Ερμηνεία δεδομένων ηλεκτρικών βυθοσκοπήσεων ενός στρώματος με τη χρήση νευρωνικών δικτύων = Intepretation of electrical sounding data for single layered subsurface model using neural network.

Περίληψη

Η παρούσα διπλωματική εργασία αφορά την εφαρμογή νευρωνικών δικτύων στην ερμηνεία δεδομένων για ηλεκτρική βυθοσκόπηση σε δομή ενός στρώματος. Η ηλεκτρική βυθοσκόπηση είναι μια μέθοδος διασκόπησης κατά την οποία παράγεται μια εικόνα σε μορφή στήλης του υπεδάφους που βασίζεται στην κατακόρυφη μεταβολή της ηλεκτρικής αντίστασης κάτω από το κέντρο της διάταξης υποθέτοντας όμως ότι η γη αποτελείται από οριζόντια στρώματα. Στην παρούσα εργασία εξετάζεται η ερμηνεία δεδομένων για την απλή δομή ενός στρώματος η οποία έχει ως προϊόν τις εκτιμήσεις των τιμών ηλεκτρικής αντίστασης του ανώτερου στρώματος και του ημι-χώρου καθώς και το πάχος του στρώματος αυτού. Στόχος της εργασίας είναι η δοκιμαστική χρήση νευρωνικών δικτύων για την ερμηνεία δεδομένων βυθοσκοπήσεων που αφορούν μοντέλα ενός στρώματος. Τα νευρωνικά δίκτυα, τα οποία τα τελευταία χρόνια συνεχώς εξελίσσονται βρίσκουν διάφορες εφαρμογές σε όλους τους τομείς, προσφέρουν ταχύτητα στην επίλυση προβλημάτων αλλά και ακρίβεια. Για το πρόβλημα που μελετήθηκε το δίκτυο εκπαιδεύτηκε με 66000 μοντέλα ενός στρώματος με μεγάλο εύρος τιμών αντιστάσεων και πάχους τα οποία κατασκευάστηκαν με κώδικα στη Python. Για την κατασκευή του δικτύου χρησιμοποιήθηκε η βιβλιοθήκη TensorFlow και Keras ενώ για την εκπαίδευση
χρησιμοποιήθηκε η πλατφόρμα του Google Colaboratory – Colab. Η αρχιτεκτονική του δικτύου είναι ένας συνδυασμός μεταξύ CNN (Convolutional Neural Network) και DNN (Deep Neural
Network) με 2 επίπεδα εισόδου των δεδομένων και 2 επίπεδα εξόδου από τα οποία το ένα έχει ως προϊόν τις 2 τιμές που αντιστοιχούν στις αντιστάσεις των στρωμάτων ενώ το άλλο το πάχος του στρώματος. Ο αλγόριθμος δοκιμάστηκε σε πλήθος συνθετικών δεδομένων αλλά και πραγματικά δεδομένα. Επίσης τα αποτελέσματα συγκρίθηκαν με αυτά που παράγονται με τη μέθοδο της αντιστροφής (λογισμικό IPI2WIN). Σε γενικές γραμμές παρά τις σχετικές αδυναμίες η μέθοδος παρήγαγε ικανοποιητικά αποτελέσματα και αποτελεί τη βάση για την επέκταση του αλγορίθμου σε προβλήματα με περισσότερα στρώματα.

The present diploma thesis deals with the application of neural networks in the interpretation of vertical electrical sounding data for a single layer geoelectrical model. Electrical resistivity sounding is a geoelectrical method of surveying which produces a geoelectrical column of the subsurface based on the vertical change of electrical resistivity below the center of the electrode array assuming that the earth is composed of horizontal layers. This work examines the interpretation of data for the case of a simple layer structure i.e., seeking estimates of the electrical resistance values of the upper layer and the half-space as well as the thickness of the first layer. The aim of this work is the experimental use of neural networks for the interpretation of vertical electrical sounding data concerning single layer models. Neural networks, which in recent years are of growing use, find various applications in all areas as they can offer speed in problem solving but also accuracy. For the studied problem the network was trained with 66000 one-layer models with a wide range of layer resistance and thicknesses values using a simple forward problem solver based on Python. The TensorFlow and Keras library was used to build the network, while the Google Colaboratory - Colab platform was used for the training. The network architecture is a combination between CNN (Convolutional Neural Network) and DNN (Deep Neural Network) with 2 data input levels and 2 output levels, one of which has as a product the two values corresponding to the layer resistances while the other includes a single value which is the thickness of the layer. The algorithm was tested on several synthetic data. The results were also compared with those produced by standard inversion method (IPI2WIN software). In general, despite the relative weaknesses, the method produced satisfactory results and is the basis for extending the algorithm to problems with more layers.