استفاده از شبکه عصبی مصنوعی در زمین شناسی
در سال های اخیر، شبكه های عصبی مصنوعی (Artificial Neural Networks – ANNs) به عنوان جایگزین روش های انطباق منحنی تیپ (Type curve matching techniques) برای تعیین متغیرهای آبخوان استفاده می شوند. به تازگی یکی تحقیق بومی در این زمینه انجام شده است که در این پژوهش دو شبكه عصبی مصنوعی از نوع پرسپترون چندلایه (Multilayer Perceptron Network – MLPN) برای تعیین متغیرهای آبخوان محبوس نشتی (leaky confined aquifer) طراحی شده است.
بر خلاف شبكه های موجود، توپولوژی شبكه های طراحی شده به شمار داده های افت زمان آزمون پمپاژ وابسته نیست و ساختار آن به ترتیب با 2، 10 و 2 نورون در لایه های ورودی، پنهان و خروجی (2×10×2) ثابت است.
نشت آب به آبخوان یا از لایه نیمه تراوا و یا ازآب ذخیره شده در لایه نیمه تراوا منشا می گیرد. توابع چاه (well functions) مربوط به آبخوان های نشتی با این دو سازوكار نشت از لایه نیمه تراوا به این دو شبكه آموزش داده شده است. با اعمال روش تجزیه مولفه اصلی (Principal Component Analysis – PCA) بر مجموعه داده های آموزش، توپولوژی هر دو شبكه كاهش و بازدهی آنها به طور قابل ملاحظه ای افزایش داده شد.
بر خلاف شبكه های موجود، توپولوژی شبكه های طراحی شده به شمار داده های افت زمان آزمون پمپاژ وابسته نیست و ساختار آن به ترتیب با 2، 10 و 2 نورون در لایه های ورودی، پنهان و خروجی (2×10×2) ثابت است. شبكه ها با دریافت داده های آزمون پمپاژ، مختصات نقطه انطباق (match point coordinates) را تولید می كنند.
مختصات نقطه انطباق با حل های تحلیلی (Hantush & Jacob (1955 و (Hantush (1960 تركیب می شود و مقادیر متغیرهای آبخوان به دست می آید. عملكرد دو شبكه با داده های سه آزمون پمپاژ واقعی ارزیابی و دقت آنها با روش های انطباق منحنی تیپ مقایسه شده است. شبكه های پیشنهادی به عنوان یك روش جایگزین دقیق تر نسبت به شبكه عصبی مصنوعی پیشین و انطباق منحنی تیپ برای محاسبه متغیرهای آبخوان نشتی توصیه می شود.
منبع: طاهره آذری، نوذر سامانی، 1394. طراحی دو شبكه عصبی مصنوعی برای تعیین متغیرهای آبخوان محبوس نشتی، فصلنامه علوم زمین ، سال بیست و پنجم، شماره 97.
No tags for this post.
