مدل‌سازي وارون داده‌هاي لرزه‌اي انكساري كم عمق با استفاده از تركيب آنسامبلي خطي شبكه‌هاي عصبي مصنوعي منفرد

Inversion of Refracted Wave's Travel Times Using Linear Ensemble Combination of Single Artificial Neural Networks

بمنظور تفسير روش‌هاي لرزه‌اي، پس از جمع آوري داده‌ها و پيش پردازش‌هاي لازم، وارون‌سازي آنها جهت تخمين پارامترهاي مدل، گام اساسي در استفاده از اين داده‌ها است. مدل‌سازي وارون اين داده‌ها همانند ساير داده‌هاي ژئوفيزيكي با چالش عدم يكتايي در تخمين پارامترهاي مدل روبه‌رو است. در مطالعه حاضر به‌منظور تلاش براي حل اين مشكل و ارائه يك روش خودكار در وارون‌سازي داده هاي لرزه‌اي، يك روش وارون‌سازي جديد مبتني بر شبكه‌هاي عصبي آنسامبلي معرفي شده است. در روش پيشنهاد شده ابتدا با مدل‌سازي پيشرو مدل‌هاي مختلف چند لايه با ضخامت‌ها و سرعت‌هاي موج طولي مختلف به شبكه‌هاي عصبي آموزش داده شد. در اين مطالعه از شبكه‌هاي MLP با ساختارهاي مختلف استفاده شده است. در ادامه با ارزيايي متقابل، شبكه‌هاي عصبي آموزش داده شده مورد ارزيابي قرار گرفتند و شبكه‌هاي با بهترين عملكرد (خطاي كم) جهت استفاده در تركيب آنسامبلي شبكه‌هاي عصبي انتخاب شدند. شبكه‌ عصبي آنسامبلي استفاده شده، از تركيب خطي شبكه‌هاي منفرد (سه شبكه منفرد برتر) به دست آمد. جهت ارزيابي بهتر كارايي تركيب شبكه‌هاي عصبي استفاده شده ، 20% از داده هاي اوليه كنار گذاشته شد (بدون حضور در فرآيند آموزش) و از اين داده ها به‌عنوان داده‌هاي آزمون استفاده شد. در پايان روش وارون‌سازي معرفي شده با داده‌هاي واقعي لرزه انكساري مورد ارزيابي بيشتر قرار گرفت كه مدل وارون حاصل از داده‌هاي واقعي، تطابق بسيار خوبي با مطالعات زمين شناسي و نتايج لرزه‌اي قبلي انجام شده در ايستگاه مورد نظر دارد. همچنين به جهت مقايسه عملكرد و اهميت روش پيشنهاد شده در اين مطالعه، نتايج به دست آمده از داده هاي واقعي با روش وارون‌سازي توموگراقي نيز مقايسه شد. نتايج حاصل از اين مطالعه بيانگر آن است كه، وارون‌سازي داده‌هاي لرزه‌اي مبتني بر شبكه‌هاي عصبي يك روش سريع، آسان و بدون نياز به فرض مدل اوليه براي داده‌هاي مشاهده شده است.

In this study, a new inversion framework based on artificial intelligence is presented for inversion of travel times of seismic refracted waves. The proposed inversion algorithm is comprised of three individual neural networks. The output results of the networks are combined by averaging method. The results show that in both test models and actual dataset, the proposed algorithm is capable of estimating the model parameters. Furthermore, a comparison between the proposed neural network inversion algorithm and tomography inversion method, shows that the introduced neural network inversion algorithm is a reliable and powerful method for automatic inversion of seismic datasets.