عنوان پایان‌نامه
مدلسازی داده های گرانی سنجی زغال بیتومینه دهلران با شبکه عصبی و مقایسه آن با روشهای کلاسیک
- رشته تحصیلی
- مهندسی معدن-اکتشاف معدن
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 44847;کتابخانه پردیس 2 فنی شماره ثبت: 1762
- تاریخ دفاع
- ۱۷ اسفند ۱۳۸۸
- دانشجو
- میثم عابدی
- استاد راهنما
- غلامحسین نوروزی باغکمه, وحید ابراهیم زاده اردستانی
- چکیده
- امروزه روشهای مختلفی برای مدلسازی داده‌های پتانسیل از جمله گرانی‌سنجی وجود دارد؛ اما هر یک از این روش‌ها دارای محدودیت‌هایی است. علاوه بر این محدودیت‌ها، مشکل اساسی در روشهای مدلسازی داده‌های پتانسیل، عدم یکتایی جواب است که باعث ایجاد بی‌هنجاری‌‌های یکسان از مدل‌های مختلف می‌شود. در مدلسازی داده‌های پتانسیل، تنها رسیدن به حداقل خطا بین بی‌هنجاری حاصل از مدل و ساختار واقعی ملاک نیست؛ بلکه مدل نهایی، باید از نظر زمین شناسی نیز تأیید شود. برای مدلسازی داده‌های گرانی معمولاً از شبیه‌سازی شکلهای ساده هندسی استفاده می‌شود و با استفاده از آن یک دید کلی از وضعیت محدوده نهشته بدست می‌آید. چون در برداشت‌های گرانی‌سنجی معمولاً نوفه وجود دارد به شدت نتایج را تحت تأثیر قرار می‌دهد، بنابراین در این پایان‌نامه سعی شده تا با استفاده از روش معکوس‌سازی با شبکه عصبی جواب‌های مناسب‌تری حاصل شود. این روش به همراه روشهای کلاسیک ترسیمی و حداقل میانگین مربعات در ابتدا بر روی مدل‌های مصنوعی آزمایش شد و بعد از آنکه نتایج قابل قبولی حاصل شد روش بر روی داده‌های گرانی‌سنجی صحرائی زغال بیتومینه دهلران اعمال شد. نتایج با حفاری انجام شده در منطقه مطابقت دارد. از آنجایی که معمولاً شکل نهشته‌های مدفون متفاوت از شکلهای ساده هندسی است، در نتیجه برای حصول مدلی دقیق‌تر از روشهای جدید دو بعدی شبکه عصبی تحمیلی و معکوس‌سازی فشرده با معیار توقف تغییر چگالی استفاده شد. برای اینکه نتایج این دو روش مناسب‌تر باشد قبل از اعمال این روش‌ها از نتایج شبیه‌سازی شکلهای ساده هندسی و روش تفسیری گرادیان کامل نرمال شده نیز استفاده شد. نتایج مناسبی برای مدل‌های مصنوعی و داده‌های صحرائی حاصل شده است. معمولاً اکثر نهشته‌ها دارای ساختاری سه بعدی نامشخص می‌باشند، بنابراین از روش جدید بکارگیری شبکه عصبی تحمیلی و معکوس‌سازی فشرده سه بعدی برای این هدف استفاده و نتایج آن با روش گرادیان کامل نرمال شده سه بعدی مقایسه شد. نتایج بدست آمده برای مدل‌های مصنوعی و داده‌های صحرایی قابل قبول می‌باشد و همچنین نتایج روشهای دو بعدی را نیز تأیید می‌کند. در انتها، نتایج بدست آمده برای تخمین ذخیره احتمالی نهشته زغال با استفاده از نرم‌افزار Modelvision استفاده شد.
- Abstract
- Nowadays, there are different methods of potential data (such as gravity) modeling, but the point is that each has some limitations. Basic problem of these modeling methods is non-uniqueness of potential data which make the same anomaly for different models, moreover of these limitations. In the modeling of the potential data not only the least error between the anomaly of the model and real structure isn’t criterion but also final model must be confirmed by the geology. Simulation of simple shapes usually use for gravity data modeling and general view of deposit obtains by use of them. Because of noise on gravity grids, the results severely impress. Therefore, this thesis tries to improve results of inversion method by use of the neural network. At first, this method and other methods such as curves method and least squares minimization method were tested on synthetic data and after obtaining good results used on real data, Dehloran bitumen, that results confirm drilling in the area. Deposit shapes are usually different from simple shapes, so that new 2D methods such as forced neural network and compact inversion with density variation as a stopping criterion were used to get more accurate model. Because of gaining better results by use of two methods, results of using simple shape and normalized full gradient used before applying them. Good results obtained for both of synthetic models and real data. Most deposit have 3D unknown structures, so the new 3D methods such as forced neural network and compact inversion use for this goal and the results compared by the results of 3D normalized full gradient. The results of synthetic models and real data were satisfactory and also they confirmed the results of 2D methods. Finally, obtained results use to estimate probable reservoir of Dehloran bitumen by use of Modelvision software.
