مدل سازي وارون دو بعدي ميدان گراني باقي مانده با استفاده از شبكه عصبي پيشخور مدولار : مطالعه موردي يك معدن كروميت

D inverse modeling of residual gravity field using modular feed forward neural network: A case study; a chromite mine

يكي از اهداف اصلي در اكتشافات ژئوفيزيكي، تعيين عمق و گسترش توده معدني در زير زمين مي‌باشد. بدليل عدم يكتايي جواب در وارون‌سازي ميدان گراني، روش‌هاي زيادي براي حذف يا كاهش خطاي مدل‌سازي ارائه شده است. تشبيه كردن شكل توده مولد بي‌هنجاري به يكي از شكل‌هاي هندسي، تا حد زيادي ابهام موجود در مدل‌سازي وارون را كاهش مي‌دهد. همانند سازي ساختار توده معدني مولد بي‌هنجاري گراني به يك شكل هندسي، نيازمند مطالعات زمين شناختي و صحرائي مي‌باشد. در اين مقاله استفاده از شبكه عصبي مصنوعي پيشخور مدولار براي وارون سازي دو بعدي بي‌هنجاري‌هاي گراني شكل‌هاي هندسي كره، استوانه عمودي و استوانه افقي ارائه مي‌شود. شبكه عصبي مدولار از چندين شبكه عصبي پيشخور موازي تشكيل مي‌شود كه به هر شبكه عصبي پيشخور، مدول گفته مي‌شود. آموزش هر مدول بصورت مجزا توسط مدل‌هاي آموزشي صورت مي‌پذيرد. يادگيري مدول‌ها با ناظر و با استفاده از الگوريتم پس انتشار خطا صورت مي‌پذيرد. سه پارامتر عمق، فاكتور شكل و ضريب دامنه با توجه به مقادير بردار گراني، بعنوان لايه ورودي شبكه‌هاي عصبي پيشخور، توسط هر مدول تخمين زده مي‌شود. همچنين يك واحد پردازشي يكپارچه كننده بنام واحد عملگر ميانگين، خروجي‌هاي هر مدول را دريافت كرده و مقدار ميانگين هر پارامتر را محاسبه مي‌نمايد. فاكتور شكل، تعيين كننده شكل تقريبي توده معدني مي‌باشد. با توجه به ضريب دامنه تخمين زده شده، مي‌توان شعاع توده مولد بي‌هنجاري گراني را نيز محاسبه نمود. داده‌هاي گراني مدل‌هاي مصنوعي كره، استوانه افقي و عمودي، با و بدون نوفه تصادفي اضافه شده، با روش ارائه شده در اين مقاله مورد بررسي قرار مي‌گيرند. نتايج قابل قبول بدست آمده از مدل‌هاي مصنوعي، كارايي وارون‌سازي شبكه عصبي مدلار را نشان مي‌دهند. همچنين در اين مقاله، از روش شبكه عصبي مدولار براي مدل‌سازي ميدان گراني باقي‌مانده و نيز ميدان گراني فراسو شده يك معدن كروميت در سبزوار استفاده شده است.

One of the most important aspects of mineral deposit exploration is depth estimation values of the mineral masses. Gravity method is used widespread for detection of mineral deposits. A new approach is presented in order to interpret residual gravity anomalies due to simple geometrically shaped bodies such as horizontal cylinder, vertical cylinder, and sphere. This approach is mainly based on using feed forward modular neural network (MNN) inversion for estimating the shape factor, depth, and the amplitude coefficient. The sigmoid function has been used as the activation function in the MNN inversion. The new approach has been tested first on synthetic data from different models using only one well-trained network. The results of this approach show that the parameter values estimated by the modular inversion are almost identical to the true parameters. Furthermore, noise analysis has been made. The inversion of noisy data produces satisfactory results for the data up to 5% of random noise. The reliability of this approach is demonstrated for real gravity field anomalies taken over a chromite deposit near Sabzevar City, Khorasan Province, Iran.