون سازی داده های ژئوالکتریکخط لوله ی زیرسطحی با قدرت تفکیک بالا انجام شده است. بدین منظور از شبکه ی پس انتشار خطا کمک گرفته شد تا داده های حاصل از برداشت توموگرافی مقاومت ویژه ی دوبعدی مورد تفسیر قرار گیرند. پارامترهای شبکه شامل انواع داده های ورودی و خروجی، تعداد لایه ها، تعداد نرون های موجود در هر لایه، مقادیر بهینه ی نرخ یادگیری شبکه، ضریب مومنتوم و میزان تاثیر آن ها بر مقدار خطای شبکه خواهد بود. پس از انجام ۲۰ تکرار خطا به ۰۰۱/۰ کاهش می یابد. خط لوله ی مقاوم ۱۰۰۰ اهم متری در یک نیم فضای همگن ۱۰۰ اهم متری توسط آرایش الکترودی دوقطبی-دوقطبی با فاصله ی الکترودی یک متر مدل شده است. ۳۶ دسته داده ی ۲۰۷ تائی در این مطالعه در نظر گرفته شد، که ۱۸ دسته داده به مرحله ی آموزش، ۹ دسته به مرحله ی ارزیابی و ۹ دسته نیز به مرحله ی اعتبارسنجی اختصاص داده شد و داده های صحرائی پس از تفسیر با روش وارون سازی معمول مقایسه شد. مقایسه ی مقاطع تفسیر شده توسط روش شبکه ی عصبی مصنوعی و روش های معمول در این مطالعه نشان داد که گرچه هر دو روش به آشکارسازی خط لوله منجر می شوند اما روش شبکه ی عصبی این قابلیت را خواهد داشت که جدا از آشکارسازی خط لوله، به تفکیک دو لوله با قطر ۳۲ سانتیمتر در فاصله ی ۲/۱ متری از یکدیگر بپردازد و حتی می تواند تخمین تقریبی نیز از قطر لوله در شبه مقاطع در اختیار بگذارد.