مدل سازی وارون دو بعدی میدان گرانی باقی مانده با استفاده از شبکه عصبی پیشخور مدولار: مطالعه موردی یک معدن کرومیت

یکی از اهداف اصلی در اکتشافات ژئوفیزیکی، تعیین عمق و گسترش توده معدنی در زیر زمین می‌باشد. بدلیل عدم یکتایی جواب در وارون‌سازی میدان گرانی، روش‌های زیادی برای حذف یا کاهش خطای مدل‌سازی ارائه شده است. تشبیه کردن شکل توده مولد بی‌هنجاری به یکی از شکل‌های هندسی، تا حد زیادی ابهام موجود در مدل‌سازی وارون را کاهش می‌دهد. همانند سازی ساختار توده معدنی مولد بی‌هنجاری گرانی به یک شکل هندسی، نیازمند مطالعات زمین شناختی و صحرائی می‌باشد. در این مقاله استفاده از شبکه عصبی مصنوعی پیشخور مدولار برای وارون سازی دو بعدی بی‌هنجاری‌های گرانی شکل‌های هندسی کره، استوانه عمودی و استوانه افقی ارائه می‌شود. شبکه عصبی مدولار از چندین شبکه عصبی پیشخور موازی تشکیل می‌شود که به هر شبکه عصبی پیشخور، مدول گفته می‌شود. آموزش هر مدول بصورت مجزا توسط مدل‌های آموزشی صورت می‌پذیرد. یادگیری مدول‌ها با ناظر و با استفاده از الگوریتم پس انتشار خطا صورت می‌پذیرد. سه پارامتر عمق، فاکتور شکل و ضریب دامنه با توجه به مقادیر بردار گرانی، بعنوان لایه ورودی شبکه‌های عصبی پیشخور، توسط هر مدول تخمین زده می‌شود. همچنین یک واحد پردازشی یکپارچه کننده بنام واحد عملگر میانگین، خروجی‌های هر مدول را دریافت کرده و مقدار میانگین هر پارامتر را محاسبه می‌نماید. فاکتور شکل، تعیین کننده شکل تقریبی توده معدنی می‌باشد. با توجه به ضریب دامنه تخمین زده شده، می‌توان شعاع توده مولد بی‌هنجاری گرانی را نیز محاسبه نمود. داده‌های گرانی مدل‌های مصنوعی کره، استوانه افقی و عمودی، با و بدون نوفه تصادفی اضافه شده، با روش ارائه شده در این مقاله مورد بررسی قرار می‌گیرند. نتایج قابل قبول بدست آمده از مدل‌های مصنوعی، کارایی وارون‌سازی شبکه عصبی مدلار را نشان می‌دهند. همچنین در این مقاله، از روش شبکه عصبی مدولار برای مدل‌سازی میدان گرانی باقی‌مانده و نیز میدان گرانی فراسو شده یک معدن کرومیت در سبزوار استفاده شده است.

Abstract licence: CC BY

A person counts once a day per paper. We keep no cookie and no address: a reader is a hash that changes every day. Any month under five reads shows no number.