برآورد سطح استاتیک آب زیرزمینی و جنس رسوبات با کمک داده های ژئوالکتریک بوسیله مدل شبکه عصبی MNN درمعدن سنگ آهن گل گهر سیرجان
| دسته | آب شناسی |
|---|---|
| گروه | سازمان زمین شناسی و اکتشافات معدنی کشور |
| مکان برگزاری | بیست و پنجمین گردهمائی علوم زمین |
| نویسنده | سعید مکنونی گیلانی |
| تاريخ برگزاری | ۰۱ اسفند ۱۳۸۵ |
مقدمه :
جستجو براى مدلى که در آن حدود مساله بتواند براى به حافظه سپارى در زمان محاسبه شبکه عصبى مصنوعى و افزایش تجربیات رایانه بکار رود، همواره توسط محققین ادامه داشته است(Krom and Rosberg, ۱۹۹۸). هوش مصنوعى همانگونه که از اسم آن پیداست، در واقع یک رایانه را قادر به تفــــکر مى کند. با ساده کردن برنامه هایى و در کنار هم گذاشتن آنها ، هوش مصنوعى پایه آموختن انسان را تقلید کرده و به جذب اطــلاعات جـدید در جهت بکار گیرى در مراحـل بعدى مى پردازد (کاوه و همایون ثروتى، ۱۳۸۰).
شبکه عصبى مصنوعى بر اساس تشابه ساز و کار شبکه عصب بیولوژیکى با این ساخته دست بشر است که در سطوح گسترده اى در زمینه کارى مختلفى چون خواص نورى و یا روبوتى و یا کاربرد هاى تخصصى تر از جمله هیدروژئولوژى ، چندى است که مورد توجه محققین زیادى قرار گرفته است. تحلیل ساختمان هاى متغیر داده هاى به شدت غیر خطى که چند ورودى وچند خروجى دارد، مى تواند تا حدى گیج کننده باشد. شبکه هاى عصبى مصنوعى مى توانند ارتباط پیچیده بین مدل متغیر هاى ورودى و خروجى را ردیابى نمایند. تئورى نشان مى دهد که شبکه هاى عصبى مصنوعى مانند RBFN ، MNN و BP مى تواند هر تابع پیوسته اى را با هر درجه دقتى تقریب بزند (منهاج ،۱۳۷۷). شبکه هاى عصبى مصنوعى مى توانند به عنوان یک نمونه مورد آزمایش جهت تنظیم داده ها ى موجـــود بکـــار رونـد (Schaap and Bouten, ۱۹۹۶).
با افزایش بار آبى مزاحم محدوده معدن سنگ آهن گل گهر سیرجان، به ۳۵ متر در پله دهم استخراج و رسیدن دبى زهکشى به بیش از ۴۳ لیتر در ثانیه، عملیات استخراج سنگ آهن با مشکل بالا رفتن هزینه هاى آتشبارى مواجه شده است. پس از بررسى چالش هاى مختلف در مبحث مدیریت منابع آب معدن مثل افزایش نیاز به آب در طرحهاى توسعه و کارخانه فرآورى، محدودیت منابع آب شیرین موجود جهت تامین آب مورد نیاز این طرح ها و نیاز به وجود سد رسوبگیر؛ گزینه هاى مختلفى بررسى گردید که از آن میان طرح حفر چاه هاى عمیق دراطراف کاواک معدن مورد توجه قرار گرفت. در انتخاب این گزینه علاوه بر در نظر گرفتن چهار هدف زنجیره اى بازیافت هر چه بیشترآب غیر قابل شرب معدن، خشک کردن چال هاى انفجارى تر،کاهش هزینه هاى آتشبارى و در نهایت تصفیه آن، هدف بسیار مهم حفظ آب هاى شیرین زیرزمینى این معدن که اخیرا از لحاظ کیفى و کمى با مخاطراتى همراه بود مد نظر قرار داشت. با بررسى آمارى دبى خروجى آب شور از پیت به میزان حداقل ۳/۶۷ لیتر در ثانیه برآورد گردیدکه رسیدن به آن از طریق زهکشى به صورت فعلى مقدور نمى باشد. از پردازش داده هاى مربوط به ۴۰۹ نقطه فصل مشترک بین خاک و سنگ در معدن شماره یک گل گهر جهت تعیین گسل هاى عمده، وضعیت سنگ کف و محدوده هاى تغذیه پیت معدن استفاده شد و با استفاده از سطح دینامیکى آب محاسبه شده در کاواک معدن، ارتفاع بار آبى در هر نقطه بدست آمد و از این طریق مختصات بهینه براى حفر حداقل ۷ چاه عمیق در نقاط با پتانسیل بیشتر تعیین شد. جهت تکمیل مطالعات از بررسى هاى ژئوالکتریک در ۴ لاین اطراف کاواک معدن استفاده شد. در این بررسى ها از روش اشلومبرگر و CRP و نیم اشلومبرگر استفاده شد. چاه هایى با بیشترین آبدهى براى انجام عملیات پمپاژ و بدست آوردن ضرایب هیدرودینامیکى لازمه مدل آب زیرزمینى محدوده مدل در دور معدن پیشنهاد گردید و حفارى در آن صورت گرفت. نمونه هاى رسوب شناسى با عمق ۳ مترى نسبت به هم از کاتینگ حفارى تهیه گردید و بدینوسیله ستون رسوبى محل هاى حفارى تعیین گردید. از سوى دیگر نیز بررسى هاى ژئوالکتریک نیز تکمیل گردید. نا همخوانى هایى در براورد سطح آب زیرزمینى و نیز نوع رسوبات محل سونداژ مشاهده شد.
این مقاله در راستاى این هدف گام بر مى دارد که چگونه مى توان سطح استاتیک آب زیرزمینى و ستون رسوبشناسى در محدوده کاواک معدن را با توجه به داده هاى ژئوالکتریک و بوسیله یک شبکه عصبى مصنوعى مدل کرد.
◊◊◊◊◊◊◊
۱- تئورى شبکه عصبى MNN :
شبکه عصبى Modular Neural Network و یا MNN شبکه اى قانونمند است که شامل گروهى از شبکه عصبى با مهارت محلى مخصوص خودشان را مى سازد، مثل شبکه عصبى Jordan و Nowlan و Hinton و یک Gating Network. از این نوع از شبکه در هر موقعیتى که از شبکه برگشـــــــت به عقب BP استفاده مى شود مى توان استفاده نمود. از جمله در :
۱. شبکه مدلسازى
۲. پیش بینى
۳. طبقه بندى
۴. فیلتر کردن
شبکه مدولار به عملکرد “مخلوط هاى انطباقى کارشناســــــان محلـــــى “ که توسط Jordan Nowlan ,Jacobs و Hinton ابداع شده تکیه دارد. این شبکه شامل یک گروه از شـبکه هاى BP (به نام کارشناسان محلى یا Local Expert ) است که براى حل جنبه هاى مختلف یک مساله با هم رقابت مى نمایند. یک “ دروازه شبکهGating Network“ رقابت را کنترل کرده و جهت تعیین بخش هاى مختلف فضاى داده ها براى شبکه هاى مختلف آموزش مى بیند. بنا بر این شبکه عصبى مدولار تعمیمى از شبکه عصبى برگشت به عقب با دیدگاهى هوشمندانه تر و کنترل شده تر مى باشد. توضیحى ساده از مفاهیم شبکه عصبى مدولار با کوشش جهت تولید تابع قدر مطلق مى تواند بدست آید. تابع قدر مطلق زیر مفروض است :
y=|x|
که مى توان آنرا به صورت زیر نوشت :
y=-x اگر x<۰
این تابع براى مقادیر مثبت x یک تابع خطى است و براى مقادیر منفى آن نیز تابع خطى دیگرى است و مى تواند براحتى با دو شبکه عصبى خطى حل گردد. به منظور یکى کردن این دو شبکه خطى از طریق روش افزایشى با حذف دو تابع خطى به یک تابع خطى ثابت مى توان رسید. با شبکه عصبى مدولار دروازه شبکه آموزش مى بیند که یک شبکه عصبى خطى و یا دیگر شبکه هاى وابسته به ورودى را انتخاب نماید .
در حقیقت فایده اى که کاربرد شبکه عصبى ممکن است داشته باشد، در طراحى صحیح یک کنترلگر شبکه عصبى است. یک کنترلگر توسط عبارات ریاضى داخل شبکه تغذیه مى شود. اختلاف بین این جملات ممکن است بر طبق شرایط کاربرى بسیار متفـــاوت شبکه که در آن نیاز هاى اساسى مختلفى کنترل مى شود، تغییر نماید. این مشکل بوسیله جدول بندى شناخته شده است. دروازه شبکه بطور اتوماتیک آموزش مى بیند که چگونه مشکل را دسته بندى کرده و کارشناسان محلى مختلف را براى کنترل نقاط مختلف در فضا هاى جملات واگذار نماید.
هم دروازه شبکه و هم کارشنــــاسان محلى با لایه ورودى ارتباط دارند. گره هاى خروجى دروازه شبکه نیز به اندازه تعداد کارشناسان محلى است، با دادن یک وکتور ورودى به هر نود ورودى، هر کـــــدام از این نود هاى خروجى که مى تواند به عنوان احتمال قبلى که مطابق با کارشناس محلى مربوطـــــه باشد، مى تواند مورد استفاده قرار گیرد. این احتمال قبلى جهت دادن یک مجموع اوزان خروجى از کارشــناسان محلى مورد استفاده قرار مى گیرد.
در حین آموزش خروجـــــى دلخواه جهت احتمـال بعدى (بر اساس حدس هاى مربوط به توزیع خطاى کارشناسان محلى ) توسط اوزان خطا هاى خروجى بوسیله احتمالات قبلى از دروازه شبکه ، آموزش داده مى شود. این اوزان خطاها معمولا به عقب برگردانده مى شود. این آموزش شماتیک تمایل دارد که این حس رقابت را بین کارشناسان محلى تشویق نماید. در صورتى که یک کارشناس محلى شروع به پاسخگویى به بخشى از فضاى ورودى بنماید، دروازه شبکه اوزان خطاى کارشناس محلى را بیشتر از سایر کارشناسان محلى تشویق خواهد نمود.
در صورتیکه هر کارشناس محلى مورد استفاده یک شبکه عصبى مدولار باشد، این طرح شماتیک مى تواند توسعه داده شود. فرضـیات مربوط به توزیع خطا هاى کارشناسان محلى نیز با افزودن جملات واریانس تغییر مى یابد. این جملات در بخشى از آموزش جدید مى شود.
۲- روش ساخت مدل شبکه عصبى :
ابتدا براى ساخت فایل هاى داده هایى که بتواند توسط نرم افزار تخصصى Professional II/PLUS مورد استفاده قرار گیرد(شکل ۱)، از بانک اطلاعاتى سطح آب زیرزمینى در محدوده معدن استفاده گردید.
این داده ها شامل سطح استاتیک آب در چاه هاى حفر شده محدوده معدن، بهنگام سونداژ بود . نیز رسوبات نمونه بردارى شده با استفاده از کد هاى بیست گانه اى براى نرم افزار تعریف شدند(جدول۱).
فایل داده هاى خام بدینوسیله تشکیل گردید. از بیست و دو عدد اول این فایل بعنوان ورودى Input و از عدد بیست و سه تا هفتاد و سه بعنوان پنجاه و یک عدد Output استفاده گردید.
جدول ۱- کد رسوبات
تعداد رکورد هاى داده هاى فایل خام اولیه، بدین ترتیب به ۲۶ نقطه مى رسد. از این داده ها، داده هاى ۲۰ نقطه در فایل آموزشى و داده هاى ۶ نقطه نیز در فایل آزمایشى ذخیره گردید و براى نرم افزار تعریف شد. آموزش بر روى پنج نوع شبکه BP و RBFN و GRR و بالاخره MNN انجام شد. در ابتدا ملاک تشخیص اولیه جواب بهینه ، میزان خطاى RMS بود. بدین ترتیب بسیارى از شبکه هاى آزموده شده با خطاى بیش از ۰.۲۵ > RMS از گزینه بهترین جواب ها حذف شدند.
در خلال آموزش، بسیارى از پارامتر ها منجمله تعداد عناصر عملیاتى ، تعداد لایه هاى پنهان، مقدار مومنتوم، مقدار ضریب آموزش، توابع ترانسفر و توابع آموزشى، تعداد تکرار آموزش و غیرو بصورت تصادفى عوض شده و جواب ها با هم مقایسه گردید. از تجربیات قبلى کار با شبکه در تعیین تعداد عناصر عملیاتى لایه هاى پنهان استفاده گردید(مکنونى و دیگران، ۱۳۸۱).
جهت مرحله بعدى انتخاب بهترین شبکه، در مورد هر مدل مابین منحنى پیش بینى شده با منحنى تجربى بدست آمده از بانک اطلاعاتى تجربى، مقایـسه اى صورت گرفت. انطباق هر چه بیشتر این دو منحنى مى توانست جواب بهینه را مشخص سازد(شکل ۲).
در انتها و پس از آزمایش بیش از چندین مدل مختلف، بهترین شبکه با مشخصات زیر بدست آمد : ۱>نوع شبکه MNN / تابع ترانسفر TanH /تابع آموزشى ExtDBD/ تعداد لایه پنهان ۱/ تعداد سلول عصبى لایه پنهان ۳۷/ مومنتوم ۰.۱/ ضریب آموزش ۰.۱ / دوره تکرار آموزش ۱۸۸۷۰۰۰
خطاى بدست آمده توسط شبکه فوق نیز به مقدار قابل ملاحظه RMS = ۰.۰۰۰۶ رسید که در نوع خود کم نظیر بود. سطوح گرافیکى ترسیمى نشان دهنده انطباق مناسب بین سطوح تخمین زده شده و سطوح مشاهده اى است(شکل ۲). اگر چه که قبلا این شبکه در پیش بینى عمق سطح آب هاى زیر زمینى توسط کولى بالى و دیگران استفاده شد و نتایج قابل قبولى از آن بدست نیامد(Coulibaly et al., ۲۰۰۱ ) اما تجربه چند ساله شبکه هاى عصبى مصنوعى ثابت کرده است که هیــــچ دو مساله اى را نمى توان یافت که با یک شبکه خاص بتوان از آنها جواب گرفت، گرچه که زمینه عملى آن دو یکى باشد.
از لحاظ پیش بینى جنس رسوبات تا حد زیادى انطباق بین رسوبات مشاهده شده و رسوبات پیش بینى شده دیده مى شود. بطوریکه در شکل ۴ مشاهده مى شود تا حد زیادى این پیش بینى درست بوده است.
◊◊◊◊◊◊◊
نتیجه گیرى :
شبکه هاى مصنوعى عصبى قادر به پیش بینى سطح استاتیک آب زیرزمینى و جنس رسوبات با توجه به داده هاى ژئوالکتریکى هستند. براى تشخیص این سطح در نقاط مختلف، راه هاى تجربى فراوانى وجود دارد که همگى وقت گیر و پر هزینه هستند. با استفاده از چنین مدلى که عملا بعد از آموزش مدل و تثبیت اوزان شبکه، براى هر نقطه فقط نیاز به تهیه نتایج ژئوالکتریک آن نقطه دارد، مى توان با کمینه مصرف انرژى، زمان و هزینه، به نتایج جالب توجهى دست یافت که همانطور که در نمودار ها مشاهده مى گردد، هم خوانى نسبتا خوبى با مشاهدات اندازه گیرى شده آزمایشگاهى و صحرایى دارد .
فرایند کالیبراسیون ساختار شبکه عصبى در طى آموزش با هدف هاى :
i) کــــــم کردن خطاى RMS و
ii) هم پوشانى منحنى هاى پیش بینى و هدف بر هم در زمان تست، انجام شد.
خطاى مزبور در ساختار شبکه عصبى MNN یکى از کمترین خطا هاى بدست آمده بوده است. بدلیل ساختار مناسب تر این شبکه خصوصا استفاده از MNN، بدین وسیله بهترین هم پوشانى نیز حاصل گردیده است. در این تحقیق و با مشخصات ذکر شده، ساختار پیشنهادى قادر به پیش بینى سطح استاتیک آب در محدوده وسیع معدن در حال زهکشى است.
در نهایت اینکه شبکه هاى عصبى مصنوعى مى توانند در سایر حیطه هاى علوم خاکى و یا آبشناسى و آبهاى زیر زمینى بویژه در چنین مواردى که مکانیسم هاى زیر سطحى قابل دسترسى مستقیم نیستند، و نیاز شدیدى به اطلاعات از داخل زمین است ،با توجه به داده هاى مشابهى که تا کنون از داخل زمین و براى موارد مشابه بدست آمده است، از مدل هاى مختلف شبکه عصبى استفاده نمود. البته براى درک درست تر از مفاهیم اجرایى شبکه عصبى و انطباق آن با مفاهیم تحلیلى ارتباط بین دو منحنى نیاز به یک مدل مفهومى داریم .
◊◊◊◊◊◊◊
منابع فارسى :
۱- کاوه، ع. و ثروتى، ه.، شبکه هاى عصبى مصنوعى در تحلیل و طراحى سازه ها ، مرکز تحقیقات ساختمان و مسکن، ۱۸-۸۳ ، ۱۳۷۸
۲- مکنونى گیلانى، سعید؛ نخعى، محمد و لشکرى پور، غلامرضا، براورد منحنى هدایت هیدرولیکى غیر اشباع خاک از روى منحنى دانه بندى آن با استفاده از شبکه عصبى مصنوعىRBFN، ششمین انجمن زمین شناسى ایران، ۱۳۸۱.
۳-منهاج، م.، مبانى شبکه هاى عصبى، دانشگاه صنعتى امیرکبیر، ۴۹۷ صفحه، ۱۳۷۷
◊◊◊◊◊◊◊
References:
۴-Bowden, G., Maier, H. and Dandy, G., Optimal division of data for neural network models in water resources applicatios, J. Water Resources Reasearch, ۳۸(۲):۱-۱۱, ۲۰۰۲
۵-Coulibaly, P., Anctil, F., Aravena, R. and Bobee, B., Articial neural network modeling of water table depth fluctuations, J. Water Resources Reasearch,۳۷(۴):۸۸۵-۸۹۵, ۲۰۰۱
۶-Krom, T.D. and Rosberg, D., An artificial neural network based groundwater flow and transport simulator, Neural network simulator,Black Hall P., ۱-۱۷, ۱۹۹۸
۷-Schaap M.G. and Bouten, W., Modeling water retention curves of sandy soil using neural networks , J. Water Resources Reasearch, ۳۲(۱۰): ۳۰۳۳-۳۰۴۰, ۱۹۹۶
سعید مکنونی گیلانی
واحد آبشناسی مدیریت امور معدن مجتمع سنگ آهن گل گهر سیرجان
◊◊◊◊◊◊◊
چکیده:
استفاده از داده های ژئوالکتریک برای براورد سطح استاتیک آب زیرزمینی و جنس رسوبات در بسیاری از مناطق کشور معمول گردیده است. تفسیر داده های این روش با استفاده از منحنی های آباک و یا نرم افزارهای ویژه ژئوالکتریک صورت می گیرد، که همواره با خطاهایی همراه است. با استفاده از تکنیک شبکه عصبی مصنوعی از مجموعه روش های هوش مصـــنوعی، این براورد با خـــطای نسبتا خوب RMS = 0.0006 انجام پذیرفت. در فرایند ساخت شبکه عصبی و برای یافتن شبکه بهینه از روش عمومی تشخیص شبکه استفاده شد. طبق معمول ایــــــن روش 80% داده های به ثبت رسیده معدن برای مرحله آموزشی شبکه و 20% برای مرحله آزمایشی شبکه در نظر گرفته شد. فایل داده ها در هر مورد شامل بیست و دو پارامتر مقاومت ویژه اعماق مختلف بروش اشلومبرگر بعنوان متغیرهای ورودی و پنجاه و یک پارامتر که به ترتیب اولی مربوط به سطح استاتیک آب زیرزمینی در محل سونداژ و پنجاه پارامتر هم مربوط به جنس رسوبات تا 150 متری نقطه سونداژ، بعنوان متغیر خروجی بود. تاثیر انواع قوانین آموزشی، توابع مختلف ترانسفر، تعداد لایه های پنهان و تعداد عناصر عملیاتی هر لایه پنهان و بسیاری دیگر از عوامل موثر در بهینه کردن شبکه و کاهش خطای RMS بررسی شد و در نهایت، شبکه عصبی مصنوعی مدل MNN با 37 عنصر عملیاتی در لایه یک پنهان، با تابع آموزشی Ex DBD و تابع محرک TanH با چرخه 1887000 دور آموزش انتخاب شد. مقایسه سطح پیش بینی شده حاصل از این روش و سطح مشاهده ای از همخوانی زیادی برخوردار است.
Abstract :
Using of the geoelectric data to determination of the static G.W surface & sedimentology of each point is current. To interpret data in this method is usually used the geoelectrical curves & some softwares, whose were associated with inaccuracy. Using artificial neural network the estimation techniques of this surface occurred with relatively acceptable RMS=0.0006. Because of unavailability of any prediction report about the process of neural network modeling for obtain the process of the optimum network, the common method of network recognition was make use. As usual %80 of mine standard data was used for learning stage and %20 of them was used for testing stage. The data files of each point included of the twenty two variables geoelectrical apparent resistivities and the fifty one, 1 the static G.W & 50 the sedimentological characteristics, variables as output. The effect of various learning rules, transfer functions, the number of hidden layers and P.E in each hidden layer and many other effective factors was investigated and the final model of MNN with 37 P.E in the hidden with Ex DBD learning rule, TanH transfer function and epoch learning 1887000 was selected. The comparison of predicted surface and observed surface indicate a high accordance