مدل‌سازی وارون داده‌های لرزه‌ای انکساری کم عمق با استفاده از ترکیب آنسامبلی خطی شبکه‌های عصبی مصنوعی منفرد

نوع مقاله : سایر مقالات

نویسندگان

1 استادیار گروه مهندسی معدن؛ دانشکده محیط زیست، دانشگاه صنعتی ارومیه، ارومیه، ایران

2 استادیار گروه مهندسی فناوری اطلاعات و مهندسی کامپیوتر، دانشکده فناوری‌های صنعتی، دانشگاه صنعتی ارومیه، ارومیه، ایران.

3 دانش آموخته کارشناسی ارشد ژئوفیزیک (گرایش زلزله شناسی)؛ دانشکده‌ علوم، دانشگاه ارومیه، ارومیه، ایران.

چکیده

بمنظور تفسیر روش‌های لرزه‌ای، پس از جمع آوری داده‌ها و پیش پردازش‌های لازم، وارون‌سازی آنها جهت تخمین پارامترهای مدل، گام اساسی در استفاده از این داده‌ها است. مدل‌سازی وارون این داده‌ها همانند سایر داده‌های ژئوفیزیکی با چالش عدم یکتایی در تخمین پارامترهای مدل روبه‌رو است. در مطالعه حاضر به‌منظور تلاش برای حل این مشکل و ارائه یک روش خودکار در وارون‌سازی داده های لرزه‌ای، یک روش وارون‌سازی جدید مبتنی بر شبکه‌های عصبی آنسامبلی معرفی شده است. در روش پیشنهاد شده ابتدا با مدل‌سازی پیشرو مدل‌های مختلف چند لایه با ضخامت‌ها و سرعت‌های موج طولی مختلف به شبکه‌های عصبی آموزش داده شد. در این مطالعه از شبکه‌های MLP با ساختارهای مختلف استفاده شده است. در ادامه با ارزیایی متقابل، شبکه‌های عصبی آموزش داده شده مورد ارزیابی قرار گرفتند و شبکه‌های با بهترین عملکرد (خطای کم) جهت استفاده در ترکیب آنسامبلی شبکه‌های عصبی انتخاب شدند. شبکه‌ عصبی آنسامبلی استفاده شده، از ترکیب خطی شبکه‌های منفرد (سه شبکه منفرد برتر) به دست آمد. جهت ارزیابی بهتر کارایی ترکیب شبکه‌های عصبی استفاده شده ، 20% از داده های اولیه کنار گذاشته شد (بدون حضور در فرآیند آموزش) و از این داده ها به‌عنوان داده‌های آزمون استفاده شد. در پایان روش وارون‌سازی معرفی شده با داده‌های واقعی لرزه انکساری مورد ارزیابی بیشتر قرار گرفت که مدل وارون حاصل از داده‌های واقعی، تطابق بسیار خوبی با مطالعات زمین شناسی و نتایج لرزه‌ای قبلی انجام شده در ایستگاه مورد نظر دارد. همچنین به جهت مقایسه عملکرد و اهمیت روش پیشنهاد شده در این مطالعه، نتایج به دست آمده از داده های واقعی با روش وارون‌سازی توموگراقی نیز مقایسه شد. نتایج حاصل از این مطالعه بیانگر آن است که، وارون‌سازی داده‌های لرزه‌ای مبتنی بر شبکه‌های عصبی یک روش سریع، آسان و بدون نیاز به فرض مدل اولیه برای داده‌های مشاهده شده است.

کلیدواژه‌ها


ذاکری، م. و کامکار روحانی، ا.، 1390، برآورد تخلخل سنگ مخزن با استفاده از ترکیب آنسامبلی خطی شبکه­های عصبی مصنوعی منفرد بر اساس روش‌های تحلیلی و الگوریتم ژنتیک، مجله فیزیک زمین و فضا، 37 (1)، 21-37.
سپهری، م.، ایلدرومی، ع.، حسینی، ز.، نوری، ح.، محمدزاده، ف. و آرتیمانی، م.، 1396، الگوریتم ترکیبی شبکه عصبی و ژنتیک راهی برای برآورد دبی سیلاب، مجله علوم و مهندسی آبخیزداری ایران، 11 (39)، 23-28.
فریدی، م، و خدابنده­لو، ع، 1390، نقشه زمین­شناسی 25000/1 تبریز، سازمان زمین­شناسی و اکتشافات معدنی کشور، ویرایش سوم.
مقسمی، ح. و علیزاده سواره، ب.، 1397، شبکه­های عصبی با Matlab و c#، نشر نیاز دانش.
منهاج. م.، 1389، مبانی شبکه­های عصبی، انتشارات دانشگاه صنعتی امیرکبیر.
نیکروز، ر، 1393، کاربرد روش‌های لرزه‌ای شکست­مرزی در اکتشافات ژئوفیزیکی، انتشارات دانشگاه ارومیه.
رستمی، ص.، شرقی، ی.، تعیین ضخامت آبرفت با استفاده از لرزه نگاری شکست مرزی در ساختگاه سد لیلانچا، هجدهمین کنفرانس ژئوفیزیک ایران، 1397، 482-485.
Abdunabi, T., 2016, A Framework for Ensemble Predictive Modeling ,Doctoral dissertation, University of Waterloo.
Boschetti, F., Dentith, M.C. and List, R.D., 1996, Inversion of seismic refraction data using genetic algorithms. Geophysics, 61 (6), pp,1715-1727.
Foti, S., Sambuelli, L., Socco, V.L. and Strobbia, C., 2003, Experiments of joint acquisition of seismic refraction and surface wave data. Near surface geophysics, 1 (3), 119-129.
Fushiki, T., 2011, Estimation of prediction error by using K-fold cross-validation. Statistics and Computing, 21 (2), 137-146.
Kearey, P., Brooks, M. and Hill, I., 2013, An introduction to geophysical exploration. John Wiley & Sons.
Leucci, G., Greco, F., De Giorgi, L. and Mauceri, R., 2007, Three-dimensional image of seismic refraction tomography and electrical resistivity tomography survey in the castle of Occhiola (Sicily, Italy). Journal of Archaeological science, 34 (2), 233-242.
Menke, W., 1989, Geophysical Data Analysis: Discrete Inverse Theory, Inter. Geophysics Series, 45.
Poormirzaee, R., 2018, MOPSO: a new computing algorithm for joint inversion of Rayleigh wave dispersion curve and refraction traveltimes, Exploration Geophysics, 49 (2), 163-175.
Poormirzaee, R., Fister Jr, I., 2021, Model-Based Inversion of Rayleigh Wave Dispersion Curves Via Linear and Nonlinear Methods. Pure Appl. Geophys. doi:10.1007/s00024-021-02665-7
Poormirzaee, R., Moghadam, R.H. and Zarean, A., 2015, Inversion seismic refraction data using particle swarm optimization: a case study of Tabriz, Iran. Arabian Journal of Geosciences, 8 (8), 5981-5989.
Poormirzaee, R., Sarmady, S. and Sharghi, Y., 2019, A New Inversion Method Using a Modified Bat Algorithm for Analysis of Seismic Refraction Data in Dam Site Investigation, Journal of Environmental and Engineering Geophysics, 24 (2), 201-214.
Sen, M.K. and Stoffa, P.L., 1995, Advances in exploration geophysics: Global optimization methods in geophysical inversion, Vol. 4.
Shaw, R. and Srivastava, S., 2007, Particle swarm optimization: A new tool to invert geophysical data. Geophysics, 72 (2), F75-F83.
Wathelet, M., Jongmans, D. and Ohrnberger, M., 2004, Surface‐wave inversion using a direct search algorithm and its application to ambient vibration measurements. Near surface geophysics, 2 (4), 211-221.
Zhou, Z.H., Wu, J. and Tang, W., 2002, Ensembling neural networks: many could be better than all. Artificial intelligence, 137 (1-2), 239-263.
Sompotan, A.F. Pasasa, L.A. Sule, R. (2011). "Comparing Models GRM, Refraction Tomography and Neural Network to Analyze Shallow Landslide." ITB J. Eng. Sci 43( 3):161-172