Inversion of Vertical Electrical Sounding Data by Using General Regression Neural Network

Düzce Üniversitesi Bilim ve Teknoloji Dergisi Pub Date : 2024-01-26 DOI:10.29130/dubited.1100533

Doğukan Durdağ, E. Pekşen

{"title":"Inversion of Vertical Electrical Sounding Data by Using General Regression Neural Network","authors":"Doğukan Durdağ, E. Pekşen","doi":"10.29130/dubited.1100533","DOIUrl":null,"url":null,"abstract":"Düşey elektrik sondajı (DES) verilerinin ters çözümü doğrusal olmayan bir problem olması nedeniyle zor bir işlemdir. Bu çalışmada, genelleştirilmiş regresyon sinir ağlarının özdirenç problemine uygulanabilirliği araştırılmıştır. Genelleştirilmiş regresyon sinir ağları (GRNN) ile düşey elektrik sondajı verilerinin ters çözümü test edilmiştir. Sinir ağı düz çözüm ile oluşturulan yapay verilerle eğitilmiştir. Ağ hem eğitim seti içinde bulunmayan diğer yapay veriler ile hem de arazi verisi ile test edilmiştir. Ayrıca GRNN parametresi olan yayılım parametresi de farklı değerler kullanılarak karşılaştırılmıştır. En düşük hata oranını veren yayılım parametresi kullanılmıştır. Yapay veriler 3 tabakalı modellerdir. Arazi verisi ise 4 tabakalı olarak değerlendirilmiştir. GRNN çıktısı yapay verilerde 3 tabakalı model için 3 özdirenç ve 2 tabaka kalınlığı olmak üzere 5 parametredir. Arazi verisinde ise 4 tabakalı bir model için 4 özdirenç ve 3 tabaka kalınlığı olmak üzere 7 parametredir. GRNN ile ters çözüm sonuçları çok düşük hata oranları ile başarılı olmuştur. DES verilerinin kalınlık ve özdirenç kestirimleri için GRNN yöntemi performansı yüksek bir oranda başarılı olmuştur.","PeriodicalId":11443,"journal":{"name":"Düzce Üniversitesi Bilim ve Teknoloji Dergisi","volume":null,"pages":null},"PeriodicalIF":0.0000,"publicationDate":"2024-01-26","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Düzce Üniversitesi Bilim ve Teknoloji Dergisi","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.29130/dubited.1100533","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}

引用次数: 0

Abstract

Düşey elektrik sondajı (DES) verilerinin ters çözümü doğrusal olmayan bir problem olması nedeniyle zor bir işlemdir. Bu çalışmada, genelleştirilmiş regresyon sinir ağlarının özdirenç problemine uygulanabilirliği araştırılmıştır. Genelleştirilmiş regresyon sinir ağları (GRNN) ile düşey elektrik sondajı verilerinin ters çözümü test edilmiştir. Sinir ağı düz çözüm ile oluşturulan yapay verilerle eğitilmiştir. Ağ hem eğitim seti içinde bulunmayan diğer yapay veriler ile hem de arazi verisi ile test edilmiştir. Ayrıca GRNN parametresi olan yayılım parametresi de farklı değerler kullanılarak karşılaştırılmıştır. En düşük hata oranını veren yayılım parametresi kullanılmıştır. Yapay veriler 3 tabakalı modellerdir. Arazi verisi ise 4 tabakalı olarak değerlendirilmiştir. GRNN çıktısı yapay verilerde 3 tabakalı model için 3 özdirenç ve 2 tabaka kalınlığı olmak üzere 5 parametredir. Arazi verisinde ise 4 tabakalı bir model için 4 özdirenç ve 3 tabaka kalınlığı olmak üzere 7 parametredir. GRNN ile ters çözüm sonuçları çok düşük hata oranları ile başarılı olmuştur. DES verilerinin kalınlık ve özdirenç kestirimleri için GRNN yöntemi performansı yüksek bir oranda başarılı olmuştur.

查看原文

微信好友朋友圈 QQ好友复制链接

本刊更多论文

利用一般回归神经网络反演垂直电探测数据

由于问题的非线性，垂直电探测（DES）数据的逆解是一项艰巨的任务。本研究探讨了广义回归神经网络对电阻率问题的适用性。使用广义回归神经网络（GRNN）来测试垂直电探测数据的反解。神经网络是通过平面解法生成的人工数据进行训练的。用训练集中未包含的其他人工数据和实地数据对该网络进行了测试。此外，还对作为 GRNN 参数的传播参数使用不同值进行了比较。采用误差率最低的传播参数。人工数据为 3 层模型。实地数据评估为 4 层模型。在人工数据的 3 层模型中，GRNN 输出为 5 个参数、3 个电阻率和 2 层厚度。在实地数据中，4 层模型的输出为 7 个参数，包括 4 个电阻率和 3 层厚度。使用 GRNN 方法的逆解结果非常成功，误差率非常低。GRNN 方法在 DES 数据的厚度和电阻率估算中表现非常成功。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文去求助

来源期刊

Düzce Üniversitesi Bilim ve Teknoloji Dergisi

自引率

0.00%

发文量