توسط پژوهشگران دانشگاه تهران محقق شد
نوآوری در تخمین مدلهای الاستیک زیرسطحی با بهره گیری از هوش مصنوعی
پروژه آسان: پژوهشگران دانشگاه تهران، راه تازه ای برای مدل سازی خواص الاستیک زیرسطحی دارای قدرت تفکیک بالا، با بهره گیری از داده های ژئوفیزیکی و بهره گیری از روش یادگیری عمیق پیشنهاد دادند که می تواند در اکتشاف منابع زیرسطحی مانند میادین نفتی مؤثر و راهگشا باشد.
به گزارش پروژه آسان به نقل از ایسنا، پژوهش تازه ای که در قالب رساله دکتری مهدی سعادت، دانشجوی رشته ژئوفیزیک – لرزه شناسی دانشگاه تهران، و به راهنمایی دکتر حسین هاشمی شاهدانی و دکتر مجید نبی بیدهندی، اساتید مؤسسه ژئوفیزیک دانشگاه تهران انجام شده، بر ارتقای استفاده از هوش مصنوعی در مدل سازی با قدرت تفکیک بالا از خواص الاستیک زمین در محیط های پیچیده ساختاری متمرکز است.
هاشمی، عضو گروه فیزیک زمین مؤسسه ژئوفیزیک دانشگاه تهران، درباره ی بهره گیری از هوش مصنوعی، و به طور دقیقتر روش های یادگیری ماشین و یادگیری عمیق در علم ژئوفیزیک اظهار داشت: روش های یادگیری ماشین که از مثال های حل شده و برچسب دار برای آموزش تابع نگاشت بین ورودی و خروجی استفاده می نمایند، در دهه های اخیر مورد اقبال محققان در علوم مختلف قرار گرفته اند. در این بین، استفاده از روش های یادگیری عمیق بدلیل قابلیت یادگیری فرآیندهای پیچیده و از سویی پیشرفت های محاسبات موازی، بیشتر مورد توجه بوده است. حوزه ژئوفیزیک و لرزه نگاری نیز مانند سایر علوم از این تکنیک های پیشرفته در قسمت های مختلف پردازش، تفسیر، و وارون سازی داده های لرزه ای بهره مند شده است.
استاد دانشگاه تهران در این زمینه اضافه کرد: مسائلی که با بهره گیری از یادگیری عمیق مورد بررسی قرار می گیرند، عمدتا شامل دسته بندی و رگرسیون می شود. در مسائل دسته بندی از آنجائیکه به طور معمول رابطه ریاضیاتی ضابطه مندی بین ورودی و خروجی وجود ندارد، یادگیری عمیق انتخاب مناسبی برای یادگیری یک ارتباط تجربی بین جفت های ورودی و خروجی است. اما در بعضی مسائل رگرسیون، روابط و مدلهای ریاضیاتی و فیزیکی ضابطه مندی بین داده ها برقرار است. در چنین شرایطی استفاده از روش های بطورکامل مبتنی بر داده این مزیت را دارد که از دشواری کار با مدلهای پیچیده ریاضیاتی می کاهد، در صورتیکه برای به دست آوردن یک تابع نگاشت تعمیم پذیر برای چنین مسائل پیچیده ای به حجم زیادی از داده های متنوع نیاز داریم که حجم و زمان محاسبات را بطور فزاینده می افزاید.
هاشمی در توضیح تکنیک وارون سازی شکل موج کامل اظهار داشت: یکی از ابزارهای مهم در تصویرسازی از زیر سطح زمین، وارون سازی داده های لرزه ای است. وارون سازی عبارت است از رسیدن به یک مدل الاستیک زیرسطحی از زمین با بهره گیری از داده های زمان رسید، دامنه و شکل موج لرزه بازتابی که در سطح زمین ثبت شده اند. روش وارون سازی شکل موج لرزه ای با مهارتهای شبکه های یادگیری عمیق، از تازه ترین روش های رسیدن به اطلاعات زیرسطحی زمین است. این شبکه ها می توانند مدلهای پیچیده را با قدرت تعمیم پذیری بالا تخمین بزنند. برای بهبود تعمیم پذیری این پروسه می بایست مثال های مختلفی در یادگیری شبکه به کار برد. به عنوان مثال در تکنیک وارون سازی شکل موج کامل (FWI) که یک روش ساخت مدل سرعتی با قدرت تفکیک بالا از داده های لرزه ای است، مجموعه داده های آموزشی باید تمام مدلهای زیرسطحی مورد انتظار را دربرگیرد.
مهدی سعادت، پژوهشگر حوزه ژئوفیزیک، درباره ی استفاده از یادگیری عمیق در FWI اظهار داشت: برای حصول یک مدل سرعتی دقیق با بهره گیری از FWI باید بر چالش های گوناگون مسئله وارون سازی غلبه کرد. همچون چالش های مسأله وارون سازی، حجم بالای محاسبات و زمان بر بودن آن، وابستگی شدید به مدل اولیه، ساخت مدل اولیه، مشکل پایداری و غیریکتایی مسئله وارون است. تا کنون پژوهشگران بسیاری برای حل این چالش ها از یادگیری عمیق بهره برده اند. در این تلاش ها، از روش های بطورکامل مبتنی بر داده برای تخمین مستقیم مدل سرعتی و عملگر وارون بهره گرفته شده است. با این وجود، نقطه ضعف این تکنیک ها بیشتر در رابطه با تعمیم پذیری آنها است.
سعادت درباره ی راه حل ارائه شده در پژوهش اخیر پژوهشگران مؤسسه ژئوفیزیک دانشگاه تهران اظهار داشت: در این مطالعه، با ارائه روشی نوین برای ساخت داده های لازم بمنظور آموزش تعمیم پذیر شبکه های یادگیری عمیق و طراحی یک تابع هدف خلاقانه برای مسأله وراون سازی شکل موج کامل و مهندسی خاصیت های شبکه عصبی عمیق، سعی شده است که تعمیم پذیری این تکنیک ها بهبود یابد.
این دانش آموخته دانشگاه تهران ضمن اشاره به منتشر شده های این مطالعه در نشریه Petroleum Science درباره ی دیگر پژوهش های این تیم تحقیقاتی اضافه کرد: دسته دیگری از روش های یادگیری عمیق، از فیزیک مسأله مورد نظر (در این مورد، معادله موج) برای دستیابی به یک مدل تعمیم پذیر استفاده می نمایند. مزیت این تکنیک ها در عدم نیاز به حجم داده های زیاد برای آموزش تعمیم پذیر و حل مسئله به صورت بدون نظارت است. در عین حال، می توان روش های مبتنی بر داده را با روش های مبتنی بر فیزیک ترکیب کرد و از مزایای هر دو روش بهره مند شد. نتایج مطالعات روی این دسته از مدلها نیز به زودی منتشر خواهد شد.
مقاله پخش شده در Petroleum Science بوسیله پیوند زیر در دسترس است: Generalizable data driven full waveform inversion for complex structures and severe topographies
این مطلب پروژه آسان را پسندیدید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب