فروش‌ویژه!

تعیین پارامترهای رسوب‌شناسی و مدلسازی سه‌بعدی دشت گرگان با استفاده از مدل شبکه عصبی مصنوعی

زمین شناسی, فنی و مهندسی

تعیین پارامترهای رسوب‌شناسی و مدلسازی سه‌بعدی دشت گرگان با استفاده از مدل شبکه عصبی مصنوعی

قیمت اصلی: 36,000 تومان بود.قیمت فعلی: 25,000 تومان.

تعداد 127صفحه در فایل word

کارشناسی ارشد

رشته زمین‌شناسی(گرایش رسوب‌شناسی و سنگ‌شناسی رسوبی)

تعیین پارامترهای رسوب‌شناسی و مدلسازی سه‌بعدی دشت گرگان با استفاده از مدل شبکه عصبی مصنوعی

چکیده:

منابع اقتصادی موجود در طبیعت همواره برای انسان مهم بوده و نقشی تعیین کننده در اقتصاد کشورهای مختلف داشته است. به همین منظور تلاش در بهینه‌سازی روش‌های گوناگون استفاده از این منابع همواره مورد توجه بوده است. رسوبات از نظر دارا بودن پتانسیل لازم برای تشکیل مخازن هیدروکربوری و آبهای زیرزمینی حائز اهمیت فراوان هستند و معمولاً مورد توجه محققین مختلف قرار گرفته اند. یکی از مهمترین خصوصیات رسوبات و سنگ‌های رسوبی تخلخل است. تخلخل در رسوبات آواری در نتیجه قرار گرفتن ذرات مختلف در کنار هم ایجاد می‌شود. بنابراین اندازه رسوبات زیرسطحی در یک منطقه نقشی تعیین کننده در مطالعه منابع موجود در رسوبات آواری دارد. لذا درک نحوه پراکندگی ذرات در یک محدوده، از اهمیت بالایی برخوردار است. روش‌های مختلفی به منظور پی بردن به نحوه پراکنش رسوبات وجود دارد. هم اکنون مطالعات ژئوفیزیکی یکی از بهترین روشها برای این گونه مطالعات است. اما علاوه بر آن، استفاده از روش هوش مصنوعی مانند شبکه‌های عصبی مصنوعی(ANNs) برای این امر، در هر نقطه بسیار مناسب تشخیص داده شده است. مدلسازی با استفاده از شبکه‌های عصبی مصنوعی یکی از روشهای جعبه سیاه(Black Box) است که از مغز انسان الهام گرفته و به صورت آزمون و خطا و بر اساس توابع غیرخطی موجود در بین فاکتورهای موجود در یک مسئله سعی در حل آن دارد. در این مطالعه تلاش بر این است که بر اساس داده‌های مربوط به مقاومت الکتریکی، عمق، وجود یا عدم وجود آب و موقعیت جغرافیایی؛ توانایی مدل شبکه عصبی مصنوعی در پیش‌بینی اندازه ذرات در موقعیتهای مختلف جغرافیایی محدوده دشت گرگان سنجیده شود. در مدلسازی شبکه عصبی، یک شبکه چند لایه پیشرو پس انتشار(feed forward back propagation) به کار گرفته شده است. برای آموزش شبکه از روش آموزش LM استفاده شد. ضریب تطابق(R²)به دست آمده در این روش برای مرحله آموزش برابر 98 درصد و برای مرحله صحت‌سنجی 99 درصد است. در این مطالعه 70 درصد داده‌ها برای آموزش، 20 درصد برای مرحله صحت سنجی و 10 درصد برای تست شبکه در نظر گرفته شد. نتایج نشان داد که در صورت تهیه یک مدل شبکه عصبی مصنوعی و آموزش آن با استفاده از داده‌های معلوم، می‌توان اندازه ذرات رسوبی را برای سایر نقاط دشت با دقت مناسب تعیین کرد.

تعیین پارامترهای رسوب‌شناسی و مدلسازی سه‌بعدی دشت گرگان با استفاده از مدل شبکه عصبی مصنوعی

دسته: زمین شناسی, فنی و مهندسی برچسب: تعیین پارامترهای رسوب‌شناسی و مدلسازی سه‌بعدی دشت گرگان با استفاده از مدل شبکه عصبی مصنوعی

توضیحات
نظرات (0)

فهرست

فصل اول: 1

کلیات.. 1

1-1- مقدمه: 2

1-2- اهمیت موضوع: 4

1-3- اهداف مطالعه: 7

1-4- مشخصات عمومی منطقه مورد مطالعه: 9

1-4-1- موقعیت جغرافیایی: 9

1-4-2- راههای دسترسی: 11

1-4-3- ریخت‌شناسی: 13

1-4-4- اقلیم: 13

1-5- هیدرولوژی آبهای سطحی: 15

1-5-1- بررسی آب‌هاي سطحی: 15

1-6- هیدروژئولوژی منطقه: 17

1-6-1- عمق آبهای زیرزمینی: 17

1-6-2- بررسی جهت جریان آبهای زیرزمینی: 17

1-6-3- کیفیت آبهای زیرزمینی: 19

1-7- ژئومورفولوژی منطقه: 20

1-7-1- واحد کوهستان: 20

1-7-2-واحد تپه‌ماهور: 21

1-7-3-واحد دشت: 21

1-7-4- واحد رودخانه: 22

1-8- زمین‌شناسی: 22

1-8-1- چینه‌شناسی: 22

شیست‌های گرگان: 30

1-8-2- زمین‌‌شناسی ساختمانی منطقه: 33

فصل دوم: 34

شبکه‌های عصبی مصنوعی.. 34

2-1- مقدمه: 35

2-2- تاریخچه شبکه‌های عصبی: 36

2-2-1- یادگیری: 37

2-3- مزیت‌های شبکه عصبی مصنوعی: 43

2-4- شبکه‌های عصبی زیستی: 44

2-5- شبکه‌های عصبی مصنوعی: 45

2-5-1- ساختار شبکه‌های عصبی: 46

2-6- اجزای کلی شبکه‌های عصبی مصنوعی: 48

2-7- پارامترهای شبکه: 51

2-7-1- تعداد لایه‌های شبکه: 52

2-7-2-اثر تعداد نورونها در لایه‌های میانی: 52

2-7-3- مقداردهی اولیه وزنها: 53

2-7-4- انواع توابع تحریک: 55

2-7-5- نرخ یادگیری و گشتاور: 57

2-8- یادگیری و الگوریتم‌های مختلف آموزش: 58

2-9- تقسیم‌بندی انواع شبکه‌های عصبی مصنوعی: 61

2-9-1- دسته‌بندی شبکه‌ها بر اساس روش یادگیری: 61

2-9-2- دسته‌بندی شبکه‌ها بر اساس پیشخور و پسخور بودن: 63

2-10- انتخاب نوع تابع محرک: 63

2-11- توقف آموزش: 64

2-12-یادگیری(Learning) و تعمیم(Generalization) شبکه‌ها: 65

فصل سوم: 66

مقدمه‌ای بر روش‌های ژئوالکتریکی.. 66

3-1- مقدمه‌ای بر سونداژ الکتریکی قائم(Vertical Electrical Sounding): 67

3-2- تعریف و تاریخچه: 67

3-3- روش سونداژ الکتریکی قائم: 72

3-3-1-عملیات صحرایی.. 72

3-3-2- اساس تفسیر منحنیهای سونداژ الکتریکی با استفاده از رایانه: 74

3-3-3- تفسیر منحنی‌های صحرایی: 76

فصل چهارم: 80

مدلسازی، تلفیق و بسط داده‌ها 80

4-1- مقدمه. 81

4-2- جمع‌آوری اطلاعات و داده‌های مورد نیاز برای مطالعه حاضر. 82

4-3- آماده‌سازی و پردازش داده‌ها و اطلاعات موجود: 83

4-3-1- تجزیه و تحلیل داده‌های مربوط به مقاومت الکتریکی سونداژهای نزدیک چاه‌های انتخابی با استفاده از نرم‌افزار IPI2Win: 83

4-3-2-. تجزیه و تحلیل داده‌های مربوط به اندازه ذرات و تعیین مقادیر فی(Φ) رسوبات در چاه‌های انتخابی: 86

4-3-3-. سطح آب زیرزمینی و عمق برداشت.. 90

4-4- تهیه مدل شبکه عصبی مصنوعی: 90

4-4-1-داده‌ها و اطلاعات ورودی و هدف: 91

4-4-2- نرمالایز کردن اطلاعات و تابع مورد استفاده 94

4-5- نتایج به دست آمده از مدل طراحی شده: 97

4-5-1- صحت‌سنجی و کالیبراسیون مدل: 97

4-6- مدل‌سازی رسوبات: 102

4-6-2- تفسیری بر نتایج به دست آمده: 103

4-6-3- بررسی کلی تغییرات جانبی و عمودی رسوبات با استفاده از نقشه‌های به دست آمده: 109

فصل پنجم: 114

نتیجه‌گیری و پیشنهادات.. 114

5-1- نتیجه‌گیری: 115

2-5- پیشنهادات: 118

منابع فارسی: 120

English Reference: 122

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “تعیین پارامترهای رسوب‌شناسی و مدلسازی سه‌بعدی دشت گرگان با استفاده از مدل شبکه عصبی مصنوعی”