Samenvatting

Dit proefschrift introduceert een nieuwe Generative Adversarial Network-applicatie genaamd SchemaGAN. Aangepast van de Pix2Pix-architectuur om Cone Penetration Test-gegevens (CPT) als voorwaardelijke invoer te nemen en te genereren schematisaties van de ondergrond.

Voor training, validatie en testen is er een database met 24.000 synthetische schematisaties met een formaat van 32×512 pixels gecreëerd, wat een breed spectrum van stratigrafische complexiteit in de gelaagde modellen vertegenwoordigt. Elke synthetische doorsnede is omgezet in een CPT-achtig beeld met minder dan 1 procent van de originele gegevens die op willekeurige locaties in het model achterblijven. Er is gekozen voor SchemaGAN Generator vanwege de validatie en de effectiviteit. De verkregen evaluatiestatistieken laten zien dat SchemaGAN beter presteert dan alle andere methoden, met resultaten die worden gekenmerkt door duidelijkere laaggrenzen en nauwkeurige anisotropie binnen de lagen. Het toekomstige potentieel ligt in raffinage zijn prestaties door verbeteringen in overweging te nemen, zoals training met echte CPT-gegevens.