مدل سازی وارون دادههای گرانی با قید تغییرات کلی با استفاده از روش جهت متناوب ضرایب

نوع مقاله : سایر مقالات

نویسنده

استادیار؛ دانشکده فنی و مهندسی؛ دانشگاه ملایر؛ ملایر، ایران

چکیده

مدل سازی وارون داده‌های گرانی یکی از مهم‌ترین مراحل پردازش و تفسیر این داده‌ها است. این مقاله یک روش مدل سازی وارون پراکنده جدید مبتنی بر منظم‌سازی نرم یک برای مدل سازی سه‌بعدی داده‌های گرانی ارائه می‌کند. به تنهایی، منظم‌سازی نرم یک منجر به یک مدل پراکنده با ساختار فشرده و متمرکز می‌شود. در اینجا، ما نرم یک را با تابع جریمه‌ای تکمیل می‌کنیم که قید تغییرات کلی، را اعمال می‌کند؛ انتظار می‌رود که مرزهای ساختار زیرسطحی با به کار گیری این تابع به خوبی مشخص شود. در این مطالعه، تعریف اصلی تغییرات کلی، یعنی شکل نرم یک گرادیان‌های مدل، استفاده می‌شود. برای حل مسئله با این تابع جریمه ترکیبی از نرم یک و تغییرات کلی، این مطالعه روش جهت متناوب ضرایب را معرفی می‌کند که یک الگوریتم بهینه‌سازی اولیه-دوگانه است که مسائل منظم شده شده محدب را بر اساس بهینه‌سازی تابع لاگرانژی افزوده حل می‌کند. این الگوریتم برای توابع هدف برای اعمال قیود خطی مناسب است. برای بهبود کارایی محاسباتی الگوریتم برای اعمال این روش در مسائل وارون گرانی بزرگ‌مقیاس، این مطالعه از روش گرادیان مزدوج به همراه روش انتخاب پارامتر منظم سازی تطبیقی استفاده می‌کند. این روش مدل سازی وارون بر روی هر دو داده مدل مصنوعی و داده‌های واقعی کانسار ویسی بی کانادا اعمال می‌شود، نتایج مدل‌ها نشان می‌دهد که ساختار زیرسطحی تقریباً به طور کامل قابل بازسازی است. تاثیر این تحقیق در بهبود تفسیر زمین‌شناسی و اکتشاف منابع معدنی مهم است ، زیرا وضوح بالاتر مدل‌های وارون‌سازی گرانی می‌تواند منجر به تصمیم‌گیری بهتر در مطالعات زیرسطحی شود.

کلیدواژه‌ها


Ash, M. R., 2007, Constrained inversion of gravity data over the Ovoid and Mini-Ovoid in the Voisey’s Bay Ni–Cu–Co deposit, Labrador, M.S. thesis, Memorial University of Newfoundland.
Aster, R.C., Borchers, B. and Thurber, C.H., 2018, Parameter estimation and inverse problems, Elsevier, e-book.
Boyd, S., Parikh, N., Chu, E., Peleato, B. and Eckstein, J., 2011, Distributed optimization and statistical learning via the alternating direction method of multipliers, Foundations and Trends® in Machine learning, 3(1), 1-122.
Farquharson, C.G., Ash, M.R. and Miller, H.G., 2008. Geologically constrained gravity inversion for the Voisey's Bay ovoid deposit, The Leading Edge, 27(1), 64-69.
Last, B.J. and Kubik, K., 1983, Compact gravity inversion, Geophysics, 48(6), 713-721.
Li, Y. and Oldenburg, D.W., 1996, 3-D inversion of magnetic data, Geophysics, 61(2), 394-408.
Li, Y. and Oldenburg, D.W., 1998, 3-D inversion of gravity data. Geophysics, 63(1), 109-119.
Portniaguine, O. and Zhdanov, M.S., 1999, Focusing geophysical inversion images, Geophysics, 64(3), 874-887.
Portniaguine, O. and Zhdanov, M.S., 2002, 3-D magnetic inversion with data compression and image focusing, Geophysics, 67(5), 1532-1541.
Rezaie, M., 2023, Focusing inversion of gravity data with an error function stabilizer, Journal of Applied Geophysics, 208, 104890.
Rezaie, M., Moradzadeh, A. and Nejati Kalate, A., 2017, 3D gravity data-space inversion with sparseness and bound constraints, Journal of Mining and Environment, 8(2), 227-235.
Tarantola, A., 2005, Inverse problem theory and methods for model parameter estimation, Society for industrial and applied mathematics, e-book.
Utsugi, M., 2022, Magnetic inversion to recover the subsurface block structures based on L 1 norm and total variation regularization, Geophysical Journal International, 228(1), 510-537.
Zhdanov, M.S., 2002, Geophysical inverse theory and regularization problems (Vol. 36), Elsevier, e-book.