Iranian Journal of Geology
,
Issue36,Year,
Winter
2020
در این مقاله، شبکههای عصبی مصنوعی پرسپترون چند لایه (MLP) و تابع پایه شعاعی (RBF) جهت تعیین پارامترهای آبخوان محبوس (قابلیت انتقال آبخوان و ضریب ذخیره) طراحی گردیده است. تابع چاه مربوط به آبخوانهای محبوس به این شبکهها آموزش داده شده است. با اعمال تکنیک آنالیز مولفه More
در این مقاله، شبکههای عصبی مصنوعی پرسپترون چند لایه (MLP) و تابع پایه شعاعی (RBF) جهت تعیین پارامترهای آبخوان محبوس (قابلیت انتقال آبخوان و ضریب ذخیره) طراحی گردیده است. تابع چاه مربوط به آبخوانهای محبوس به این شبکهها آموزش داده شده است. با اعمال تکنیک آنالیز مولفه اصلی بر مجموعه دادههای آموزش، ساختار شبکه MLP و RBF به ترتیب با آرایش (1×12×1) و (1×14×1) صرف نظر از تعداد دادههای آزمون پمپاژ ثابت گردید. این شبکهها با دریافت هر مجموعه داده آزمون پمپاژ واقعی، مختصات نقطه انطباق بهینه را تولید میکند. سپس مختصات نقطه انطباق با حل تحلیلی تایس (1935) ترکیب شده و مقادیر پارامترهای آبخوان محاسبه میشود. توانایی تعمیم و عملکرد این شبکهها با 100000 مجموعه داده سنتز شده ارزیابی گردید و دقت آنها با استفاده از دادههای دو آزمون پمپاژ واقعی با روش انطباق منحنی تیپ مقایسه شده است. نتایج حاصل از مدلسازی تابع چاه در آبخوان محبوس نشان داد که اگر چه هر دو مدل شبکه عصبی MLP و RBF میتوانند پارامترهای آبخوان را با دقت بالایی تعیین نمایند و خطاهای گرافیکی حاصل از روشهای انطباق منحنی تیپ را حذف کنند اما شبکه MLP طراحیشده از دقت بالاتری نسبت به شبکه RBF برخوردار میباشد به همین دلیل شبکه MLP پیشنهادی به عنوان یک روش خودکار، دقیق و سریع جهت تعیین پارامترهای آبخوان محبوس توصیه میشود.
Manuscript profile
Rimag
Rimag is an integrated platform to accomplish all scientific journal requirements such as submission, evaluation, reviewing, editing, DOI assignment and publishing in the web.