Inversion of Refracted Wave's Travel Times Using Linear Ensemble Combination of Single Artificial Neural Networks

Authors

Abstract

In this study, a new inversion framework based on artificial intelligence is presented for inversion of travel times of seismic refracted waves. The proposed inversion algorithm is comprised of three individual neural networks. The output results of the networks are combined by averaging method. The results show that in both test models and actual dataset, the proposed algorithm is capable of estimating the model parameters. Furthermore, a comparison between the proposed neural network inversion algorithm and tomography inversion method, shows that the introduced neural network inversion algorithm is a reliable and powerful method for automatic inversion of seismic datasets.

Keywords


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