ساره صدیق - دانشجوی کارشناسی ارشد مهندسی اکتشاف معدن، دانشکده مهندسی معدن، پردی
حسین معماریان - استاد، دانشکده مهندسی معدن، پردیس دانشکد ههای فنی، دانشگاه تهران،
بهزاد تخم چی - استادیار، دانشکده مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود

خوشه بندی تنها روش در یادگیری بدون نظارت است. یک خوشه به مجموعه ای از داده ها گفته می شود که با هم شباهت داشته باشند. در خوشه بندی سعی میشود تا دادهها به خوش ههایی تقسیم شوند که شباهت بین داده های درون هر خوشه حداکثر و شباهت بین داد ههای درون خوشه های متفاوت، حداقل شود. یکی از عوامل موثر در عملیات خوشه بندی بهینه، توجه به ساختار داد ههای مورد مطالعه م یباشد. در بسیاری از مقالات علوم زمین، که در آن از خوش هبندی استفاده شده، بدون در نظر گرفتن ساختار داده ها، به طور پیش فرض مدل فشرده و توده ای برای داده ها در نظر گرفته شده است. حال آنکه داد هها، علاوه بر ساختار تود های می توانند دارای ساختا رهای خطی یا روی های باشند، که عدم توجه به آن قطعاً از کارایی خوشه بندی خواهد کاست. در این مقاله، با استفاده از مجموعه ای از داده های مصنوعی دارای ساختار خطی، میزان تاثیر آن بر کیفیت خوشه بندی بررسی شده است. سپس، این روش بر روی داده های واقعی حاصل از نمودار های پتروفیزیکی یک چاه اکتشافی نفت در جنوب کشور، که قبلاً با درنظر گرفتن ساختار توده ای خوشه بندی شده، جهت تعیین لیتولوژی اعمال شده است. در انتها، با مقایسه اطلاعات به دست آمده از خوشه بندی و مقایسه آن با اطلاعات مغزه مشخص شد که با استفاده از روش پیشنهادی، جدایش خوشه ها با درصد خطای کمتری همراه است. این روش برای سایر کاربر دهای مشابه نیز قابل تعمیم است.

الگوریتم های خوشه بندی- خوشه بندی گوستاوسون_کسل- خوشه بندی k میانگین داده- لیتولوژی- ایران