Dergiler / Yerbilimleri / 2015 / Cilt: 36 - Sayı: 1

Güncel Optimizasyon Yöntemleri Kullanılarak Rezidüel Gravite Anomalilerinden Parametre Kestirimi

Sayfa
31–43
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Levenberg-Marquardt algoritması kullanılarak arazi verisinin ters çözümü ile en düşük ortalama karekök hata değeri hesaplanmasına rağmen, hesaplanan derinlik sondajdan bilinen derinlik değerine en uzaktır.Anahtar Kelimeler: Yapay sinir ağları, genetik algoritma, doğrusal olmayan otoregresif sinir ağı, ileri kademeli geri yayılımlı sinir ağı.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, jeofizik modellemede yaygın olarak kullanılan global ve geleneksel yöntemlere ek olarak, yapay sinir ağları yöntemleri yeraltı boşluklarına ait rezidüel gravite anomalisinden parametre kestirimi amacıyla kullanılmıştır.
📊
Temel Bulgular & Veri:Yöntemlerin etkinliği yatay silindir gravite anomalisine gürültü eklenerek sınanmıştır.
💡
Sonuç & Katkı:Levenberg-Marquardt algoritması kullanılarak arazi verisinin ters çözümü ile en düşük ortalama karekök hata değeri hesaplanmasına rağmen, hesaplanan derinlik sondajdan bilinen derinlik değerine en uzaktır.Anahtar Kelimeler: Yapay sinir ağları, genetik algoritma, doğrusal olmayan otoregresif sinir ağı, ileri kademeli geri yayılımlı sinir ağı.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Yapay sinir ağları · genetik algoritma · doğrusal olmayan otoregresif sinir ağı

Özet

Bu çalışmada, jeofizik modellemede yaygın olarak kullanılan global ve geleneksel yöntemlere ek olarak, yapay sinir ağları yöntemleri yeraltı boşluklarına ait rezidüel gravite anomalisinden parametre kestirimi amacıyla kullanılmıştır. İleri Beslemeli Geri Yayılımlı sinir ağı günümüzde ters çözüm problemlerinde sıklıkla kullanılan bir yöntemdir. Bu yönteme ek olarak bu çalışmada İleri Kademeli Geri Yayılımlı ve Doğrusal Olmayan Otoregresif sinir ağı, parametre kestirimi için denenmiş ve sonuçlar karşılaştırılmıştır. Ayrıca global bir yöntem olan Genetik Algoritma ve geleneksel bir yöntem olan Levenberg-Marquardt algoritması ile rezidüel anomaliden derinlik ve yarıçap parametreleri hesaplanmış ve sonuçlar karşılaştırılmıştır. Hem teorik hem arazi verisi üzerinde bu yöntemler denenmiştir. Kuramsal çalışmalarda, yeraltı boşluklarını temsil eden yatay silindir modeli kullanılmıştır. Yöntemlerin etkinliği yatay silindir gravite anomalisine gürültü eklenerek sınanmıştır. Hata değerleri incelendiğinde Levenberg-Marquardt algoritması ve doğrusal olmayan otoregresif sinir ağının gürültüden en az etkilenen yöntemler olduğu görülmektedir. Arazi verisi olarak Medford (ABD) alanındaki yeraltı boşluğuna ait rezidüel gravite anomalisi kullanılmıştır. Sonuçlar incelendiğinde ileri beslemeli geri yayılımlı ve doğrusal olmayan otoregresif sinir ağının sondajdan bilinen derinlik değerine en yakın sonucu verdiği görülmektedir. Levenberg-Marquardt algoritması kullanılarak arazi verisinin ters çözümü ile en düşük ortalama karekök hata değeri hesaplanmasına rağmen, hesaplanan derinlik sondajdan bilinen derinlik değerine en uzaktır.Anahtar Kelimeler: Yapay sinir ağları, genetik algoritma, doğrusal olmayan otoregresif sinir ağı, ileri kademeli geri yayılımlı sinir ağı.

🔖

Bu Makaleye Atıf Yap

DOĞRU, F. (2015). Güncel Optimizasyon Yöntemleri Kullanılarak Rezidüel Gravite Anomalilerinden Parametre Kestirimi. Yerbilimleri, Cilt: 36 - Sayı: 1, 31–43. https://ajindex.com/articles/336598

Kaynakça (11)

  1. Abdelrahman, E.M., Bayoumi, A.I., ve El-Araby, H.M., 1991. A least-squares minimizati- on approach to invert gravity data, Ge- ophysics, 56, 1, 115-118.
  2. Basu, A., ve Frazer, L.N., 1990. Rapid determi- nation of critical temperature in simula- ted annealing inversion, Science, 249, 1409-1412.
  3. Başokur, A.T., 2002. Doğrusal ve Doğrusal Ol- mayan Problemlerin Ters-Çözümü. Je- ofizik Mühendisleri Odası Eğitim Yayın- ları, Ankara.
  4. Beiki, M., ve Pedersen, L.B., 2010. Eigenvector analysis of gravity gradient tensor to lo- cate geologic bodies, Geophysics, 75, 6, I37-I49. Butler, D.K., 1984. Microgravimetric and gravity gradient techniques for detection of subsurface cavities, Geophysics, 49, 7, 1084-1096. Calderón-Macías, C., Sen, M.K., ve Stoffa, P.L., Hopfield neural networks, and mean field annealing for seismic de convolution and multiple attenuation, Geophysics, 62, 3, 992-1002. Calderón-Macías, C., Sen, M.K. ve Stoffa, P.L., Automatic NMO correction and velocity estimation by a feedforward neural network, Geophysics, 63, 5, 1696-1707.
  5. Chamoli, A., Srivastava, R.P. ve Dimri, V.P., 2006. Source depth characterization of poten- tial field data of Bay of Bengal by conti- nuous wavelet transform, Indian Journal of Marine Sciences, 35, 3, 195-204.
  6. Dosso, S.E., ve Oldenburg, D.W., 1991. Mag- netotelluric appraisal using simulated annealing, Geophysical Journal Inter- national, 106, 370-85.
  7. Elawadi, E., Salem, A., ve Ushijima, K., 2001. Detection of cavities and tunnels from gravity data using a neural network, Exploration Geophysics, 32, 4, 204-208.
  8. Gupta, O.P., 1983. A least-squares approach to depth determination from gravity data, Geophysics, 48, 3, 357-360.
  9. Günaydın, K., ve Günaydın, A., 2008. Peak gro- und acceleration prediction by artificial neural networks for Northwestern Tur- key, Mathematical Problems in Engine- ering, 2008.
  10. Hajian, A., 2004. Depth Estimation of Gravity Anomalies by Neural Network, M.Sc. Thesis, Tehran University, Iran (in Per- sian). Hajian, A., Styles, P. ve Zomorrodian, H., 2011. Depth estimation of cavities from mic- rogravity data through multi adaptive neuro fuzzy interference system. In: “Near Surface” 2011, Proc. 17th Euro pean Meeting of Environmental and En gineering Geophysics, 12-14 Septem ber 2011,
  11. Leicester, UK. Hajian, A., Zomorrodian, H., ve Styles, P., 2012. Simultaneous Estimation of Shape Fac- tor and Depth of Subsurface Cavities from Residual Gravity Anomalies using Feed-Forward Back-Propagation Ne- ural Networks, Act