تخمین عمق بی هنجاریهای گرانی با استفاده از شبکه های عصبی هاپفیلد

نویسندگان

1 مربی، گروه فیزیک، دانشگاه آزاد اسلامی واحد نجف آباد، ایران

2 دانشیار، گروه فیزیک زمین، مؤسسة ژئوفیزیک دانشگاه تهران و قطب علمی مهندسی نقشه‌برداری و مقابله با سوانح طبیعی، تهران، ایران

3 استاد، دانشکده برق وکامپیوتر دانشگاه تهران وقطب علمی کنترل وپردازش هوشمند ،تهران،ایران

چکیده

در این مقاله روش شبکه عصبی هاپفیلد برای تفسیر هوشمند داده های گرانی استفاده شده است. یک شبکه عصبی هاپفیلد برای تخمین عمق چشمه گرانی طراحی شده است. این شبکه طراحی شده برای داده های مصنوعی و واقعی آزمایش شده اند.
در مورد داده های واقعی این شبکه برای تخمین عمق یک تونل قنات واقع در موسسه ژئوفیزیک به کار برده شده و نتایج حاصله به مقادیر واقعی عمق بسیار نزدیک است.

کلیدواژه‌ها


عنوان مقاله [English]

Depth estimation of gravity anomalies using Hopfield Neural Networks

نویسندگان [English]

  • Ali Reza Hajian 1
  • Vahid Ebrahim Zadeh Ardestani 2
  • Car Lucas 3
1
2
3
چکیده [English]

The method of Artificial Neural Network is used as a suitable tool for intelligent interpretation of gravity data in this paper.
We have designed a Hopfield Neural Network to estimate the gravity source depth. The designed network was tested by both synthetic and real data. As real data, this Artificial Neural Network was used to estimate the depth of a Qanat (an underground channel) located at north entrance of the Institute of Geophysics and the result was very near to the real value of the depth.

کلیدواژه‌ها [English]

  • Artificial Neural Network
  • depth estimation
  • Gravity
  • Hopfield