پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,230 |
| تعداد مقالات | 67,764 |
| تعداد مشاهده مقاله | 115,162,971 |
| تعداد دریافت فایل اصل مقاله | 89,918,094 |
وارون‌سازی سه‌بعدی داده‌های گرانی‌سنجی در فضای داده با استفاده از قید فشردگی | ||
| فیزیک زمین و فضا | ||
| مقاله 9، دوره 41، شماره 3، مهر 1394، صفحه 453-462 اصل مقاله (1.1 M) | ||
| شناسه دیجیتال (DOI): 10.22059/jesphys.2015.53698 | ||
| نویسندگان | ||
| زینب عباس زاده1؛ سعید وطن خواه* 2؛ وحید ابراهیم زاده اردستانی3 | ||
| 1کارشناس ارشد ژئوفیزیک، دانشگاه آزاد اسلامی، همدان، ایران | ||
| 2دکتری ژئوفیزیک، مؤسسة ژئوفیزیک دانشگاه تهران، تهران، ایران | ||
| 3استاد، گروه فیزیک زمین، مؤسسة ژئوفیزیک دانشگاه تهران و قطب علمی مهندسی نقشه‌برداری و مقابله با سوانح طبیعی، تهران، ایران | ||
| چکیده | ||
| در این مقاله وارون‌سازی داده‌های گرانی‌سنجی برای تعیین توزیع سه‌بعدی جرم زیر سطحی بررسی شده است. سطح زیرین در ناحیة برداشت داده‌های گرانی به تعداد زیادی مکعب با ابعاد ثابت تقسیم شده و وارون‌سازی به دنبال یافتن مقادیر چگالی برای هریک از این مکعب‌ها بوده است. تابع هدف به‌کار برده‌شده شامل عبارت عدم برازش داده‌ها و عبارت تنظیم است. کاربرد قید فشردگی در عبارت تنظیم فضای مدل را به سوی تُنکی سوق داده است. علاوه بر آن ماتریس‌های وزن‌دهی عمقی و قیود سخت نیز استفاده شده‌اند. از آنجایی که مسئلة وارون یک مسئلة فرومعین است، حل آن در فضای داده انجام پذیرفته که در مقایسه با فضای مدل، نیازمند حل سیستم معادلات خطی با ابعاد بسیار کوچک‌تر است. برای حل سیستم معادلات خطی از روش گرادیان مزدوج استفاده شده است. ترکیب گرادیان مزدوج با وارون‌سازی در فضای داده امکان حل مسائل با ابعاد بزرگ را فراهم می‌آورد. برنامة کامپیوتری نوشته‌شده برای برگردان داده‌های تولیدشده توسط یک مدل مصنوعی به کار رفته و مزایا و معایب روش نشان داده شده است. در انتها داده‌های گرانی برداشت‌شده روی معدن منگنز صفو واقع در شمال‌غرب ایران با استفاده از برنامة وارون‌سازی مذکور برگردان و مدل‌سازی شده‌اند. نتایج وارون‌سازی توزیع مادة معدنی با گسترش عمقی 5 تا 35-40 متری را نشان می‌دهد که با نتایج حفاری انطباق دارد. | ||
| کلیدواژه‌ها | ||
| فضای داده؛ قید فشردگی؛ گرادیان مزدوج؛ گرانی‌سنجی؛ وارون‌سازی سه‌بعدی | ||
| عنوان مقاله [English] | ||
| 3D data-space gravity inversion using compactness constraint | ||
| نویسندگان [English] | ||
| Zeynab Abbaszade1؛ Saeed Vatankhah2؛ Vahid Ebrahimzade Erdestani3 | ||
| چکیده [English] | ||
| In this paper the 3D inversion of gravity data is considered. The goal is to reconstruct models of subsurface density distribution using a set of known gravity observations measured on the earth surface. The subsurface under the survey area is divided into large number of rectangular blocks of known sizes and positions. The unknown density contrasts within each prism define the parameters to be estimated. This kind of parameterization is flexible for the reconstruction of the subsurface model, but requires more unknown model parameters than observations (here N << M, where N is the number of data and M is the number of model parameters). The final density distribution will be obtained by minimizing a global objective function consists of data misfit and a regularization term. The inverse problem is solved in data space, which needs inverse of matrix with N×N dimension, as compared with M×M dimension system in model space inversion. This methodology was used by Pilkington (2009) in 3D inversion of magnetic data. To solve the resulting set of linear equation, the conjugate gradient method is used. Combination of data-space method with conjugate gradient leads to keep the storage and computational time to a minimum. The iteratively-defined regularization matrix, which is used in objective function, is a combination of three diagonal matrix; namely depth weighting, compactness and hard constraint matrices. The compactness constraint was introduced in Last and Kubik (1983) and developed in Portniaguine and Zhdanov (1999), who used term "minimum support stabilizer", is considered here to produce models with non-smooth features. It is a suitable and well-known constraint for identifying geologic structures which have material properties that vary over relatively short distances. The depth weighting matrix, introduced in Li and Oldenburg (1998), is used in regularization term to counteract the natural decay of the kernel with depth. The hard constraint allows us to incorporated priori geological and geophysical information into inversion process. While depth weighting and hard constraint matrices both are independent of the iteration index, the compactness depends on iterations. In order to recover a feasible image of the subsurface, realistic lower and upper density bounds are imposed during the inversion process. The computer program is written in MATLAB and tested on synthetic data produced by a model consists of two cubes. The cubes have same dimension and density, but located at different depths. The results indicate that the algorithm is efficient to handle large-scale gravity inverse problems. For the shallow cube the geometry and density of the reconstructed model are close to those of the original model, but for the deeper body the resolution decrease and a smooth image of subsurface obtained. The gravity data acquired over the Safo mining camp in the north-west of Iran, which is well-known for manganese ores, are used as a real modeling case. The results show a density distribution in the subsurface from about 5 to 35-40 m in depth and about 35 m extent in the x direction, which are close to those obtained by bore-hole drilling on the site. | ||
| کلیدواژه‌ها [English] | ||
| Gravimetry, 3D inversion, Compactness Constraint, Data-space, Conjugate Gradient | ||
| مراجع | ||
|
امامعلی‌پور، علی، 1384، بررسی ژئوشیمی، کانی‌شناسی و منشأ کانسار منگنز صفو (جنوب باختر ماکو)، نهمین همایش انجمن زمین‌شناسی ایران، 256-269، دانشگاه تربیت مدرس، تهران، ایران. عزیزی، حسین و محجل، محمد، 1386، دگرشکلی در تکتونیت‌های شمال باختر خوی، مجلۀ علوم دانشگاه تهران، جلد 33، شمارۀ 1، صفحۀ 65-73. Blakely, R. J., 1996, Potential Theory in Gravity and Magnetic Applications, Cambridge University Press, Cambridge.
Boulanger, O., and Chouteau M., 2001, Constraint in 3D gravity inversion, Geophysical Prospecting, 49, 265–280.
Last, B. J., and Kubik, K, 1983, Compact gravity inversion, Geophysics, 48, 713–721.
Li, Y., and Oldenburg, D. W., 1998, 3D inversion of gravity data, Geophysics, 63, 109–19.
Pilkington, M., 2009, 3D magnetic data-space inversion with sparseness constraints, Geophysics, 74, L7– L15.
Portniaguine, O., and Zhdanov, M. S., 1999, Focusing geophysical inversion images, Geophysics, 64, 874–887.
Tarantola, A., 2005, Inverse Problem Theory and Methods for Model Parameter Estimation ,SIAM , Philadelphia, U.S.A.
Vatankhah, S., Ardestani, V. E., and Renaut, R. A., 2014, Automatic estimation of the regularization parameter in 2-D focusing gravity inversion: application of the method to the Safo manganese mine in northwest of Iran, Journal of Geophysics and Engineering, 11, 045001.
Vatankhah, S., Ardestani, V. E., and Renaut R. A., 2015, Application of the principle and unbiased predictive risk estimator for determining the regularization parameter in 3-D focusing gravity inversion, Geophysical Journal International, 200, 265-277 | ||
|
آمار تعداد مشاهده مقاله: 2,320 تعداد دریافت فایل اصل مقاله: 1,120 |
||