تخمین شکل و عمق گنبدهای نمکی با استفاده از تفسیر داده‌های گرانی‌سنجی به روش شبکه‌های عصبی مصنوعی چندلایه

نویسندگان

1 دانشجوی کارشناسی ارشد ژئوفیزیک- دانشگاه آزاد اسلامی واحد همدان

2 دانشیار، دانشکده معدن نفت وژئوفیزیک، دانشگاه شاهرود

3 دانشیار، دانشکده معدن نفت وژئوفیزیک، دانشگاه شاهرود

doi
10.22059/jesphys.2015.53697
چکیده

در ژئوفیزیک کاربردی برای نشان‌دادن توزیع اجرام زیرزمینی اغلب از اجسامی مانند کره، استوانة قائم، منشور قائم، استوانة افقی، گسل قائم، تاقدیس و ناودیس استفاده می‌شود. در این مقاله برای پیداکردن یک مدل محتمل‌تر برای گنبد نمکی از شبکه‌های عصبی مصنوعی استفاده می‌شود. بدین منظور یک شبکة عصبی چندلایه با بی‌هنجاری‌هایی آموزش داده شد که از دو جسم با توزیع‌های جرمی متفاوت به دست آمده‌اند و بی‌هنجاری‌های مشابهی تولید می‌کنند. این شبکة آموزش‌دیده قادر خواهد بود نوع جسمی که بی‌هنجاری معینی را تولید کرده است، تشخیص دهد. با استفاده از این تکنیک می‌توان ابهام میان بی‌هنجاری‌های مشابهی را که از توزیع جرم‌های متفاوت تولید می‌شود، بدون استفاده از چگالی رفع کرد. هیچ روش تفسیری وجود ندارد که بدون اینکه برای شکل و تباین چگالی هدف فرضی در نظر بگیرد، مثلاً میان یک تاقدیس و یک ناودیس تمایز قائل شود. در اینجا نشان داده می‌شود که این کار را می‌توان با استفاده از شبکه‌های عصبی مصنوعی برای تفسیر کیفی گرانی انجام داد. با استفاده از آموزش شبکه‌های عصبی مصنوعی چندلایه می‌توان تفسیر کیفی و کمی گرانی انجام داد که در این مقاله آموزش شبکه بر اساس الگوریتم مرسوم پیشرو پس‌انتشار خطا انجام گرفته است. تفسیر کیفی به معنی رفع ابهام میان اجسامی است که بی‌هنجاری مشابهی تولید می‌کنند، ولی در تفسیر کمی با شبکه‌های عصبی چندلایه، پارامترهای مدل (عمق، شعاع، گسترش عمودی و ...) به دست می‌آیند. مدل‌های کره و استوانة قائم بهترین مدل‌ها برای نشان‌دادن گنبدهای نمکی‌اند؛ بنابراین از آنجا که از داده‌های واقعی گنبد نمکی هومبل استفاده شد، از مدل کره و استوانة قائم استفاده کردیم. با استفاده از مدل‌های کره و استوانة قائم، مجموعه‌ای از مشخصه‌های (feature) مناسب تهیه و نرمالایز شده و به عنوان ورودی به شبکة عصبی به کار رفتند. از آنجا که قاعدة خاصی برای مشخص‌کردن تعداد نورون‌های مناسب لایة پنهان وجود ندارد، با تغییر تعداد نورون‌های لایة پنهان و مقایسة مجموع مربعات خطا (SSE) در هر حالت، بهترین تعداد نورون‌های این لایه به دست آمد. پس از تشخیص تعداد مناسب نورون‌های لایة پنهان شبکه، با داده‌های مصنوعی به‌دست‌آمده از مدل‌های مصنوعی کره و استوانة قائم به آموزش شبکه پرداختیم و در نهایت با استفاده از خروجی‌های شبکة مورد استفاده برای تشخیص شکل بی‌هنجاری و شبکة مورد استفاده برای تعیین پارامترهای بی‌هنجاری، شکل و پارامترهای گنبد نمکی هومبل را به دست آوردیم.