نوع مقاله: علمی - پژوهشی

نویسندگان

1 عضو هیئت علمی دانشگاه صنعتی همدان

2 عضو هیات علمی دانشکده مهندسی معدن، دانشگاه تهران

3 عضو هیئت علمی دانشکده مهندسی معدن، دانشگاه تهران

4 فارغ التحصیل کارشناسی ارشد دانشکده معدن، نفت و ژئوفیزیک، دانشگاه شاهرود

چکیده

در مقاله حاضر، مدل‌سازی معکوس مدل چهار لایه‌ای گمانه‌زنی الکتریکی (شامل 8 نوع منحنی متفاوت)، با استفاده از یک روش ترکیبی شبکه‌های عصبی مصنوعی و الگوریتم ژنتیک، انجام شده است. برای این منظور، ابتدا، 2000 داده مصنوعی مقاومت‌ویژه برای حالت‌های مختلف گمانه‌زنی الکتریکی با استفاده از نرم‌افزار Resix-IP، تولید شد. سپس، دسته‌بندی انواع منحنی‌های مربوط به مدل‌های چهار لایه‌ای مقاومت ویژه با استفاده از روش شبکه‌های عصبی مصنوعی پیش‌خور با الگوریتم پس‌انتشار خطا، مبتنی بر سعی و خطا در آموزش داده‌ها، بنحو مطلوبی انجام شد. شبکه بهینه طبقه بندی کننده، از22 نرون لایه ورودی، 33 نرون لایه میانی و 8 نرون لایه خروجی، تشکیل شده بود. در ادامه با استفاده از روش الگوریتم‌های ژنتیک، معکوس‌سازی داده‌های مقاومت ویژه برای مدل چهار لایه‌ای گمانه‌زنی الکتریکی انجام شد. نتایج بدست آمده مقادیر مقاومت‌ویژه، نشان دهنده تطابق بسیار مطلوب بین خروجی روش الگوریتم ژنتیک و داده‌های آزمایشی بودند. بطور نمونه، ضرایب همبستگی بسیار بالا (99/0، 82/0، 83/0 و 97/0) و (99/0، 92/0، 93/0 و 97/0)، مقادیرمقاومت ویژه در لایه‌های اول تا چهارم، بترتیب در مدل‌‌های منحنی مربوط به انواع AA و AK، بخوبی بیانگر این تطابق مطلوب است. از طرفی، مقادیر ضخامت لایه‌‌ها در لایه‌های اول همه منحنی‌ها با استفاده از روش الگوریتم‌های ژنتیک، بصورت مناسبی تخمین زده شده‌اند، در حالیکه، مقادیر ضرایب همبستگی آنها در لایه‌های دوم (با 81/0 و 88/0) و سوم (79/0 و 71/0) این نوع از منحنی‌ها، نشان‌دهنده کارآیی نسبی این روش است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Using a combined hybrid neural networks and genetic algorithms method in inverting geoelectrical four-layer sounding data

نویسندگان [English]

  • Behshad Jodeiri Shokri 1
  • Faramarz Doulati Ardejani 2
  • Ali Moradzadeh 3
  • Rohollah Ahmadi 4

1 Faculty Member, Department of Mining Engineering

چکیده [English]

In this research, a combined hybrid artificial neural networks and genetic algorithms method was used to invert a four-layer sounding model including eight different curve types. For this purpose, 2000 sounding data was synthetically generated using Resix-IP software. Then, different types of curves were classified applying a feed forward artificial neural network with back propagation algorithm based on a trial and error process of training data. The network of classification included 22 neurons in input layer, 33 neurons in hidden layer and 8 neurons in output layer. Subsequently, the inversion of four-layer model of geoelectrical sounding data was conducted by genetic algorithms. The obtained results of resistivity values showed a very good agreement between the outputs of genetic algorithms and test data. For instance, the strong correlation can be reflected by coefficients (0.99, 0.82, 0.83 and 0.97) and (0.99, 0.92, 0.93 and 0.97) of resistivity values for layers No.1 to No.4 in turn in curve types AA and AK. Besides, in all of the curves, thickness of the first layer was appropriately estimated by genetic algorithms method, while in these two curve types, the correlation coefficients in the second layer (0.81 and 0.88) and the third layer (0.79 and 0.71) show a relative capability of this method.
 

کلیدواژه‌ها [English]

  • Geoelectrical sounding
  • four layers models of resistivity
  • Artificial neural networks
  • Genetic Algorithms