ارزیابی کیفیت توده سنگ زیر سطحی با تلفیق نتایج وارون سازی داده های توموگرافی لرزه ای انکساری و مقاومت‌ویژه الکتریکی به روش خوشه‌بندی طیفی

نوع مقاله: علمی - پژوهشی

نویسندگان

1 دانشگاه صنعتی شاهرود

2 استادیار دانشگاه شاهرود

چکیده

هنگامی‌که ساختار داده‌ها غیرخطی باشد روش‌های کلاسیک خوشه‌بندی با شکست روبه‌رو می‌شوند. در این حالت، خوشه‌بندی طیفی روشی قدرتمند برای دسته‌بندی داده‌ها محسوب می‌شود. این تکنیک با تبدیل فضای ورودی، فضای جدیدی با قابلیت توصیف مناسب‌تر از داده‌ها را در اختیار قرار می‌دهد. در این مطالعه، ابتدا وارون‌­سازی داده‌های مقاومت‌ویژه الکتریکی با روش کمترین مربعات گوس- نیوتن و با استفاده از نرم‌افزار RES2DINV انجام شد و سپس اولین زمان رسیدها با استفاده از نرم‌افزار PickWin محاسبه و وارون­سازی داده­های توموگرافی لرزه­ای انکساری با استفاده از نرم‌افزار GeotTom CG انجام شد. بعد از محاسبه ماتریس شباهت، مقادیر ویژه و بردارهای ویژه به­دست آمد و سپس داده‌ها با روش خوشه‌بندی طیفی (Spectral clustering) مورد ارزیابی قرار گرفتند. با استفاده شاخص دان (Dunn index) برای بهینه سازی تعداد خوشه‌ها عدد 12 به­دست آمد که با توجه به نقشه­های به­دست آمده برای مقاومت ‌ویژه الکتریکی و توموگرافی لرزه­ای انکساری، تعداد خوشه مناسبی است. نتایج روش خوشه‌بندی طیفی همبستگی خوبی با نتایج لاگ گمانه حفاری شده در کف سد نشان می‌دهد.محاسبات مربوط به الگوریتم خوشه‌بندی طیفی و شاخص دان با کدنویسی در محیط نرم­افزار MATLAB انجام شده است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Integration of seismic refraction tomography and electrical resistivity data inversion results using spectral clustering method for evaluation of the quality of the subsurface rock mass

نویسنده [English]

  • Bahman Mohammadi 1
1 shahrood university of technology

کلیدواژه‌ها [English]

  • Inversion
  • Spectral clustering method
  • Seismic Refraction tomography
  • Electrical resistivity
  • Dunn index

مراجع

[1] Ng, A.Y., Jordan, M., and Weiss, Y., 2002, On spectral clustering: analysis and an algorithm: Advances in Neural Information Processing Systems, 14.

[2] Tenenbaum, J.B., deSilva, V., and Langford, J.C., 2000, A global geometric framework for nonlinear dimensionality reduction: Science, 290, p. 2319–2323.

[3] Roweis, S.T and Saul, L.K., 2000, Nonlinear dimensionality reduction by locally linear embedding: Science, 290, p. 2323–2326.

[4] Zhang , T., et al., 2008, A unifying framework for spectral analysis based dimensionality reduction: in IEEE World Congress on Computational Intelligence.

[5] Chung, F.R.K., 1997, Spectral Graph Theory: CBMS Regional Conference Series in Mathematics, 92.

[6] Müller, K.R., et al., 2001, An introduction to kernel-based learning algorithms: Neural Networks, IEEE Transaction on, 12(2), p. 181–202.

[7] Schölkopf, B. and A.J. Smola., 2002, Learning with Kernels, Support Vector Machines, Regularization, Optimization, and Beyond: Cambridge, MA, USA, MIT Press.

[8] Donath, W.E and Hoffman, A.J., 1973, Lower bounds for the partitioning of graphs: IBM J. Res. Develop, Vol. 17, No. 5, pp. 420-425.

[9] TREMBLAY, N., PUY, G., GRIBONVAL, R., VANDERGHEYNST, P., 2016, Compressive Spectral Clustering: Proceedings of the 33 rd International Conference on Machine Learning, New York, NY, USA, JMLR: W&CP volume 48.

[10] von Luxburg, U., 2007,  A tutorial on spectral clustering: Statistics and Computing, 17, 395–416.

[11] Auffarth, B., 2007, Spectral Graph Clustering: Universitat de Barcelona, course report for T´ecnicas Avanzadas de Aprendizaje at Universitat Politecnica de Catalunya.

[12] Hadjighasem, A., Karrasch, D., Teramoto, H., Haller, G., 2016, Spectral-clustering approach to Lagrangian vortex detection: PHYSICAL REVIEW E 93, 063107.

[13] Wu, S., Feng, X., Zhou, W., 2014, Spectral clustering of high-dimensional data exploiting sparse representation vectors: Neurocomputing 135, 229–239.

[14] Scott, G.L. and Longuet-Higgins, H.C., 1990, Feature grouping by relocalisation of eigenvectors of the proxmity matrix: in British Machine Vision Conference, p. 103-108.

[15] Perona, P. and Freeman, W.T., 1998,  A factorization approach to grouping: inECCV.

 [16] Shi, J., and Malik, J., 2000, Normalized cuts and image segmentation: IEEE Transactions on Pattern Analysis and Machine Intelligence, 22, 888–905.

[17] Meila, M., and Shi, J., 2001,  Learning segmentation by random walks: Leen, T.K., Dietterich, T. G., and Tresp, V., eds., Advances in neural information processing systems 13, MIT Press, 873–879.

[18] Zelnik-Manor, L., and Perona, P., 2005, Self-tuning spectral clustering: Saul, L. K., Weiss, Y., and Bottou, L., eds., Advances in neural information processing systems 17, MIT Press, 1601–1608.

[19] Zhang, X., Jiao, L., Liu, F., Bo, L., and Gong, M., 2008, Spectral clustering ensemble applied to SAR image segmentation: IEEE Transactions on Geoscience and Remote Sensing, 46, 2126–2136.

[20] Zhou, H., 1997, Determination of velocities and interfaces by multi-scale tomography: 67th Ann. Internat. Mtg, Society of Exploration Geophysicists, Expanded Abstracts, pp.1877-1880.

[21] Zhou, H., 2003, Multi-scale traveltime tomography: Geophysics, 68, pp.1639-1649.

[22] Lehmann, B., 2007, Seismic travel time tomography for еnginееring and ехрlоrаtiоn аррliсаtiоns: EAGE Publications bv, pp.14.

[23] Loke M.H., Barker, R.D., 1996a, Rapid least-square inverson of apparent resistivity pseudosections using a quasi-Newton method: Geophysical Prospecting, 44, 131-152

[24] Loke, M.H., 2004, Tutorial: 2-D and 3-D electrical imaging surveys.

[25] Desgraupes, B., 2013, Clustering Indices: University Paris Ouest, Lab Modal’X.

[26] Kanaan, EL.B., Fadi, EL.F., Ashour, W., 2014, Spectral Clustering Using Optimized Gaussian Kernel Function: International Journal of Artificial Intelligence and Applications for Smart Devices, Vol.2 , No.1, pp. 41-56.

[27] Hachmoler, B., Paasche, H., 2013, Integration of surface-based tomographic models for zonation and multimodel guided extrapolation of sparsely known petrophysical parameters: GEOPHYSICS, VOL.78, NO.4, PP43-53.

[28] West, D., 2007, Introduction to graph theory: Prentice Hall.