مدلسازی هوشمند واریوگرام با استفاده از یادگیری عمیق

محاسبه واریوگرام و پیوستگی فضایی یکی از اولین و مهم‌ترین فرآیندها در مدل‌سازی زمین‌آماری بوده که فرآیندی زمان‌بر و تجربه‌محور است. همچنین به دلیل پیچیدگی‌های محاسبه واریوگرام تجربی، تفسیر و برازش مدل مناسب همواره یکی از چالش‌های اصلی در این زمینه است. در این مقاله یک روش مدل‌سازی هوشمند واریوگرام با استفاده از یادگیری عمیق ارایه شده است که می‌تواند سرعت برازش مدل واریوگرام را افزایش دهد و مانع بروز خطاهای متداول در برازش دستی مدل واریوگرام شود. در این روش از دو شبکه عصبی کانولوشن استفاده شده است. شبکه اول داده‌های اولیه را تبدیل به نقشه دوبعدی شبیه‌سازی‌شده بر مبنای مدل‌های مختلف واریوگرام می‌کند. بدین منظور نیاز است تا شبکه اول، با داده‌های اولیه و شبیه‌سازی‌های مانند آن‌ها آموزش داده شود؛ سپس خروجی این مدل وارد شبکه عصبی کانولوشن دوم شده که در این شبکه تصاویر دوبعدی شبیه‌سازی‌شده به‌عنوان ورودی به شبکه داده می‌شود و پارامترهای واریوگرام شامل دامنه، آزیموت جهت اصلی، نسبت دامنه جهت اصلی به جهت فرعی و اثر قطعه‌ای پیش‌بینی می‌شود. در این مقاله ابتدا الگوریتم پیشنهادی بر روی داده‌های دوبعدی مصنوعی پیاده‌سازی و پارامترهای مدل بهینه شده است. دقت مدل در پیش‌بینی پارامترهای واریوگرام 97 درصد بوده است. سپس از الگوریتم پیشنهادی برای مدل‌سازی واریوگرام داده‌های ژئوشیمیایی منطقه نوچون که شامل عناصر cu، zn و pb استفاده شد که دقت مدل واریوگرام به‌دست‌آمده نسبت به مدل دستی برازش شده 90 درصد است.

smart variogram modeling using deep learning method

calculation of variograms and spatial continuity is one of the first and most important processes in geostatistical modeling, which is a long and experience oriented process. due to the complexities of calculating experimental variograms, interpretation and fitting the appropriate model are always the main challenges in this field. this article presents an intelligent variogram modeling method using deep learning that can increase the speed of variogram modeling and also prevent common errors in manual variogram model fitting. in this method, two convolutional neural networks are used. the first cnn network converts the initial data into a 2d simulated map based on various variogram models. for this purpose, it is necessary to train the first network with initial data and their corresponding simulations. the output of this model is entered into the second convolutional neural network as input, and the variogram parameters (including range, azimuth, ratio, and nugget effect) are predicted. in this article, the proposed algorithm is implemented on synthetic 2d data and the parameters of the cnn models are optimized. the accuracy of the proposed model was 97 %, and then the proposed algorithm was used for variogram modeling of nouchon area geochemical data, which included the elements cu, zn, and pb. the accuracy of the obtained model compared to manual fitting was 90%.