چکیده

در این پژوهش، دو مدل معماری از شبکه‌های عصبی همآمیختی (CNNs) برای طبقه‌بندی رخساره‌های لرزه‌ای آموزش داده می‌شوند. با بکارگیری روش یادگیری ‌عمیق، مدلی مناسب برای آموزش شبکه عصبی بر روی رخساره‌ها‌ی لرزه‌ای و تفسیری خودکار از طبقه بندی آن ارائه می‌شود. برای تسریع در انجام کار، از روش یادگیری انتقال، برای بهره‌مندی از شبکه‌های از پیش آموزش‌داده شده -که بر روی پایگاه داده‌ها و مجموعه داده‌های بزرگ برچسب‌گذاری شده‌اند- استفاده می‌شود. شبکه‌های عصبی، دوباره آموزش داده شده و سپس داده‌ها با چندین پارامتر مختلف تولید می‌شوند. عملکرد مدل‌های شبکه عصبی همآمیختی، در طبقه‌بندی رخساره‌های لرزه‌ای -بر روی مقطع مورد نظر‌ از مجموعه داده‌های لرزه‌ای- ارزیابی می‌شود. در این پژوهش از CNN ها در تفسیر داده‌ی دریایی بلوک F3 هلند، برای پشتیبانی از تفسیر خودکار استفاده می‌شود. در نهایت، استفاده از مدلی بهینه برای طبقه بندی سایر مقاطع لرزه‌ای مورد ارزیابی قرار می‌گیرد.

کليدواژه ها

یادگیری عمیق، یادگیری انتقال، طبقه‌بندی رخساره‌های لرزه‌ای، شبکه‌های عصبی همآمیختی

کد مقاله / لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است :

نحوه استناد به مقاله

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
الهام ادیبی دوغائی , 1400 , مقایسه دو معماری CNN در تحلیل رخساره های لرزه ای F3 , دومین همایش ملی پردازش سیگنال و تصویر در ژئوفیزیک