ÇANAKKALE BOĞAZININ GRAVİTE VE MANYETİK HARİTASINA RANDOM SİNİR AĞLARI YÖNTEMİ UYGULAYARAK MODELLENMESİ

Benzer belgeler
Potansiyel. Alan Verileri İle. Hammadde Arama. Endüstriyel. Makale

BOUGUER ANOMALİLERİNDEN ÜSTÜ ÖRTÜLÜ FAYLARIN SAPTANMASI VE İSTANBUL-SİLİVRİ BÖLGESİNİN YERALTI YAPISININ MODELLENMESİ

GRAVİTE-MANYETİK VERİLERİNE ÇEŞİTLİ MODELLERLE YAKLAŞIM AN APPROACH FOR THE GRAVITY-MAGNETIC DATA WITH VARIOUS MODELS

INS13204 GENEL JEOFİZİK VE JEOLOJİ

Jeofizik Mühendisliği Eğitimi Sertifika Programı

YAPAY SİNİR AĞLARI. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ

Yer Manyetik Alanının Kökeni. 1.İç manyetik alan (Ana manyetik alan) 2.Dış manyetik alan 3.Kabuksal manyetik alan (anomaliler)

İki Boyutlu Gabor Filtresi Kullanılarak Marmara Denizi Manyetik Verilerinin Yorumlanması

Teori ve Örneklerle. Doç. Dr. Bülent ORUÇ

Zaman Ortamı Yapay Uçlaşma (Time Domain Induced Polarization) Yöntemi

ARAŞTIRMALARINDA ARAZİ DENEYLERİ KAPSAMINDA YAPILACAK JEOFİZİK ARAŞTIRMALAR

Potansiyel. Alan Verileri ile. Maden aramacılığı; bölgesel ön arama ile başlayan, Metalik Maden Arama. Makale

INS13204 GENEL JEOFİZİK VE JEOLOJİ

MOCKUS HİDROGRAFI İLE HAVZA & TAŞKIN MODELLENMESİNE BİR ÖRNEK: KIZILCAHAMAM(ANKARA)

INM 305 Zemin Mekaniği

EN BÜYÜK OLASILIK YÖNTEMİ KULLANILARAK BATI ANADOLU NUN FARKLI BÖLGELERİNDE ALETSEL DÖNEM İÇİN DEPREM TEHLİKE ANALİZİ

SÜREKLİ DOĞAL GERİLİM VERİLERİNİN YAPAY SİNİR AĞLARI İLE DEĞERLENDİRİLMESİ, DEPREM ve YAĞIŞLARLA İLİŞKİSİ

İleri Diferansiyel Denklemler

GRAVİTE ve MANYETİK PROSPEKSİYON

Elde edilen jeolojik bilgilerin sahada gözlenmesi ve doğrulanması, yeni bulgularla zenginleştirilmesi çalışmalarını kapsamaktadır.

İSTANBUL BOĞAZI SU SEVİYESİ DEĞİŞİMLERİNİN MODELLENMESİ. Berna AYAT. İstanbul, Türkiye

EŞANJÖR (ISI DEĞİŞTİRİCİSİ) DENEYİ FÖYÜ

1.2. Aktif Özellikli (Her An Deprem Üretebilir) Tektonik Bölge İçinde Yer Alıyor (Şekil 2).

Bursa İl Sınırları İçerisinde Kalan Alanların Zemin Sınıflaması ve Sismik Değerlendirme Projesi

Yapay Sinir Ağları. (Artificial Neural Networks) DOÇ. DR. ERSAN KABALCI

İMAR PLANINA ESAS JEOLOJİK-JEOTEKNİK ETÜT RAPORU

SİSMİK PROSPEKSİYON DERS-1 (GİRİŞ) DOÇ.DR. HÜSEYİN TUR

İçindekiler Jeofizikte Modellemenin Amaç ve Kapsamı Geneleştirilmiş Ters Kuram ve Jeofizikte Ters Problem Çözümleri

DEÜ MÜHENDİSLİK FAKÜLTESİ FEN ve MÜHENDİSLİK DERGİSİ Cilt: 3 Sayı: 3 sh Ekim 2001

Bölüm 2. Bir boyutta hareket

Program Eğitim Amaçları

Okut. Yüksel YURTAY. İletişim : (264) Sayısal Analiz. Giriş.

Geriye Yayılım ve Levenberg Marquardt Algoritmalarının YSA Eğitimlerindeki Başarımlarının Dinamik Sistemler Üzerindeki Başarımı. Mehmet Ali Çavuşlu

BÖLÜM 1: MADDESEL NOKTANIN KİNEMATİĞİ

Dünya Enerji Konseyi Türk Milli Komitesi TÜRKİYE 10. ENERJİ KONGRESİ ULAŞTIRMA SEKTÖRÜNÜN ENERJİ TALEBİNİN MODELLENMESİ VE SÜRDÜRÜLEBİLİR POLİTİKALAR

MONTE CARLO BENZETİMİ

Bekleme Hattı Teorisi

DOĞU ANADOLU BÖLGESİ VE CİVARININ POISSON YÖNTEMİ İLE DEPREM TEHLİKE TAHMİNİ

THEVENIN VE NORTON TEOREMLERİ. Bu teoremler en güçlü analiz tekniklerindendir EBE-215, Ö.F.BAY 1

İSTANBUL TİCARET ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ BİLGİSAYAR SİSTEMLERİ LABORATUVARI LİNEER KRİPTANALİZ

I. Projenin Türkçe ve İngilizce Adı ve Özetleri İç-Anadolu Bölgesinin Jeolojisinin Jeolojik ve Jeofizik Yöntemlerle İncelenmesi (Investigation of Cent

Görüntü İşleme. Dijital Görüntü Tanımları. Dijital görüntü ise sayısal değerlerden oluşur.

T.C RECEP TAYYİP ERDOĞAN ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ MAKİNE MÜHENDİSLİĞİ BÖLÜMÜ MAKİNE LABORATUVARI 1 DERSİ TERMAL İLETKENLİK DENEYİ DENEY FÖYÜ

YAPAY SİNİR AĞI KULLANARAK DEPREM EĞİLİMİNİN KESTİRİMİ. Umut FIRAT

ULUDAĞ ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ OTOMOTİV MÜHENDİSLİĞİ BÖLÜMÜ

KAMP STAJI HAZIRLIK NOTU (SP)

MTA Genel Müdürlüğü nün Ortaya Çıkardığı Yeni Bir Kara Elmas Yöresi KONYA KARAPINAR Kömür Sahası

MENDERES GRABENİNDE JEOFİZİK REZİSTİVİTE YÖNTEMİYLE JEOTERMAL ENERJİ ARAMALARI

Zemin Gerilmeleri. Zemindeki gerilmelerin: 1- Zeminin kendi ağırlığından (geostatik gerilme),

Gözlemlerin Referans Elipsoid Yüzüne İndirgenmesi

YZM ALGORİTMA ANALİZİ VE TASARIM DERS#2: ALGORİTMA ANALİZİ

Fonksiyon Optimizasyonunda Genetik Algoritmalar

SİSMOTEKTONİK (JFM ***)

YEŞİLIRMAK NEHRİ İÇİN TOPLAM ORGANİK KARBON ÖNGÖRÜ MODELLERİ

İşaret ve Sistemler. Ders 1: Giriş

7. Self-Potansiyel (SP) Yöntemi Giriş...126

Uzaktan Algılama Uygulamaları

Fizik 102-Fizik II /II

Elektromanyetik Dalga Teorisi

Bu bölümde Coulomb yasasının bir sonucu olarak ortaya çıkan Gauss yasasının kullanılmasıyla simetrili yük dağılımlarının elektrik alanlarının çok

MTA DA DÜNDEN BUGÜNE JEOFİZİK KARA SİSMİK ÇALIŞMALAR

ÇİMENTO BASMA DAYANIMI TAHMİNİ İÇİN YAPAY SİNİR AĞI MODELİ

VERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN

MADEN ARAMALARINDA DES VE IP YÖNTEMLERİ TANITIM DES UYGULAMA EĞİTİM VERİ İŞLEM VE SERTİFİKA PROGRAMI

Işıma Şiddeti (Radiation Intensity)

Doku ve Hastalıklara Özgü Büyük Ölçekli Biyolojik Ağları Oluşturul ası ve Analizi

Diferensiyel denklemler sürekli sistemlerin hareketlerinin ifade edilmesinde kullanılan denklemlerdir.

Stokastik Süreçler. Bir stokastik süreç ya da rastgele süreç şöyle tanımlanabilir.

24 MAYIS 2014 GÖKÇEADA AÇIKLARI - EGE DENİZİ DEPREMİ BASIN BÜLTENİ

RÜZGAR YÜKÜNÜN BİR TİCARİ ARAÇ SERVİS KAPISINA OLAN ETKİLERİNİN İNCELENMESİ

QUANTILE REGRESYON * Quantile Regression

DOĞU KARADENİZ BÖLGESİ VE CİVARININ DEPREMSELLİĞİ

HARİTA, TOPOGRAFİK HARİTA, JEOLOJİK HARİTA. Prof.Dr. Atike NAZİK Ç.Ü. Jeoloji Mühendisliği Bölümü

Markov Zinciri Monte Carlo Yaklaşımı. Aktüeryal Uygulamaları

Özörgütlemeli Öğrenme (SOM) A. Cumhur KINACI

Uzaktan Algılama Teknolojileri

DOĞRULTU ATIMLI FAYLAR KIRIKLAR VE FAYLAR. Yaşar ar EREN-2003

ÇEV 2006 Mühendislik Matematiği (Sayısal Analiz) DEÜ Çevre Mühendisliği Bölümü Doç.Dr. Alper ELÇĐ

Frekans Seçici Kanallarda Çalışan Yukarı Link MC-CDMA Sistemleri için EM Tabanlı Birleşik Bilgi Sezim ve Kanal Kestirim Yöntemi

Bilindiği gibi lateritleşme, ılıman ve yağışlı

İNM Ders 1.2 Türkiye nin Depremselliği

İTKİLİ MOTORLU UÇAĞIN YATAY UÇUŞ HIZI

KİNETİK MODEL PARAMETRELERİNİN BELİRLENMESİNDE KULLANILAN OPTİMİZASYON TEKNİKLERİNİN KIYASLANMASI

Dokuz Eylül Üniversitesi Jeofizik Mühendisliği Bölümü.

MANYETİK YÖNTEMLE DOĞRULTU ATIMLI FAY GEOMETRİSİNİN ORTAYA ÇIKARILMASI

2. REGRESYON ANALİZİNİN TEMEL KAVRAMLARI Tanım

X-RAY TEKNİĞİ İLE FELDİSPATLARIN STRÜKTÜREL DURUMLARININ TAYİNİ

ELKE315-ELKH315 Introduction to Control Systems FINAL January 2, 2016 Time required: 1.5 Hours

TAŞINIMIN FİZİKSEL MEKANİZMASI

Görüntü İşleme. K.Sinan YILDIRIM Cenk İNCE Tahir Emre KALAYCI. Ege Üniversitesi Bilgisayar Mühendisliği Bölümü 2003

Sevim Yasemin ÇİÇEKLİ 1, Coşkun ÖZKAN 2

KALINLIK VE DERİNLİK HESAPLAMALARI

7. Türkiye nin Sismotektoniği SİSMOTEKTONİK DERSİ (JFM 439)

AKDENİZ ÜNİVERSİTESİ. Anten Parametrelerinin Temelleri. Samet YALÇIN

10-11 Şubat 2014 DSİ ETLİK EĞİTİM TESİSLERİ ANKARA

RÜZGAR ENERJİSİ KAYNAĞI VE BELİRSİZLİK

Manyetik Alanlar. Benzer bir durum hareketli yükler içinde geçerli olup bu yüklerin etrafını elektrik alana ek olarak bir manyetik alan sarmaktadır.

BAŞKENT ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ BENZER SÜREÇLERDE ÜRETİLEN ÜRÜNLER İÇİN YAPAY ZEKA İLE ZAMAN TAHMİNİ SONER ŞÜKRÜ ALTIN

1.1 Yapı Dinamiğine Giriş

Transkript:

Marmara Denizi 2000 Sempozyumu, 11-12 Kasım 2000, İstanbul ÇANAKKALE BOĞAZININ GRAVİTE VE MANYETİK HARİTASINA RANDOM SİNİR AĞLARI YÖNTEMİ UYGULAYARAK MODELLENMESİ THE MODELLING OF GRAVITY AND MAGNETIC ANOMALY OF CANAKKALE REGION USING RANDOM NEURAL NETWORK A. Muhittin ALBORA (1), Erkan DANACI (2) ve Osman N. UÇAN (3) (1) İstanbul Üniv. Müh. Fakültesi Jeofizik Müh. Böl., muhittin@istanbul.edu.tr (2) TÜBİTAK MAM BTAE ESG, danaci@btae.mam.gov.tr (3) İstanbul Üniv. Müh. Fakültesi Elektronik Müh. Böl., uosman@istanbul.edu.tr ÖZET: Bu çalışmada, Çanakkale Boğazında Türkiye Petrolleri Anonim Ortaklığı (TPAO) nın yapmış olduğu gravite ve manyetik yöntemlere RNN yaklaşımı uygulayarak rejyonal ve rezidüel ayrımı yapılmıştır. RNN yöntemi ilk olarak Gelenbe (1989) tarafından tanımlanmıştır. Random Sinir Ağları diğer klasik sinir ağlarına benzer bir sinir ağı modelidir. Gizlenmiş sinirlerin olması hesaplamalarda diğer ağlara oranla daha kısa sürede sonuca ulaşmasını sağlamaktadır. RNN yöntemi kullanılarak Rezidüel anomali haritaları elde edilmiştir. Buradan Rejyonal anomali haritası bulunmuş, bu anomali haritasından alınan kesitden düşey fay yapısı klasik olarak modellenmiştir. Ayrıca TPAO Çanakkale bölgesinde yapmış olduğu derin sismik çalışmaları gravite ve manyetik yöntemlerden elde edilen modellerle karşılaştırılarak iyi bir çakışma sağlanmıştır. ABSTRACT: In this study, we have sepearated gravity and magnetic anomaly of Canakkale Region using Random Neural Network (RNN). Random Neural Network is first introduced by Gelenbe (1989). RNN is similar to the other classical structures. RNN helps us to reach the desired values in a short period of time compared to other models. Vertical fault is derived by classical approaches using RNN output. The RNN results are confirmed by the (TPAO) deep sysmic data. GİRİŞ Yeraltının homojen olmaması ve değişik yoğunluklu kayaçların bulunması nedeniyle yer kürenin yer çekimi ivmesi (g) de küçük değişimler meydana gelir. Bu değişimlerin yeryüzünde özel aletlerle ölçülmesi ve bu ölçü değerlerinin değerlendirilmesi, gravite yöntemini oluşturur. Manyetik anomali elde edebilmek için ise yeraltında bulunan cisimlerin manyetik duyarlılığının (suseptibilite) cıvar kayaçlardan farklı olması gerekmektedir. Elde edilen anomalilerin çeşitli yöntemler ile analizleri sonucunda yeraltında bulunan kütlelerin fiziksel boyutları saptanabilmektedir. Böylece manyetik minerallerin, özelikle ekonomik değeri olanların cıkartılması ve işlenmesi çalışmalarına kütlenin yeri ve uzanımı konusundaki tereddütlerin giderilmesinden dolayı büyük kolaylık getirilmektedir. Bu ölçümler sonucunda yeraltında aranan cisim veya jeolojik yapı hakkında bilgi edinilebilir. Gravite yönteminin ilk uygulması Maden Tetkik Arama (M.T.A) kurumunda başlamıştır. Çoğunlukla petrol aramalarında kullanılmış ve halen günümüzde de petrol aramalarında ön bilgi olarak kullanılmaktadır. Petrol aramalarında, petrolle ilgili yapıyı, fay ve tuz domlarını ortaya cıkartmak, sismik etüdlere yardımcı olmak amacıyla gravite yöntemi uygulanmaktadır. Ayrıca mühtelif tektonik uniteleri araştırmak, büyük fay sistemlerini ortaya cıkartmak, genç tabakalar tarafından örtülmüş havzalarda mağmatik kütle sınırını araştırmak, yerkabuğunun 205

kalınlığını ve yapılarını incelemek, arkeolojide de yeraltındaki tarihi kalıntıları bulunmasında Gravite ve manyetik yöntemi önemli ölçüde kullanılır. Bilindiği gibi gravite ve manyetik yöntemlerde rejyonal yapı ile rezidüel yapıyı birbirlerinden ayırmak son derece önemlidir. Ayrım metodları ve modelleme konusunda, Pawlowski and Hansen(1990), VACLAC et al. (1992), AYDOĞAN (1993), SHU-KUN et al. (1996), Yaoguo Li and DOUGLES (1998), KARA vd.(1998), ALBORA vd. (1999), ALBORA vd. (2000), UÇAN vd. (2000) gibi birçok araştırmacı çalışmıştır. Bu çalışmada, elektronik mühendisliğinde filtreleme işlemlemi olarak sıkça kullanılan Random Neural Network (Rasgele Yapay Sinir Ağ, RNN) yaklaşımı ilk kez doğal kaynaklı alanlardan gravite ve manyetik yöntemlerine uygulanmıştır. Anomali haritalarının iyi bir şekilde ayrımı bizim model çalışmalarımızdaki problemlerimizin çözümünü önemli ölçüde kolaylaştırmıştır. Çanakkale boğazında TPAO yapmış olduğu gravite ve manyetik anomali haritalarına Jeofizikte yeni bir yaklaşım olan RNN uygulanmış rezidüel ve rejyonal anomali haritaları elde edilmiştir. Jeolojik yapının Rejyonal anomali haritasından elde edilen kesitlerinden yapının bir düşey atımlı bir fay olduğu yaklaşımında bulunularak modellenme yapılmıştır. Düz modelleme çalışmaları sonucunda TPAO nın bu bölgede yapmış olduğu sismik kayıtlar da dikkate alınarak iyi bir çakışma sağlanmıştır. GEREÇ ve YÖNTEM 1. Rastgele Yapay Sinir Ağı Tanımı Rasgele yapay sinir ağı ilk kez 1989 yılında Dr. Gelenbe tarafından ortaya atılmış bir ağ modelidir. Yeni bir sinir ağı olan modeli (2) de tanımlanmış ve (3) de genelleştirilmiştir. Bu ağ modelinin desen üretimi (texture generation), video resim sıkıştırma, desen tanıma gibi uygulamaları yapılmış ve başarımının diğer klasik yöntemlere göre başarılı olduğu belirtilmiştir (6)(7) (Gelenbe1990, 1993, 1994). Bu model ağdaki sinirler arasında modellenen dahili ve harici sinyaller, pozitif ve negatif sinyal olarak sirküle ederler. Bu sinyaller, bir diğer sinire veya ağ dışına gidebilir. Her sinirin girişinde bu sinyaller toplanır ve sinir sinyal potansiyelinin ortaya çıkmasını sağlarlar. Her sinirdeki sinyal potansiyelleri vektörü ağ durumunu verirken, bu modeldeki her sinirin durumunu sinir sinyal potansiyeli verir. Eğer sinirin potansiyeli pozitifse, sinir yanar ve ağdaki diğer sinirlere veya ağ dışına (dış dünyaya) sinyal verir. Sinir potansiyeli sinir yandığında azalır. Yanan bir i siniri bir birim potansiyel kaybedecektir. ki değerliğindeki potansiyel ki-1 değerine gelecektir. t anındaki n sinirin durumu negatif olmayan tamsayı vektörlerle aşağıdaki gibi gösterilebilir; k(t)=(k1(t), k2(t),..., kn(t)). Buradaki ki(t) i 'ninci sinirin tamsayı durumu veya potansiyelidir. Bizler k' yı durum vektörünün keyfi değeri ve ki yi i ninci sinirin durumunun keyfi değeri olarak kullanacağız. Komşusuna veya ağ dışına sinyal gönderen sinirler, göndereceği sinyalleri r(i) oranında gönderileceklerdir. Sinyaller bazı j sinirlerine uyarıcı olarak p + (i, olasılığı ile, yasaklayıcı olarak p - (i, olasılığı ile gideceklerdir. Bir sinir ağ dışına d(i) olasılığı ile de sinyal gönderebilir. d(i) ; d olarak hesaplanabilir. Sinirler arası bağlantı ağırlıkları; ij r ij r( i) 1 (2) olsun. Buradaki lar özellikle yutma ve uyarma sinyal yayılımlarının oranlarını göstermesine rağmen, konnektionist modelde synaptic ağırlıklarınkine benzer bir rol oynar. sinyallerin i n (1) 206

Bu model, sıradan topolojilerin yenilenen bir ağ modelidir. Yani ağda, geri beslemeli p ( k, t) Pr[ k( t) k] döngülere izin verilir. Bu modele bağlı hesaplamalar, ağ durum q ( t) Pr[ k ( t) dağılımının olasılığı üzerine dayalıdır veya i i uyarılan i sinirinin sınırlı olasılığıyla yapılır. Sonuç olarak, modelin zamana bağımlı davranış modeli ayrık durum uzayı sürekli Markovian sistemi için Chapman-Kolmogorov denklemlerinin bir sonsuz uzayıyla tanımlanır. Modelle bağlantılı sabit olasılık dağılımı, hesaplamada kullanılan büyüklüklerdendir. Şöyleki ; p( k) q i t t lim lim q ( t) i p( k, t) i 1,2,.., n (3) dir. Gelenbe tarafında önerilen teoremle sinir çıkışları aşağıdaki gibi bulunabilir. i sinirinin uyarılma olasığı; q i /[ r( i) ] (4) Burada,, j j i=1,2,..,n için, lineer olmayan eşzamanlı denklemler sistemini sağlar. q r( q r( j j (5) t anındaki sinir potansiyelinin vektörü k(t) olsun ve k=(k1,..., kn) vektörün özel değeri olsun. p(k) sabit olasılık dağılımı; olur. Negatif olmayan bir çözüm { ulaşırsa, sabit olasılık dağılımı, n p( k) lim Pr[ k( t) k] p( k) 0] t (6), [1 q i ] q i }, her qi<1 değeri gibi 4 ve 5 denklemlerine i 1 (7) olarak hesaplanır. Hesaplama için çok kullanışlı olan bu büyüklükler, yani uyarılan her neuronun olasılığı, aşağıdaki gibi doğrudan elde edilebilir; Eğer qi<1 ise lim Pr[ k ( t) 0] q /[ r( i) ki ] i i t (8) olur. Sinir ağlarında her bir sinirin bağlantılı olduğu sinirlerle bağlantıları belli bir ağırlık katsayısı ile orantılıdır. Random sinir ağında da bu ağırlık katsayıları vardır ve bunlara ilave olarak sinirden çıkacak sinyalin pozitif veya negatif olması olasılıkları da mevcuttur. Yukarıda da bahsedildiği gibi gelen sinyallerin toplanması ile sinir potansiyeli elde edilmekteydi. Bu potansiyeli göstermek için random sinir ağı gösteriminde her sinire bir sayıcı ilave etmek gerekmektedir. Eğer sinirin potansiyeli pozitifse, sinir yanar ve ağdaki diğer sinirlere veya ağ dışına (dış dünyaya) sinyal verir. Dış dünyaya fazlaca çıkış verirse, sinirin sinyal potansiyeli 207

tükenir. Bu modelde (üretim formudur ve) sinirin potansiyel vektörünün kararlı durum olası dağılımı her sinirdeki potansiyelin marginal olasılığını üretir. Ağın sinyal akış denklemleri (her sinire ulaşan negatif ve pozitif sinyallerdeki oranı tanımlayan) doğrusal olmayan denklemlerdir. Günümüze kadar bu sinir ağının iki alt sınıfı (dengeli ve azaltılmış ağlar) denenmiş (3) ve her durumda kararlılık durumları gözlenmiştir. Pratikte ise, bu kararlı durumlar sinyal akış denklemlerine tek bir çözümün olduğunu göstermiştir. Böylece, ağ iyi tanımlanmış kararlı davranış sergilemektedir. RNN ağ modelinin XOR kapılar kullanılarak gerçekleneceği gösterilmiştir (4). Sinir potansiyelinin pozitif olmaması durumunda çıkış vermemesi, işlem kalabalıklığını azaltmaktadır. Bu da işlem hızını artırmaktadır. Dolayısıyla bu ağ modeli bir nevi genetik algoritma gibi davranış sergilemektedir. 2. RNN ile Rezidüel Anomalinin Elde Edilmesi Resim bazında ele alındığında gravite ve manyetik anomali haritaları karmaşık bir filtre yapısından geçirilmesinde sonra Rezidüel anomalisinin elde edilmesi olarak görülebilir. Yani; D(s)=W(s).I(s) (9) Burada D(s)-istenen rezidüel anomalisi (çıkış), W(s) karmaşık filtre transfer fonksiyonu ve I(s)- bouguer veya manyetik anomalidir (giriş). Bu çalışmada anomali haritalarının verileri (NxN botundaki resim T_I(N,N)), rasgele sinir ağları kullanılarak düzeltilecek bir görüntü gibi ele alınmıştır. Ele alınan görüntüde, giriş değerleri (piksel renk bilgileri) şimdiye kadarki sinir ağı algoritmalarinin yaşadığı komşuluk kaybetme sorunundan uzak olması için bir vektör haline getirilmiş ve bunlar rasgele sinir ağına giriş olarak verilmiştir. Yani RNN nin girişleri, Input T _ I( :, k) i 1... NxN k 1... N (10) olarak veriliyor. Çıkışlar (T_O(N,N) ise benzer formda tek boyutlu dizi iken YT _ O( :, k) Output( i 2N( k 1)) i 1... NxN k 1... N (11) şekline dönüştürlerek resim formunda elde edilmiştir. Uygulanan bu yöntemle komşuluklar kaybedilmemiş ama eğitimde işlem süresi uzamıştır (5)(6). Asıl işlem süresini uzatan RNN eğitim algoritmasındaki Bir gizli katman kullanılmış ve çıkış yine bir vektor olarak elde edilmiştir. Geri yayılımlı (back propagation) olarak eğitim yapılmıştır. Gizli katmanın çıkış fonksiyonu birim basamak fonksiyon olarak kullanılmıştır. Gravite ve Manyetik anomali haritalarımız 13x13 piksel olarak ele alınmış ve eğitime koşulmuştur. Giriş resiminin [0, 255] piksel değerleri, [-1,+1]olacak şekilde ölçeklenmiştir. Yapılan denemelerde tam bir simetrilik gözetilmiş ama gerçek uygulamalarda bunun için eşik değeleri tayini mümkün olabilir. Anomali haritalarından rezidüal anomalisine geçiş fonksiyonunu bulmak için değişik vektörlerde yapılan eğitimlerde asıl amaç RNN'deki ve ağırlık değerlerinin bulunmasına çalışılmış ve bu eğitimde Gelenbe 1993 te yapılan çalışmalar referans alınmıştır. Yapılan eğitimde matrisel ters alma işlemi asıl zaman alıcı kısım olmuştur. Eğitim süresini kısatlamak için C de yazılan ve C++ Bulder 3.0 da derlenen bir RNN algortiması geliştirilmiştir. 3. Bölgenin Modellenmesi Çalışma sahasının modellenmesinde düz modelleme yöntemi kullanılmıştır. Gravite ve Manyetik yöntemlerde yeryüzünde izi bulunmayan bir yeraltı fayını arayıp bulabiliriz. 208

Gravite yönteminde düşey bir fayın parametrelerini bulmak için, yatay sonsuz bir tabakanın düşey bir fayla kesilmiş olduğunu düşünelim. Üstte kalan yarım sonsuz tabakanın formülünü yazarsak, g G 0 dx' ( x x') 2 hdy' ( y y') 2 h 3/ 2 (12) elde edilir. Burada G, gravitasyon sabiti,, yoğunlukdur. Şekil 1 de verilen açısının ile değerlerinin farkı dir. Bu farkın ¼ ve ¾ ünde başka bir değişle x h / 4 3 / 4 ve olunca olur. Buradan hareket ederek fayın derinliğini yaklaşık olarak tahmin edebiliriz (Ergin 1981). Düşey doğrultuda mıknatıslanmış manyetik özelliği olan bir fayın alt sınırı çok derinde ise çözüm gravite formülün aynısıdır (Ergin 1981). Z 2( J z ) 2 x arc tg h (13) J z, mıknatıslanma şiddetidir. Fayın derinliği Şekil 1 de verildiği gibi hesaplanır. Şekil 1. Düşey bir fayın g anomalisi (Ergin 1981). BULGULAR ve SONUÇ Çanakkale bölgesinin Gravite ve Düşey Manyetik anomali haritalarına ilk olarak RNN yöntemi uygulanmış ve Rezidüel anomali haritaları elde edilmiştir. Şekil 2 de Çanakkale bölgesinin gravite anomali haritası Şekil 3 de ise Bouguer anomali haritasının RNN çıktısı gösterilmiştir. Manyetik anomali haritasına (Şekil 4), RNN yöntemi uygulanarak 209

elde edilen RNN çıktısı Şekil 5 de verilmiştir. Rezidüel anomali haritalarından Rejyonal anomali haritaları bulunmuş ve Rejyonal anomali haritalarından elde edilen AB kesit anomalisi Şekil 6 ve Şekil 7 da gösterilmiştir. Şekil 2. Çanakkale Bölgesi gravite anomali haritası (Rejyonal etki, SRZ-5 Sismik kesit, AB Gravite kesiti). Şekil 3. Çanakkale Bölgesi Rezidüel Anomali haritası (RNN çıktısı). 210

Şekil 4. Çanakkale Bölgesi Düşey Manyetik Şiddet Haritası (Rejyonal Etki). Şekil 5. Çanakkale Bölgesi Manyetik Rezidüel haritası (RNN çıktısı). Güney-Batı Marmara da Kuzey Anadolu Fayı (KAF) ve Edirne-Şarköy Fayının denetiminde gelişen tektonizma bölgenin jeolojik gelişimini belirlemiştir. Bu jeolojik gelişim çeşitli dönemlerde Marmara ile Akdeniz arasındaki deniz bağlantılarına neden olmuştur. Ancak tektonizmadaki süreklilik bu bağlantıların dönemler halinde kesilmesini sağlamıştır. Geç Üst Miyosen- Erken Pliyosen döneminde pozatif çiçek yapısı şeklinde gelişen ve Saroz Grabeninin güney kenarını oluşturan sağ yönlü yanal ayımlı Ganos Fayı ve bunun guney doğusundaki Anafartalar Fayı arasında kalan alanın yükselmesi Gelibolu Yarımadasının şekillenmesini sağlamıştır (ELMAS ve MERİÇ 1998). 211

Gravite ve Manyetik yöntemlerde rejyonal ve rezidüel anomali haritalarının ayrımı oldukça önemli bir konudur. Jeofizikte RNN yöntemi kullanılarak rezidüel anomali elde edilmesi, elektronik mühendisliğinde sıkça kullanılan bu yöntemin jeofizik mühendisliğine uygulanması açısından oldukça önemlidir. Rezidüel anomali haritalarından elde edilen rejyonal anomali haritaları incelendiğinde Ganos fayının etkisi görülmektedir. Gravite ve manyetik rejyonal anomali haritalarından alınan AB kesitleri klasik modelleme yöntemi kullanılarak fay modellenmiştir (Şekil 6 ve Şekil 7). Yaptığımız bu çalışma TPAO bu bölgede yapmış olduğu SRZ5 sismik kaydıyla kıyaslanmış (Şekil 8) ve yapmış olduğumuz çalışmayı desteklemiştir. Bu sismik kayıttan Ganos fayının düşey atımı gayet iyi bir şekilde gözlenmiştir. Modeleme sonucunda Ganos fayının yeryüzünden olan ortalama derinliği yaklaşık 1.6 km olarak bulunmuştur. 60 mgal 40 3/4 20 1/4 0 2h -20 km 0 4 8 12 16 Şekil 6. Gravite Rejyonal anomali haritasından alınan AB kesiti. 400 gamma 300 3/4 200 100 1/4 0 2h -100 km 0 4 8 12 16 Şekil 7. Manyetik Rejyonal anomali haritasından elde edilen AB kesiti. 212

Katkı Belirtme Şekil 8. Saroz bölgesinden alınan SRZ5 sismik kesiti (TPAO 1984). Bu Proje, İstanbul Üniversitesi, Araştırma Fonunca desteklenmiştir. Proje No: 1409/05052000. Gravite,manyetik ve sismik verilerden yararlanmamızı sağlayan TPAO çalışanlarına teşekkür ederiz. DEĞİNİLEN BELGELER ALBORA, A.M., UÇAN, O.N. VE ÖZMEN, A., 1999. Markov Random Field (MRF) Yöntemi kullanarak Sivas bölgesi Şarkışla mevkiinin ters çözüm ile modellenmesi. 11. Mühendislik Haftası Yerbilimleri Sempozyumu. Isparta. ALBORA, A.M., UÇAN, O.N. ve ÖZMEN, A., 2000. Markov Rastgele Alanlar ve Hücresel Sinir Ağ Yapıları yaklaşımına dayanan Stokastik yöntemlerle Sivas ili Çevresinin yeraltı jeolojik yapısının Bouguer anomali haritası Kullanarak modellenmesi. 1257/050599 nolu İstanbul Üniversitesi Araştirma Fonu Projesi. AYDOĞAN,D., 1993. Gravite yönteminde Monte Carlo Algoritması ile model parametrelerin hesaplanması. Jeofizik 7,35-47. ELMAS, A. and MERİÇ, E., 1998. The Seaway Connection between the Sea of Marmara and the Mediterranean: Tectonic Development of the Dardanelles. International Geology Review. Vol. 40, No 2, pp144-163. ERGİN K. 1981 Uygulamalı Jeofizik. İTÜ Maden Fakültesi-İST. GELENBE E., 1989, "Random Neural Networks With Negative and Positive Signals and Product Form Solution", Neural Computation, Vol. 1, No. 4, pp 502-511. GELENBE E., 1990, "Stability of The Randm Neural Network Model", Neural Computation, Vol.2, No. 2, pp. 239-247. 213

Gelenbe E., 1993, "Random Neural Netwrok Model", Tübitak Elektrik, Vol.1, No.1, pp. 27-40. GELENBE E., SUNGUR M., 1994, "Learning Random Networks For Compression Still and Moving Images", JPL workshop on "A Decade of Neural Networks", Pasadena. KARA,İ., AYDOĞAN,D., ve YÜKSEL, F.A., 1998. A Simple Nomogram for Interpretation Due to Magnetic Horizontal Cylinders. Geophys.Prospect., 46, 659-663. PAWLOWSKİ, R.S. ve HANSEN, R.O., 1990. Gravity anomaly separatiın by Wiener filtering. Geophysics, 55, 539-548. SHU-KUN H., JEAN-CLAUDE S., ve CHUEN-TİEN S.,1996, High-resolution detection of geological boundaries from potential-field anomalies:an enhanced analytical signal technique. Geophysics, 61,373-386. UÇAN, O.N, DANACI, E., ÖZMEN, A. ve ALBORA, A.M., 2000, Jeofizik verilerinin Rasgele Yapay Sinir Ağ yapıları ile incelenmesi. 8. Sinyal İşleme Kurultayı Belek- ANTALYA. VACLAC B., JAN H., ve KAREL S., 1992. Linear filters for solving the direct problem of potential fields. Geophysics, 57,1348-1351. YAOGUO Lİ., ve DOGLES W.O., 1998. Separation of regional and residual magnetic field data. Geophysics, 63,431-43 214