مقایسه عملکرد روش‌های هوشمند شبکه‌های عصبی مصنوعی و ماشین بردار پشتیبان در شناسایی خودکار اهداف استوانه‌ای پنهان در تصاویر رادار نفوذی به زمین

در مطالعه حاضر از روش غیرمخرب و با قدرت تفکیک زیاد رادار نفوذی به زمین (GPR) جهت آشکارسازی و شناسایی مشخصات هندسی اهداف به شکل استوانه افقی مدفون همانند انواع ساختارهای تونلی، استفاده شده است. دست‌یابی به چنین مقصودی براساس تعیین ارتباط بین مشخصات هندسی اهداف استوانه‌ای مدفون و پارامترهای هذلولی پاسخ GPR مربوطه، با استفاده از روش‌های هوشمند شبکه‌های عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) صورت پذیرفته است. برای این منظور ابتدا پاسخ سیستم GPR برای 194 مدل مصنوعی مختلف شامل اشیاء استوانه‌ای شکل متناظر با اهداف ژئوتکنیکی متداول (ساختارهای استوانه‌ای همچون تونل‌ها، کانال‌ها، قنات‌ها و خطوط لوله)، با استفاده از مدل‌سازی پیشرو به روش تفاضل محدود دوبعدی بهبودیافته، مدل‌سازی شد. سپس از نتایج آن با استفاده از الگوریتم تجزیه مقدار تکین، ویژگی‌های متمایز و منحصربه‌فرد شامل مقادیر ویژه و نرم مقادیر ویژه ماتریس تصاویر GPR در راستای افقی (فضای بین تریسی) و عمودی (فضای درون تریسی) استخراج گردید و به عنوان داده‌های ورودی در الگوریتم‌های ANN و SVM جهت تخمین مشخصات هندسی شامل شعاع، موقعیت افقی و موقعیت قائم (عمق دفن) اهداف استوانه‌ای مدفون، مورد استفاده قرار گرفت. عملکرد روش‌های استفاده شده، برای تصاویر واقعی GPR در حضور نوفه‌ها نیز ارزیابی شد و نتایج قابل قبولی حاصل گردید به‌گونه‌ای‌که ANN و SVM پارامترهای هندسی هدف معین مدفون را با متوسط خطای به‌ترتیب 5 و 9 درصد تخمین زدند. نتایج پژوهش حاضر نشان می‌دهد که هر دو روش هوشمند مورد استفاده، قابلیت کاربرد برجا، سریع، دقیق و خودکار را برای اهداف ژئوتکنیکی واقعی دارا می‌باشند هرچند درمجموع روش ANNنسبت به روش SVM از خطای کمتر و در نتیجه قدرت تخمین بالاتر پارامترهای هندسی اهداف استوانه‌ای مدفون برخوردار است.