چکیده: روش مقاومت ویژة الکتریکی، یکی از پرکاربردترین روشهای الکتریکی است که از آن برای مطالعة آبهای زیرزمینی، اکتشافات معدنی و نیز مطالعات عمقی ساختارهای زیر زمین استفاده می کنند. با توجه به کاربردهای مهم روشهای الکتریکی، مدل سازی معکوس داده های حاصل از این برداشت ها نیز حائز اهمیت است؛ ولی از آنجا که داده های ژئوالکتریک، طبیعت غیر خطی دارند و نیز با توجه به اینکه مدل-های بدست آمده از مدل سازی، یکتا نیستند؛ مجموعة این عوامل این فرآیند را با مشکلات عدیده ای مواجه کرده است. به همین منظور در این تحقیق، این عوامل و مشکلات مورد بررسی قرار گرفته و سعی در ارائه راه حلی برای رفع آنها شده است. لذا با توجه به تواناییها و قابلیت های شبکه های عصبی مصنوعی (ANNs) در زمینه های مختلف علمی از جمله مسأله وارونه سازی، به معکوس سازی یک بعدی داده های سونداژ مقاومت ویژة الکتریکی با استفاده از این شبکه ها پرداخته شده است. شبکه مورد استفاده در این تحقیق، یک شبکه عصبی پیشخور (FNN) بوده که از آن برای تخمین پارامترهای لایه های تشکیل دهنده زمین استفاده می شود. این شبکه ها با استفاده از داده های مصنوعی که از طریق مدل سازی مستقیم و توسط نرم افزار Resix-IP بدست آمده اند، آموزش می بینند. الگوریتم آموزشی که در اینجا مورد استفاده واقع شده است، الگوریتم پس انتشار خطا (Backpropagation Error) می باشد. در این تحقیق، از هشت شبکة عصبی مختلف برای تخمین پارامترهای مربوط به حالات مختلف یک زمین چهار لایه ای که شامل منحنی های نوع AA، AK، HA، HK، KH، KQ، QH و QQ است، استفاده و از یک شبکه مجزای دیگر هم برای دسته بندی مدلهای مختلف چهار لایه ای بهره گرفته شد. از طرف دیگر برای اینکه داده های مصنوعی تولید شده به داده های واقعی شبیه تر شوند، به این داده ها به صورت تصادفی مقداری نویز اضافه کرده و عملکرد شبکه ها در برابر آنها نیز مورد بررسی قرار گرفت. در نهایت برای اطمینان از میزان درستی نتایج و آگاهی از قدرت تعمیم شبکه ها، به ازای یکسری از داده‌های واقعی، خروجی حاصل از شبکه، با نتایج مربوط به نرم افزار Resix-IP نیز مورد مقایسه قرار گرفت و مشخص شد که پاسخ شبکه های تخمینگر و نیز شبکه دسته بندی کننده تا حدود زیادی مشابه نتایج نرم افزار فوق هستند. نتایج حاصل از این تحقیق حاکی از آن است که چنانچه داده های مصنوعی تولید شده نزدیک به واقعیت باشند و ساختار شبکه های مورد استفاده نیز به صورت بهینه انتخاب گردند و از طرف دیگر فرآیند آموزش شبکه ها نیز به درستی انجام پذیرد، شبکه های مورد نظر ضمن داشتن پاسخی سریع از دقت کافی نیز برخوردار خواهند بود.