فهرست نشریات علمی دسترسی آزاد ایران

در این مقاله یک الگوریتم هوشمند جهت اکتشاف قنات‌های زیرزمینی مدفون با شبکه‌های عصبی و با استفاده از داده‌های میکروگرانی‌سنجی ارائه شده است. به منظور برآورد عمق و اندازه قنات‌های زیرسطحی از روی بی‌هنجاری (آنومالی) گرانی باقی‌مانده یک شبکه عصبی مصنوعی با سرپرست، از نوع پرسپترون چندلایه (MLP) طراحی شد. از آنجاکه در طراحی شبکه عصبی سرعت پردازش داده‌ها از اهمیت خاصی برخوردار است و تعداد ورودی‌های زیاد باعث پیچیدگی غیر منطقی توپولوژی شبکه می‌شود، به جای اعمال همة داده‌های تصحیح شده، میکروگرانی درحکم ورودی، مجموعه‌ای مشخصه‌های مناسب (Features) از روی آنومالی باقی‌مانده داده‌های میکروگرانی استخراج می‌شود، سپس با توجه به مدل‌های کره و استوانه که نزدیک‌ترین مدل‌ها به قنات‌های مدفون هستند، مجموعه‌ای از داده‌های آموزشی که برای آموزش شبکه عصبی طراحی شده‌اند، مورد استفاده قرار می‌گیرند، در واقع شبکه عصبی طراحی‌شده پس از این آموزش قادر خواهد بود که با توجه به مشخصه‌های استخراج شده از روی بی‌هنجاری باقی‌مانده، عمق و شعاع قنات مدفون را به‌دست آورد. از آنجاکه قاعده کلاسیک خاصی برای انتخاب تعداد نورون‌ها در لایه پنهان شبکه عصبی چندلایه وجود ندارد، شبکه‌های عصبی چندلایه گوناگونی با تعداد نورون‌های متفاوت در لایه پنهان مورد آزمایش قرار گرفت و نمودارهای عملکرد شبکه در هر حالت به‌دست آمد تا از روی آن بهترین مقدار تعداد نورون‌ها در لایه پنهان حاصل شود. پس از این مرحله ابتدا با استفاده از مجموعه‌ای داده‌های مصنوعی، شبکه عصبی طراحی‌شده مورد آزمون قرار گرفت. سپس خروجی‌های شبکه با استفاده از داده‌های مصنوعی نوفه‌دار برای مدل‌های کره و استوانه بررسی شد که عملکرد مناسبی را نشان داد. همچنین، عمق قنات زیرزمینی مدفون واقع در ورودی شمالی مؤسسه ژئوفیزیک درحکم نمونه‌ای عملی با شبکه عصبی طراحی شده، به‌دست آمد که با مقدار واقعی آن انطباق خوبی داشت.