معرفی روشی کم هزینه و خودکار در تولید انبوه داده مخزنی برای آموزش الگوریتم یادگیری عمیق با استفاده از شبیه سازی متوالی مستقیم
سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 23
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JRAG-8-3_001
تاریخ نمایه سازی: 27 فروردین 1403
چکیده مقاله:
موفقیت های اخیر در روش های وارون سازی شکل موج کامل مبتنی بر داده، منجر به رشد سریع تقاضا برای مجموعه داده های قابل دسترس به منظور استفاده در این مسائل شده است. کمبود مجموعه داده آموزشی به تعداد لازم و نزدیک به مدل های واقعی زیرسطحی برای آموزش شبکه های عصبی عمیق، یکی از کاستی های این روش ها در کاربردهایی ژئوفیزیکی است. برای حل این مشکل، در این مقاله، چارچوبی با استفاده از یک روش شبیه سازی زمین آماری برای تولید پایگاه داده آموزشی، استفاده شده است. ایده اصلی در این مقاله، استفاده از داده های چاه استخراج شده از مدل های مختلف و به تعداد دلخواه و قرارگیری در الگوریتم شبیه سازی متوالی مستقیم و شبیه سازی متوالی مستقیم توامان است. در این روش، برای بدست آوردن مدل های سرعت یا مخزنی قابل استفاده برای شبکه عمیق، از آماره های اولیه (میانگین و واریانس) که از داده های چاه بدست می آید، در مراحل شبیه سازی استفاده می شود. همچنین با استفاده از الگوریتم شبیه سازی متوالی مستقیم توامان و به کارگیری تصویر ثانویه (تصویر مدل اصلی با درصدهای متفاوت همبستگی) تولید مدل های با پیوستگی بیشتر ارائه شده است. استفاده از درصدهای مختلف همبستگی تصویر ثانویه منجر به تولید مدل های متنوع زمین شناسی شده است. در این مقاله، مثال های گوناگونی از مدل های سرعت معروف، انتخاب و چارچوب ارائه شده بر روی آنها اعمال گردیده است. اگرچه محدودیتی در استفاده از ضرایب همبستگی متنوع وجود ندارد، به عنوان نمونه، ضرایب همبستگی ۳۰، ۵۰ و ۷۰ درصد برای استفاده از تصویر ثانویه در تولید داده آموزشی استفاده شده است. نتایج، نشان دهنده تولید پایگاه آموزشی با مدل های مرتبط با ساختارهای زمین شناسی متنوع است.
کلیدواژه ها:
نویسندگان
حمید ثابتی
استادیار؛ گروه مهندسی معدن، دانشگاه صنعتی بیرجند
وحید هنربخش
دانشجوی دکتری لرزه شناسی؛ دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :