مدل سازی وارون داده های لرزه ای انکساری کم عمق با استفاده از ترکیب آنسامبلی خطی شبکه های عصبی مصنوعی منفرد

بمنظور تفسیر روش های لرزه ای، پس از جمع آوری داده ها و پیش پردازش های لازم، وارون سازی آنها جهت تخمین پارامترهای مدل، گام اساسی در استفاده از این داده ها است. مدل سازی وارون این داده ها همانند سایر داده های ژیوفیزیکی با چالش عدم یکتایی در تخمین پارامترهای مدل روبه رو است. در مطالعه حاضر به منظور تلاش برای حل این مشکل و ارایه یک روش خودکار در وارون سازی داده های لرزه ای، یک روش وارون سازی جدید مبتنی بر شبکه های عصبی آنسامبلی معرفی شده است. در روش پیشنهاد شده ابتدا با مدل سازی پیشرو مدل های مختلف چند لایه با ضخامت ها و سرعت های موج طولی مختلف به شبکه های عصبی آموزش داده شد. در این مطالعه از شبکه های MLP با ساختارهای مختلف استفاده شده است. در ادامه با ارزیایی متقابل، شبکه های عصبی آموزش داده شده مورد ارزیابی قرار گرفتند و شبکه های با بهترین عملکرد (خطای کم) جهت استفاده در ترکیب آنسامبلی شبکه های عصبی انتخاب شدند. شبکه عصبی آنسامبلی استفاده شده، از ترکیب خطی شبکه های منفرد (سه شبکه منفرد برتر) به دست آمد. جهت ارزیابی بهتر کارایی ترکیب شبکه های عصبی استفاده شده ، 20% از داده های اولیه کنار گذاشته شد (بدون حضور در فرآیند آموزش) و از این داده ها به عنوان داده های آزمون استفاده شد. در پایان روش وارون سازی معرفی شده با داده های واقعی لرزه انکساری مورد ارزیابی بیشتر قرار گرفت که مدل وارون حاصل از داده های واقعی، تطابق بسیار خوبی با مطالعات زمین شناسی و نتایج لرزه ای قبلی انجام شده در ایستگاه مورد نظر دارد. همچنین به جهت مقایسه عملکرد و اهمیت روش پیشنهاد شده در این مطالعه، نتایج به دست آمده از داده های واقعی با روش وارون سازی توموگراقی نیز مقایسه شد. نتایج حاصل از این مطالعه بیانگر آن است که، وارون سازی داده های لرزه ای مبتنی بر شبکه های عصبی یک روش سریع، آسان و بدون نیاز به فرض مدل اولیه برای داده های مشاهده شده است.