وارون‌سازي داده‌هاي دو بعدي مقاومت ويژه‌ي الكتريكي لوله‌هاي زيرسطحي به روش شبكه‌ي عصبي مصنوعي

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

وارون‌سازی داده‌های ژئوفیزیكی به علت غیرخطی بودن داده‌ها، فرآیندی بسیار پیچیده است، بخصوص در حالتی كه قدرت تفكیك بسیار بالا در عمق نفوذ كم نیز مد نظر باشد. در دو دهه‌ی اخیر الگوریتم‌های وارون‌سازی غیرخطی نظیر شبكه‌های عصبی و الگوریتم‌های ژنتیك با رشد قابل‌توجهی برای تفسیر داده‌های ژئوفیزیكی مورد استفاده قرار گرفته‌اند. در این مطالعه وارون‌سازی داده‌های ژئوالكتریكخط لوله‌ی زیرسطحی با قدرت تفكیك بالا انجام شده است. بدین منظور از شبكه‌ی پس انتشار خطا كمك گرفته شد تا داده‌های حاصل از برداشت توموگرافی مقاومت ویژه‌ی دوبعدی مورد تفسیر قرار گیرند. پارامترهای شبكه شامل انواع داده‌های ورودی و خروجی، تعداد لایه‌ها، تعداد نرون‌های موجود در هر لایه، مقادیر بهینه‌ی نرخ یادگیری شبكه، ضریب مومنتوم و میزان تأثیر آن‌ها بر مقدار خطای شبكه خواهد بود. پس از انجام 20 تكرار خطا به 001/0 كاهش می‌یابد. خط لوله‌ی مقاوم 1000 اهم‌متری در یك نیم فضای همگن 100 اهم‌متری توسط آرایش الكترودی دوقطبی-دوقطبی با فاصله‌ی الكترودی یك متر مدل شده است. 36 دسته داده‌ی 207 تائی در این مطالعه در نظر گرفته شد، كه 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 شبكه‌ی عصبی مصنوعی و روش‌های معمول در این مطالعه نشان داد كه گرچه هر دو روش به آشكارسازی خط لوله منجر می‌شوند اما روش شبكه‌ی عصبی این قابلیت را خواهد داشت كه جدا از آشكارسازی خط لوله، به تفكیك دو لوله با قطر 32 سانتیمتر در فاصله‌ی 2/1 متری از یكدیگر بپردازد و حتی می‌تواند تخمین تقریبی نیز از قطر لوله در شبه مقاطع در اختیار بگذارد.

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 pipelineʹs 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.