AN INVESTIGATION ON THE POSSIBILITY OF TWO-DIMENSIONAL JOINT INVERSION OF TE AND TM MODES DATA IN MAGNETOTELLURIC (MT) SURVEY USING ARTIFICIAL NEURAL NETWORK

Abstract

روش مگنتوتلوریک یکی از روشهای الکترومغناطیس با چشمه طبیعی است که برای کسب اطلاعات الکتریکی از ساختارهای زیرزمینی استفاده می‌شود. کاربرد این روش، بیشتر برای اکتشاف منابع زمین‌گرمایی، نفت و ذخایر معدنی است. با توجه به اینکه داده‌های اندازه‌گیری شده در روش مذکور حجیم و دارای ساختاری پیچیده هستند، از این رو مدل‌سازی وارون داده‌های حاصل نسبت به دیگر روشهای الکتریکی مشکل‌تر و در بعضی از موارد ناممکن است. هدف این مقاله، بر این است که قابلیتهای شبکه‌های عصبی مصنوعی برای مدل‌سازی وارون ترکیبی داده‌های فاز و مقاومت ویژه دو مد قطبش این روش مورد بررسی قرار گیرد. به منظور نیل به این هدف از شبکة پرسپترون چند لایه با قانون فراگیری پس انتشار خطا استفاده شد. برای آموزش و طراحی شبکه مناسب، چندین مدل مصنــــــوعی در گروه مورد نظر ساخته شــــــد و سپس با مدل‌سازی مستقیـــــم داده‌های مقـــــاومت ویژه و فاز آنها برای دو مــــــد قطبش الکتریکی عرضی : Transverse Electric) TE) و مغناطیس عرضی: Transverse Magnetic) TM) در چندین بسامد تولید شد. پس از بررسیهای جامع، یک شبکة پرسپترون سه لایه با ساختار 9-9-396 طراحی شد و از آن برای مدل‌سازی دو بعدی استفاده شد. بررسی نتایج به دست آمده نشان می‌دهد که شبکه طراحی شده از دقت قابل قبولی برای مدل‌سازی داده‌های مگنتوتلوریک برخوردار است، به گونه‌ای که برای یکی از مدلهای آزمایشی، مقدار میانگین خطای نسبی در نبــــــــود نوفه (Noise) 9/3 درصد و در حضور 5 درصد نوفه 9/6 درصد است، که این امر حاکی از دقت خوب شبکه در برآورد پارامترهای مدل زیرزمینی است. همچنین نتایج مدل‌سازی شبکه برای یک مجموعه داده‌های صحرایی و مقایسة آن با نتایج یکی دیگر از روشهای معمول مدل‌سازی وارون نشان می‌دهد که مدلها و پارامترهای به دست آمده توسط دو روش فوق، از شباهت و همخوانی خوبی برخوردار هستند که این مطلب گویای توانمندی شبکه طراحی شده برای مدل‌سازی داده‌های مورد نظر است.