مدل‌سازي مستقيم دو بعدي بي‌هنجاري‌هاي گراني نهشته‌هاي كم عمق با استفاده از روش‌ شبكه‌هاي عصبي تحميلي

2-D Forward Modeling of Near Surface Gravity Anomaly by Using of Forced Neural Networks Method

در اين مقاله، از يك روش جديد كه شبكه‌هاي عصبي تحميلي ناميده مي‌شود، استفاده مي‌كنيم تا پارامترهاي نهشته‌هاي مدفون را در يك مقطع مورد نظر ژيوفيزيكي با فرض مدل‌ منشوري براي بي‌هنجاري‌هاي گراني، پيدا كنيم. هدف از اين مدل‌سازي‌ زمين‌شناسي، پيدا كردن شكل و محل ساختار زيرزميني در مقطع دو بعدي مي‌باشد. در اينجا، شبكه‌اي با يك نرون و الگوريتم پس انتشار خطا براي پيدا كردن اختلاف چگالي، بكار گرفته شده است. اين روش براي داده‌‌هاي مصنوعي نويزدار و بدون نويز آزمايش شد و سپس زغال‌هاي بيتومينه دهلران ايران به عنوان داده‌هاي واقعي بكار گرفته شد.

In this paper, we use a new method called Forced Neural Networks (FNN) to find the parameters of buried deposit in geophysical section respect to gravity anomaly assuming the prismatic model. The aim of the geological modeling is to find the shape and location of underground structures in 2-D cross section. Here, an one neuron network and back propagation algoritm are applied to fined out the density difference. The method is used for noise-free and noise-corruption synthetic data, and then the Dehloran bitumen field map in Iran is chosen as a real data.