وارون‌سازی داده‌های دو بعدی مقاومت ویژه‌ی الکتریکی لوله‌های زیرسطحی به روش شبکه‌ی عصبی مصنوعی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، دانشکده مهندسی معدن و متالورژی، دانشگاه یزد

2 استادیار، دانشکده مهندسی معدن و متالورژی، دانشگاه یزد

3 دانشیار، دانشکده مهندسی معدن و مالورژی، دانشگاه یزد

چکیده

وارون‌سازی داده‌های ژئوفیزیکی به علت غیرخطی بودن داده‌ها، فرآیندی بسیار پیچیده است، بخصوص در حالتی که قدرت تفکیک بسیار بالا در عمق نفوذ کم نیز مد نظر باشد. در دو دهه‌ی اخیر الگوریتم‌های وارون‌سازی غیرخطی نظیر شبکه‌های عصبی و الگوریتم‌های ژنتیک با رشد قابل‌توجهی برای تفسیر داده‌های ژئوفیزیکی مورد استفاده قرار گرفته‌اند. در این مطالعه وارون‌سازی داده‌های ژئوالکتریکخط لوله‌ی زیرسطحی با قدرت تفکیک بالا انجام شده است. بدین منظور از شبکه‌ی پس انتشار خطا کمک گرفته شد تا داده‌های حاصل از برداشت توموگرافی مقاومت ویژه‌ی دوبعدی مورد تفسیر قرار گیرند. پارامترهای شبکه شامل انواع داده‌های ورودی و خروجی، تعداد لایه‌ها، تعداد نرون‌های موجود در هر لایه، مقادیر بهینه‌ی نرخ یادگیری شبکه، ضریب مومنتوم و میزان تأثیر آن‌ها بر مقدار خطای شبکه خواهد بود. پس از انجام 20 تکرار خطا به 001/0 کاهش می‌یابد. خط لوله‌ی مقاوم 1000 اهم‌متری در یک نیم فضای همگن 100 اهم‌متری توسط آرایش الکترودی دوقطبی-دوقطبی با فاصله‌ی الکترودی یک متر مدل شده است. 36 دسته داده‌ی 207 تائی در این مطالعه در نظر گرفته شد، که 18 دسته داده به مرحله‌ی آموزش، 9 دسته به مرحله‌ی ارزیابی و 9 دسته نیز به مرحله‌ی اعتبارسنجی اختصاص داده شد و داده‌های صحرائی پس از تفسیر با روش وارون‌سازی معمول مقایسه شد. مقایسه‌ی مقاطع تفسیر شده توسط روش شبکه‌ی عصبی مصنوعی و روش‌های معمول در این مطالعه نشان داد که گرچه هر دو روش به آشکارسازی خط لوله منجر می‌شوند اما روش شبکه‌ی عصبی این قابلیت را خواهد داشت که جدا از آشکارسازی خط لوله، به تفکیک دو لوله با قطر 32 سانتیمتر در فاصله‌ی 2/1 متری از یکدیگر بپردازد و حتی می‌تواند تخمین تقریبی نیز از قطر لوله در شبه مقاطع در اختیار بگذارد.

کلیدواژه‌ها


عنوان مقاله [English]

2-D resistivity inversion using artificial neural network of subsurface pipeline’s data

نویسندگان [English]

  • Kazem Malekpour Dehkordi 1
  • Ahmad Ghorbani 2
  • Abdolhamid Ansari 3
چکیده [English]

Inverting geophysical data due to their nonlinear nature is a very complex process, especially when a very high resolution in low depth is considered. In the past two decades, nonlinear inversion algorithms such as neural networks and genetic algorithms with significant growth for the interpretation of geophysical data have been used. In this study, geophysical inverting subsurface pipeline's data with high resolution is done .Thus, back-propagation network helped us to interpreting two-dimensional resistivity tomography data. Network parameters, including input and output data types, number of layers, number of neurons in each layer, network optimal learning rate, momentum coefficient and their impact on the value of the network error. After 20 iterations the error is reduced to 0.001. Robust pipeline (1000 ohm m) in a homogeneous half- space (100 Ohm m) by dipole-dipole array and one meter electrode spacing was modeled. 36 data sets that contained 207 components, were considered in this study, the 18 data sets in the training phase, 9 data sets in the evaluation phase and other data sets were assigned to a validation phase and the field data sets after the interpretation were compared with conventional inversion method. in this study, Comparing pseudo-sections interpreted by the artificial neural network method and conventional methods showed that although both methods lead to the detection pipeline but the artificial neural network method has a capability to separate two tube in pipelines that perched in 1.2 meter distance from each other and have 32 centimeter diameter and even can offer an approximately estimation of the diameter of the pipelines in pseudo-sections.

کلیدواژه‌ها [English]

  • Artificial neural network
  • Electrical Resistivity Tomography
  • Shell Pipeline