پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,501 |
| تعداد مشاهده مقاله | 124,102,019 |
| تعداد دریافت فایل اصل مقاله | 97,208,572 |
اکتشاف قنات‌های زیرزمینی مدفون از طریق شبکه‌های عصبی مصنوعی و با استفاده از داده‌های میکروگرانی‌سنجی | ||
| فیزیک زمین و فضا | ||
| مقاله 11، دوره 35، شماره 1، اردیبهشت 1388، صفحه 9-15 اصل مقاله (175.73 K) | ||
| شناسه دیجیتال (DOI): 10.22059/jesphys.2009.79977 | ||
| نویسندگان | ||
| علیرضا حاجیان* 1؛ وحید ابراهیم‌زاده اردستانی2؛ کارو لوکس3؛ سیدمرتضی سقائیان‌نژاد4 | ||
| 1مربی، گروه فیزیک، دانشگاه آزاد اسلامی، واحد نجف‌آباد، اصفهان، ایران | ||
| 2دانشیار، گروه فیزیک زمین، مؤسسة ژئوفیزیک دانشگاه تهران و قطب علمی مهندسی نقشه‌برداری و مقابله با سوانح طبیعی، ایران | ||
| 3استاد، گروه برق، قطب علمی کنترل و هوش مصنوعی، دانشکده برق و کامپیوتر، دانشگاه تهران، ایران | ||
| 4دانشیار، گروه برق، دانشکده برق و کامپیوتر، دانشگاه صنعتی اصفهان، ایران | ||
| چکیده | ||
| در این مقاله یک الگوریتم هوشمند جهت اکتشاف قنات‌های زیرزمینی مدفون با شبکه‌های عصبی و با استفاده از داده‌های میکروگرانی‌سنجی ارائه شده است. به منظور برآورد عمق و اندازه قنات‌های زیرسطحی از روی بی‌هنجاری (آنومالی) گرانی باقی‌مانده یک شبکه عصبی مصنوعی با سرپرست، از نوع پرسپترون چندلایه (MLP) طراحی شد. از آنجاکه در طراحی شبکه عصبی سرعت پردازش داده‌ها از اهمیت خاصی برخوردار است و تعداد ورودی‌های زیاد باعث پیچیدگی غیر منطقی توپولوژی شبکه می‌شود، به جای اعمال همة داده‌های تصحیح شده، میکروگرانی درحکم ورودی، مجموعه‌ای مشخصه‌های مناسب (Features) از روی آنومالی باقی‌مانده داده‌های میکروگرانی استخراج می‌شود، سپس با توجه به مدل‌های کره و استوانه که نزدیک‌ترین مدل‌ها به قنات‌های مدفون هستند، مجموعه‌ای از داده‌های آموزشی که برای آموزش شبکه عصبی طراحی شده‌اند، مورد استفاده قرار می‌گیرند، در واقع شبکه عصبی طراحی‌شده پس از این آموزش قادر خواهد بود که با توجه به مشخصه‌های استخراج شده از روی بی‌هنجاری باقی‌مانده، عمق و شعاع قنات مدفون را به‌دست آورد. از آنجاکه قاعده کلاسیک خاصی برای انتخاب تعداد نورون‌ها در لایه پنهان شبکه عصبی چندلایه وجود ندارد، شبکه‌های عصبی چندلایه گوناگونی با تعداد نورون‌های متفاوت در لایه پنهان مورد آزمایش قرار گرفت و نمودارهای عملکرد شبکه در هر حالت به‌دست آمد تا از روی آن بهترین مقدار تعداد نورون‌ها در لایه پنهان حاصل شود. پس از این مرحله ابتدا با استفاده از مجموعه‌ای داده‌های مصنوعی، شبکه عصبی طراحی‌شده مورد آزمون قرار گرفت. سپس خروجی‌های شبکه با استفاده از داده‌های مصنوعی نوفه‌دار برای مدل‌های کره و استوانه بررسی شد که عملکرد مناسبی را نشان داد. همچنین، عمق قنات زیرزمینی مدفون واقع در ورودی شمالی مؤسسه ژئوفیزیک درحکم نمونه‌ای عملی با شبکه عصبی طراحی شده، به‌دست آمد که با مقدار واقعی آن انطباق خوبی داشت. | ||
| کلیدواژه‌ها | ||
| شبکه‌های عصبی؛ میکروگرانی‌سنجی؛ قنات؛ پرسپترون چندلایه (MLP) | ||
| عنوان مقاله [English] | ||
| Detection of subsurface Qanats by Artificial Neural Network via Microgravity data | ||
| نویسندگان [English] | ||
| A. R. Hajian1؛ V. E. Ardestani2؛ C. Lucas3؛ S. M. Saghaiannejad4 | ||
| 1Instructor, Physics Department, Islamic Azad University, Najaf Abad Branch, Isfahan, Iran | ||
| 2Associate Professor, Earth Physics Department, Institute of Geophysics, University of Tehran and Center of Excellence in Survey Engineering and Disaster Management, Tehran, Iran | ||
| 3Professor of control, Electrical Engineering Department, University of Tehran, Iran | ||
| 4Associate Professor, Electrical Engineering, Electrical Engineering Department, Isfahan Technical University, Isfahan, Iran | ||
| چکیده [English] | ||
| A full automatic algorithm is designed to detect subsurface Qanats (sub terrains) via Artificial Neural Networks .We first gained the residual gravity anomaly from microgravity data and then applied it to a Multi Layer Perceptron (MLP) which was trained for the models of sphere and cylinder. As a field example, the depth of a subsurface Qanat buried under the north entrance of the Geophysics Institute is determined through MLP (trained with noisy data). | ||
| کلیدواژه‌ها [English] | ||
| Artificial Neural Network, Microgravity, Qanat | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 800 تعداد دریافت فایل اصل مقاله: 534 |
||